/
ChiPy：让神经网络与C++在芯片上无缝协作，实现零CPU中转的完整推理流水线
传统NPU在处理目标检测任务时，后处理阶段（如NMS）需将数据返回CPU，造成30-50%的延迟损耗。Quadric的Chimera GPNPU通过统一核心支持矩阵运算、向量数学与标量控制流，配合ChiPy DSL框架，可将预处理、神经网络推理与后处理编译为单一片上程序，无需CPU介入。以YOLOX-M为例，完整检测流水线在芯片内存中处理8400个候选框并完成NMS，实现确定性延迟，适用于ADAS、工业检测等安全关键场景。
无人机竞速识别并扑灭野火，XPrize大赛激战正酣
XPrize基金会发起野火扑救竞赛，吸引包括马里兰大学Crossfire团队在内的13支队伍参与半决赛。参赛团队需在10分钟内，于1000平方公里复杂地形中定位并扑灭火源，优胜者将获350万美元奖金。各团队普遍采用无人机结合AI图像识别技术，实现火情探测与抑制。Crossfire团队利用水气球空中引爆技术，大幅提升灭火精准度与用水效率，为野火应急响应提供新思路。
Isomorphic Labs完成21亿美元融资，加速AI药物研发
Alphabet旗下初创公司Isomorphic Labs完成由Thrive Capital领投的12亿美元B轮融资，投资方还包括Alphabet、GV、MGX、Temasek等机构。此轮融资将用于升级IsoDDE药物发现平台、推进国际扩张及药物管线开发。该公司由谷歌DeepMind创始人Demis Hassabis领导，依托AlphaFold技术预测蛋白质及生物分子结构，已与强生、诺华、礼来等制药巨头达成合作。
AMD与英特尔携手推出AI计算扩展指令集，大幅提升AI性能
AMD与英特尔在x86生态系统顾问组（EAG）框架下合作推出AI计算扩展指令集（ACE），旨在统一x86平台上的AI工作负载，显著提升矩阵乘法性能，同时改善能效与软件兼容性。ACE并非取代AVX，而是对现有指令集的扩展，可缩小CPU与GPU在AI推理和训练方面的性能差距，尤其适用于无独立GPU的嵌入式或边缘场景。目前两家公司尚未宣布具体搭载ACE的产品上市时间。
Meta的人才流失成为Thinking Machines Lab的收获
AI初创公司Thinking Machines Lab（TML）正加速扩张。前Meta多模态感知工程师Weiyao Wang及哈佛博士Kenneth Li相继加入TML，而Meta据报已从TML挖走七名创始成员。TML的CTO Soumith Chintala曾在Meta工作11年并联合创立PyTorch框架。TML与谷歌签署数十亿美元云计算协议，获得Nvidia GB300芯片访问权限，目前估值达120亿美元，员工总数约140人。
天文学家借助AI探索星系，加剧全球GPU资源紧张
NASA宣布将于2026年9月提前发射南希·格雷斯·罗曼太空望远镜，预计在其寿命期内产生20,000TB天文数据。加之詹姆斯·韦伯太空望远镜每日下传57GB图像，以及智利薇拉·鲁宾天文台每晚采集20TB数据，天文学家正大规模转向GPU处理海量数据。加州大学圣克鲁兹分校天体物理学家布兰特·罗伯逊与Nvidia合作开发了深度学习模型Morpheus，用于识别星系，并正将其架构升级为Transformer模型以提升分析效率。然而，全球GPU资源紧张及NSF预算削减，给天文AI研究带来持续压力。
英伟达押注AI助力量子计算：用大模型解决量子错误率难题
英伟达发布多款开放权重AI模型，旨在帮助量子硬件开发者大幅降低处理器错误率。其中，350亿参数的视觉语言模型Ising Calibration可自动优化量子系统配置以减少噪声；Ising Decoding系列模型则基于卷积神经网络架构，能以比传统方法快2.25至2.5倍的速度实时检测并纠正错误。相关模型权重已上传至Hugging Face平台，并配套提供训练框架与推理蓝图。
从大语言模型到幻觉现象，一文读懂常见AI术语
本文提供了一份AI领域常用术语词汇表，涵盖AGI、AI智能体、思维链、算力、深度学习、扩散模型、蒸馏、微调、GAN、幻觉、推理、大语言模型、记忆缓存、神经网络、RAM短缺、训练、Token、迁移学习及权重等核心概念。文章以通俗易懂的语言解释每个术语的含义与应用场景，并将持续更新以反映AI领域最新进展。
牛津大学AI工具可在心力衰竭发生前五年预测风险
牛津大学科学家开发出一款AI工具，能够在心力衰竭发生前五年准确预测患病风险。该工具通过分析心脏周围脂肪组织的影像特征，识别炎症和健康异常信号，这些信号人眼无法察觉。研究团队基于英格兰九家NHS机构共7.2万名患者数据进行训练与验证，预测准确率达86%。高风险人群患病概率是低风险人群的20倍。该研究结果已发表于《美国心脏病学会杂志》。
Anthropic与谷歌、博通签署多吉瓦TPU计算资源协议
