搜索
同样一兆瓦电，英伟达最新的GB300 NVL72能同时扛住61400个智能体，上一代H200只扛得住大约2600个。这中间，差了整整20倍。它就是独立评测机构Artificial Analysis发布的新基准：AA-AgentPerf。
埃森哲的 AI 策略负责人最近在一次内部会议上，吐槽了公司里消耗 AI 算力的情况：驱动 token 消耗的，不是工程师在做开发，是非技术人员在用 AI 把 PDF 转成 PPT。 这怎么是滥用呢？堂堂埃森哲一个咨询公司，做 PPT 才是正经事啊！
模型卷不过，Meta 反手开门卖自家算力，直接抢 AWS 的饭碗——昔日金主 CoreWeave、Nebius 一夜被炸崩 17%。
如果只看标题，它很容易被归到“又一个万亿参数大模型”的队伍里：1.6 万亿总参数、MoE 架构、100 万 token 上下文、面向代码和 Agent 场景。但这次真正值得看的，不只是模型有多大，而是它背后的三个问题：国产算力能不能支撑前沿级大模型训练？
随着全球智能体加速落地，算力需求呈指数级爆发，以 GPU 为核心的 AI 基础设施正变得愈发关键。据摩根士丹利报告预测，2028 年全球 AI 基础设施累计总投资将达 2.9 万亿美元。
2026年6月，全球AI算力产业最焦虑的事情，不是英伟达Rubin能不能按时出货，也不是台积电CoWoS产能够不够——而是一台大多数人根本没听说过的机器：日本丰田工业的喷气织布机。
清华系物理AI企业「清研精准」已于近日完成数亿元B3轮融资，本轮融资由北京市绿色能源基金、北汽产投领投，裕隆集团跟投。据悉，该轮资金将会用于核心人才招募、多模态数采设备的研发与规模化部署，以及算力采购与模型训练基础设施建设等方向。
全球最昂贵的浪费，正发生在最聪明的公司里。当你正 Vibe Coding 嗨到不行，或者跑着的项目突然停摆，打开 CLI 工具一看，「你的额度已用完」字样出现时，心态不崩是不可能的。
如果我们谈到 AI 赋能带来的科学突破，AlphaFold 一定是不可忽略的一项。它解决了困扰生物学界半个多世纪的蛋白质折叠难题，大量压缩了得到蛋白质结构的时间，从原来的一年，到现在的几分钟。它的核心开发者之一 John Jumper 也因这一贡献在 2024 年摘得诺贝尔化学奖。
Harsh Mehta 在 Anthropic 的时候，启动了一个后来被称为 autoresearch 的内部平台（不是 Karpathy 那个）。最初这个项目只有他一个人，功能是让 AI 自主完成 AI 研发中的一系列流程环节：提出实验假设、编写代码、调度算力、评估结果，再决定下一步做什么。