算力[16]
《AI 2030》报告：2030年成AI分水岭，算力千亿级与科学突破重塑多领域
《AI 2030》报告由谷歌DeepMind委托Epoch发布，勾勒2030年AI发展分水岭，聚焦算力、数据、经济回报与科学突破。预测前沿算力集群成本将破千亿美元，2027年公开文本数据或枯竭，合成数据成新引擎；头部企业营收激增支撑投入，能源压力推动数据中心革新。马斯克认可趋势，报告揭示AI从工具向协作者蜕变的机遇与挑战。
英伟达斥资超9亿美元招揽Enfabrica CEO并授权其AI互联技术
英伟达斥资超9亿美元“人才收购”Enfabrica核心团队及AI互联技术，以解决十万级GPU集群协同瓶颈。该模式成科技巨头补位技术缺口新趋势，助力英伟达从GPU供应商向AI基础设施全栈方案商转型，强化“计算+连接”系统级优势，推动AI竞争进入“算力+互联”深度融合新阶段。
Triton团队发布Gluon：专为GPU底层性能调优的新型编程语言
Triton团队发布新型GPU编程语言Gluon，作为Triton生态“性能进阶工具”，共享编译器与开发工具链，通过暴露底层硬件控制参数（如CTA分配、数据布局）填补通用编程与极致性能优化空白。开发者可灵活切换抽象层级，平衡开发效率与算力释放，适用于AI大模型核心算子、HPC等场景，被社区称为“GPU编程的罗塞塔石碑”。
月之暗面开源Checkpoint Engine：Kimi K2模型参数更新突破20秒
月之暗面（Moonshot AI）开源Checkpoint Engine技术，针对大模型强化学习训练参数同步难题，将Kimi K2模型参数更新时间从10分钟压缩至20秒，大幅提升GPU利用率与训练效率，解决大模型训练隐形瓶颈，为行业提供高效工程优化方案。
谷歌MetaX联合发布SpikingBrain：脑启发大模型实现长上下文推理100倍加速，非NVIDIA平台高效运行
AI圈“SpikingBrain技术报告”引发讨论，宣称谷歌与MetaX联合开发脑启发大模型突破长上下文效率瓶颈，然经核查存诸多疑点：论文编号属未来未分配状态、MetaX C550 GPU平台虚构、性能数据与当前技术脱节。其提及的脉冲神经网络（SNN）和线性注意力是真实研究热点，公众可通过核查论文、硬件及数据辨别AI突破性新闻真伪，理性看待行业进展。
美国科技巨头在英投资逾310亿英镑 OpenAI“星门”项目落地伦敦郊外
美国科技巨头集体押注英国，微软、OpenAI、英伟达等投超310亿英镑布局AI算力。OpenAI星门项目落地，部署6万颗英伟达Blackwell芯片；英伟达联合伙伴投110亿建数据中心。英国政府加速审批、降电费吸引投资，助力巩固全球AI枢纽地位，推动主权AI时代算力竞赛升级。
Databricks AI负责人Naveen Rao离职创业 瞄准AI计算成本瓶颈
Databricks前AI负责人Naveen Rao离职创业，新公司聚焦AI算力成本优化，获Databricks战略投资。当前AI算力成本成行业瓶颈，推理成本占比超60%且持续增长，其将通过硬件架构创新破局。作为连续创业者，Rao过往项目曾推动AI训练部署成本下降，新方向或加速AI技术普及。
Skypilot研究：网络与存储优化让分布式生成式AI训练提速10倍，打破GPU性能瓶颈惯性思维
生成式AI训练中，网络与存储性能是被低估的隐藏瓶颈。Skypilot团队实验显示，在不更换GPU、不修改代码的情况下，仅优化网络带宽（10Gbps→100Gbps）和存储类型（标准云SSD→本地NVMe），分布式训练速度可提升10倍，打破“GPU决定一切”认知。这一发现凸显数据传输与读取效率的关键作用，Skypilot框架助力简化基础设施优化，为AI训练提速提供新路径。
甲骨文Q1财报：RPO激增359%股价暴涨27%，AI云服务驱动转型
甲骨文2026财年Q1财报发布后，股价盘后暴涨27%，核心驱动力为剩余履约义务（RPO）同比激增359%至4550亿美元，相当于过去25年营收总和。RPO中78%来自云服务合约（约3550亿美元），AI相关服务占比达64%，凸显转型成效。云基础设施（OCI）业务营收33亿美元，同比增长55%，增速持续提升，其与OpenAI合作集成GPT-5、与Google生态互补，满足企业AI算力需求，客户合同期限已延长至8年。此次RPO激增印证甲骨文从传统数据库厂商向AI云服务商转型，未来增长将深度绑定AI赛道。
斯坦福大学：大模型预训练优化器研究，矩阵型加速30-40%，AdamW仍是稳健首选
大模型预训练效率瓶颈下，优化器选择至关重要。斯坦福大学研究表明，AdamW仍是稳健首选，而矩阵型优化器经严格调优可实现30-40%单步加速。传统评估存在超参数调优偏心（如Lion需特定衰减值）和小规模测试误导（小模型加速比随规模衰减），需在大模型全周期评估最终性能。矩阵优化器通过预条件矩阵动态调整梯度，Muon以低秩近似、Soap以分块对角等方式平衡效率与精度。实际应用中，AdamW适合多数场景，矩阵优化器推荐用于大规模预训练且需严格调优。