Anthropic与谷歌及博通达成重磅协议，将从2027年起获得约3.5吉瓦的下一代TPU算力支持，成为该公司迄今最大规模的算力承诺。此举旨在应对Claude模型企业用户的爆发式增长——其年收入运行率已从2025年底的约90亿美元跃升至2026年的逾300亿美元。Anthropic正将算力采购转向类似能源采购的长期战略模式，以应对前沿AI推理工作负载对基础设施的持续压力。
AI模型如何帮助科罗拉多河水资源分配决策
科罗拉多河正面临有记录以来最严峻的危机：流量较2000年下降20%，七州水资源谈判两度破裂。联邦及各州水务机构正借助机器学习工具应对挑战——深度学习模型利用卫星数据预测径流，数百万次情景模拟测试不同管理策略的可行性。这些工具无法解决"谁来承担损失"的核心争议，但正在让各方利益权衡变得前所未有地清晰可见，推动谈判各方回到同一张桌子上。
为什么大语言模型在视频游戏上表现如此糟糕？
尽管大语言模型在编程等领域快速进步，但在电子游戏方面却表现极差。纽约大学游戏创新实验室主任朱利安·托格留斯的研究显示，LLM无法掌握通用游戏技能。编程被视为"行为良好的游戏"，有明确的任务、即时反馈和测试机制，而电子游戏缺乏这些特征。LLM在空间推理方面表现不佳，且不同游戏间差异巨大。虽然LLM能编写简单游戏代码，但无法测试和迭代改进游戏体验。
15英寸MacBook Air降至历史最低价，值得入手吗
CNET评测师称15英寸MacBook Air是其最喜爱的整体笔记本电脑，在生产力、便携性和价格方面达到完美平衡。搭载M4处理器的上代机型目前在亚马逊大促中大幅降价，15英寸版本售价仅949美元，比原价低250美元，创史上最低价。虽然苹果刚推出M5版本，但M4版本在设计、性能和续航方面表现依然出色，对2026年的笔记本购买者仍是绝佳选择。
英伟达推出Nemotron 3 Super企业AI智能体新模型
英伟达推出新的推理导向AI模型Nemotron 3 Super，结合Mamba序列建模、Transformer注意力机制和专家混合路由等多种神经网络架构。该模型拥有1200亿总参数、120亿激活参数，专为处理复杂多步骤工作流的企业智能体系统设计。模型采用开放权重发布，支持开发者自定义部署。分析师指出，其混合架构能显著提升推理效率，降低计算成本，为企业提供更可控的AI解决方案。
英伟达DLSS 5生成式AI功能遭玩家强烈抵制
英伟达即将推出的DLSS 5技术引入生成式AI，可实时重新渲染游戏画面的光照和材质，声称能达到好莱坞级别的逼真效果。然而，该技术将游戏角色面部过度美化成诡异谷效应版本，破坏了原有艺术风格，遭到玩家和开发者的强烈批评。许多人认为这项技术消除了游戏的艺术导向，将其比作"垃圾AI滤镜"。
DeepMind创始人传记揭秘：从国际象棋神童到AI先驱哈萨比斯的传奇人生
本书讲述了DeepMind创始人德米斯·哈萨比斯从国际象棋神童成长为AI技术领军人物的传奇经历。2016年，DeepMind开发的AlphaGo在首尔击败世界顶级围棋选手李世石，标志着人工智能发展的重要里程碑。作者详细描绘了哈萨比斯的成长历程、DeepMind的创业故事，以及围绕通用人工智能展开的投资热潮。然而书中对科技行业过度炒作现象缺乏批判性思考，将计算领域的专业能力误读为全能天才。
SpeciesNet：用AI识别野生动物的开源工具
SpeciesNet是谷歌开发的开源AI模型，能自动识别相机陷阱图像中的野生动物物种。该工具可分类近2500个动物类别，基于6500万张标记图像训练而成。过去一年中，全球研究团队使用SpeciesNet在哥伦比亚发现美洲狮和虎猫，在爱达荷州监测麋鹿和黑熊，在澳大利亚识别食火鸡等物种。该模型准确率达99.4%，显著加速了野生动物监测和保护研究进程。
IBM Spyre加速器的PyTorch原生支持构建之路
IBM发布了2026年上半年路线图，旨在PyTorch生态系统中启用Spyre加速器。该加速器拥有32个AI核心、混合精度SIMD-脉动阵列和可编程数据流设计。团队采用生态系统优先的理念，通过扩展inductor、引入瓦片化张量布局、多核工作划分和暂存优化等方式，构建数据流加速器的一流PyTorch支持。同时开发SuperDSC和KernelTile IR作为后端编译器，实现设备注册、多卡推理和vLLM生产部署，并建立完整的测试金字塔验证全栈功能。
新方法大幅提升大语言模型训练效率
MIT等机构研究人员开发了名为"TLT"的新训练方法，通过利用处理器空闲时间训练小型模型预测大型推理模型输出，将训练速度提升70-210%且保持准确性。该方法解决了强化学习训练中85%时间消耗在生成多个答案的瓶颈问题，为开发复杂任务处理模型提供了节能高效的解决方案。
智能手表精准估算高级步态指标解锁健康洞察
研究通过大规模验证证实智能手表可作为高度可靠的步态指标估算平台。团队开发了基于时间卷积网络的多输出深度学习模型，能直接估算步速、步长、双支撑时间等全面的时空步态指标。246名参与者的70000个行走片段验证显示，智能手表的准确性可媲美智能手机方法，且佩戴位置固定更便于持续追踪，为便携式健康监测和疾病预防提供了实用解决方案。
京公网安备 11010802021500号
