公司与模型
英伟达的 GPU 新品、CUDA 软件生态、机器人平台与 AI 算力供需。
92 条精选近 30 天 18 条共收录 1,154 条
Rohan Paul@rohanpaul_ai精选AI 评分7474突发：Alphabet，$GOOGL，今日市值增加 +$4200 亿，目前距离超越 Nvidia 成为全球市值最高的上市公司仅差 6%。 Alphabet 有望创下历史上最大的单日市值增幅。
推荐理由：Alphabet 一天涨出 4200 亿美元，云业务靠着 Gemini 和 TPU 追上来，这是 AI 商业化第一次在财报里这么清晰，科技巨头座次可能真要重排。
NVIDIA 发布了 Nemotron 3 Nano Omni 模型，这是一个专为处理长上下文多模态任务设计的轻量级模型。该模型能够同时理解并处理文档、音频和视频数据，旨在赋能新一代多模态智能体。其核心变化在于将长上下文能力与多模态理解结合到一个小型化模型中，提升了在复杂跨模态场景下的处理效率与应用灵活性。
推荐理由：NVIDIA 把多模态长上下文塞进 Nano 级别模型，文档、音频、视频 Agent 通吃，做端侧多模态应用的团队值得认真看看这个架构思路。
黄仁勋表示，Nvidia 已具备支撑未来数年万亿美元级业务规模的供应链体系。这一表态印证了公司在 AI 芯片领域的供应链护城河优势，回应了市场对其产能扩张能力的关切。访谈同时涉及应对 Google TPU 竞争及向中国出售芯片的策略考量，凸显 Nvidia 在复杂市场环境下的长期布局信心。
推荐理由：Jensen首次承认没投Anthropic是错判，对华芯片禁运的态度也极其强硬，这期访谈是他近半年最坦诚的战略交底，做硬件和做政策的都该听一遍。
AI算力稀缺时代正式开启。Nvidia Blackwell芯片GPU租赁价格涨至每小时4.08美元，两月内涨幅达48%；云服务商CoreWeave涨价20%并将最低合同期从一年延长至三年。Anthropic已将最新模型限制给约40个组织使用，OpenAI因算力不足被迫放弃部分项目。这标志着AI充足时代结束，"价高者得"、关系型销售、被迫多元化成为行业新常态，初创公司面临更严峻挑战。
推荐理由：Tunguz 把 AI 算力短缺的五个特征讲得很透，关系销售与价格通胀对创业者是核心挑战，虽然文章有点旧，但判断框架仍然有效。
cuLA是一套面向GLA、KDA等线性注意力变体的高性能CUDA内核库。它通过手工优化的CuTe DSL与CUTLASS C++实现，深度适配NVIDIA Hopper和Blackwell等新一代GPU架构，旨在将复杂算法转化为可直接调用的高性能算子。其接口与flash-linear-attention保持一致，开发者仅需修改一行import即可低成本接入。性能测试显示，其内核在Blackwell和Hopper GPU上相比Triton基线实现，平均加速比最高达1.52倍。该项目已开源，并计划未来集成至FLA的统一调度机制中。
推荐理由：蚂蚁百灵把线性注意力的 CUDA 内核做成了开箱即用的库，性能超过 Triton 基线，对于做长上下文推理优化的团队挺实用，但受众面比较窄。
Thinking Machines Lab 与 NVIDIA 宣布多年期战略合作，将部署至少 1 GW 的新一代 NVIDIA Vera Rubin 系统，用于 Thinking Machines 的前沿模型训练和可定制 AI 平台，目标明年初上线部署。
推荐理由：官方公告给出了合作规模、部署时间线和投资信息，读者可以据此了解这家前沿模型公司的算力布局。
Interconnects 第17期访谈中，Nvidia 副总裁 Bryan Catanzaro 系统回顾了 Nemotron 开源模型项目的技术演进与战略定位。访谈涵盖该系列模型从研发初期到当前版本的迭代历程，剖析了英伟达在开源 AI 领域的布局逻辑，并披露了 Nemotron 在合成数据生成与模型训练效率方面的最新进展及未来规划。
推荐理由：NVIDIA副总裁亲述开源模型战略，揭示芯片巨头如何通过开放生态锁定行业标准
NVIDIA在Hugging Face上发布了Cosmos Reason 2模型，旨在提升物理AI系统的推理能力。该模型通过改进的推理架构，使AI能更准确地理解和预测物理世界的动态与交互，核心升级包括对复杂场景的多步推理、不确定性量化及时间序列数据的深度理解。这一进展将推动机器人、自动驾驶等领域的发展，使AI在现实环境中的决策更可靠、更符合物理规律。
推荐理由：物理AI推理能力升级，机器人和具身智能落地的关键拼图
OpenAI 与 NVIDIA 宣布战略合作，将部署由 NVIDIA 系统驱动的 10 吉瓦 AI 数据中心，第一阶段于 2026 年启动。
推荐理由：OpenAI 与 NVIDIA 达成 10 吉瓦算力部署合作并给出 2026 年首期时间点，读者可据此评估其算力扩张节奏。
Jim Fan@DrJimFan精选如果机器人能在视频生成模型内部做梦会怎样？我们推出 DreamGen，这是一种全新引擎，它不依赖成群的人类操作员，而是借助以像素为单位的数字梦境来规模化机器人学习。DreamGen 生成海量的神经轨迹——即与电机动作标签配对的逼真机器人视频——并解锁了对新名词、新动词和新环境强大的泛化能力。无论你是人形机器人（GR1）、工业机械臂（Franka），还是一个可爱的小机器人（HuggingFace SO-100），DreamGen 都能让你做梦。 像 Sora 和 Veo 这样的视频生成模型本质上是神经物理引擎。通过压缩数十亿条互联网视频，它们学习到了一个包含无数可能的未来的多重宇宙——即从任意初始图像帧出发，世界可能如何展开的叠加态。DreamGen 通过一个简单的四步方案利用了这种能力： 1. 在目标机器人上微调一个 SOTA 视频模型； 2. 用多样化的语言提示词提示模型，模拟平行世界：你的机器人在新场景中会如何行动。过滤掉那些不遵循指令的坏梦（哈！）； 3. 利用逆动力学或潜在动作模型恢复伪动作； 4. 在經過大规模增强的神经轨迹数据集上训练机器人基础模型。 就这么简单。只是更多的数据，以及纯粹的旧式监督学习。很简单，对吧？ 令人惊叹的是它的效果能走多远。仅从一个单任务的“拾取-放置”数据集出发，我们的人形机器人学会了 22 种新行为，例如倒水、折叠、舀取、熨烫和锤击，尽管它从未见过这些动词。更棒的是，我们可以把机器人从实验室带出来，放到 NVIDIA 总部咖啡馆里，让 DreamGen 施展它的魔法。我们展示了真正的从零到一的泛化：新动词的成功率从 0% 提升到超过 43%，在未见过的环境中从 0% 提升到 28%。 与传统的图形引擎相比，DreamGen 并不在乎场景是否涉及可变形物体、流体、半透明材质、高接触交互或疯狂的光照。手工构建这些场景可不容易。对于 DreamGen，每个世界都只是通过扩散神经网络的一次前向传播。无论梦境多复杂，展开它所需的计算时间都是恒定的。 立即阅读我们的博客和论文！我们计划在未来几周内完全开源整个管道。链接在帖子中。
推荐理由：NVIDIA提出用视频生成模型为机器人“造梦”合成训练数据，实现零样本技能泛化
Hugging Face 在 GTC Paris 上与 NVIDIA 合作发布 Training Cluster as a Service，让全球研究机构可以按训练时长申请 GPU 集群。
推荐理由：原文给出入口、合作组件和三类研究机构的使用案例，读者可以判断它如何降低获取 GPU 集群的门槛。
Mistral AI 与 NVIDIA 联合发布 12B 模型 Mistral NeMo，支持最高 128k tokens 上下文窗口，base 与 instruct 权重以 Apache 2.0 许可开源。
推荐理由：原文给出 12B 模型的上下文窗口、压缩效率与基准对比，并说明与 Mistral 7B 的替换关系，便于评估其在中小模型场景的可用性。
