跳到正文
11月5日周四
11月4日周三
  1. TechCrunch · AI75

    电网并网排队漫长,AI 数据中心转向改装退役喷气发动机自发电

    受限于电网并网长达数年的排队延迟,xAI 与 OpenAI 合作方等数据中心开始采用由退役客机改装、改烧天然气的喷气发动机来应急自发电。相比部分地区并网需等待约七年,使用改装喷气动力机组能在 24 个月内让数据中心运转。不过这类设备能效较低且排放更高,目前主要被行业视为应对供电短缺的短期过渡方案。

  2. Ars Technica · AI64

    乌克兰无人机袭击促使俄罗斯计划将数据中心转入地下

    乌克兰无人机袭击损毁俄罗斯 AI 超算及云服务设施后,俄罗斯科技企业正加紧推进将数据中心加固并转入地下的应急方案。克里姆林宫已要求相关机构预留算力以备国家应急需要,受袭对象涵盖 Yandex、Sberbank 及俄财政部设施,俄电信公司 Rostelecom 亦在探讨利用矿井等地下空间进行建设与伪装。

  3. AWS Machine Learning Blog47

    在 AWS 上构建超低延迟语音 AI 应用:Cartesia 的 SSM 架构方案

    Cartesia 借助状态空间模型(SSM)与 AWS 基础设施,构建了实现首字节延迟低于 100ms 的超低延迟语音 AI 方案。该技术栈包含首字节延迟约 90ms、支持 44 种以上语言及 10 秒音频克隆的 TTS 模型 Sonic,以及支持原生轮换检测的 STT 模型 Ink。开发者可通过 API 调用或直接在 AWS 上部署该方案。

11月3日周二
11月1日周日
  1. Latent Space57

    Arca 如何用智能体推进长周期金融工作,让智能体提示人

    Arca 的 AI 工程负责人 Aman Singh 介绍了其财富管理工作流,智能体承担大量后台分析并提出方案,交易与资金流动由人工顾问执行。任务可能跨越多达 10 天,内部记忆系统持续记录客户进展、待办事项及责任人,自建智能体运行框架依据内部基准选择模型,主要使用 Claude。

10月31日周六
  1. TechCrunch · AI69

    NVIDIA 考虑为 Nscale 的西弗吉尼亚 AI 数据中心提供数十亿美元债务担保

    NVIDIA 正在洽谈为 AI 云提供商 Nscale 规划建设的西弗吉尼亚数据中心提供数十亿美元债务融资担保,该设施主要服务 Anthropic。Anthropic 仅为该项目首栋 460 兆瓦建筑就签署了 446 亿美元合同并计划采用 NVIDIA 下一代 Vera Rubin 芯片,双方还在讨论另一栋建筑价值约 450 亿美元的协议。

  2. AWS Machine Learning Blog42

    如何用 Amazon Bedrock AgentCore runtime 实时预览编程智能体构建的 Web 应用

    Amazon Bedrock AgentCore runtime 演示教程展示如何通过 Session endpoints,在编程智能体构建和修改 Web 应用时实时预览结果。示例在同一会话中运行智能体与 Vite 开发服务器,借助 WebSocket 热更新呈现修改,无需刷新页面。预览请求须经过身份验证,访问仅限允许的端口,链接随会话结束失效。

  3. The Verge · AI71

    Google 太空 AI 卫星首次向地球传回生成响应

    Google Project Suncatcher 实验卫星成功启动星载 TPU 并运行 Gemma 4 模型,完成首次太空 AI 内容生成并向地球传回响应。该测试旨在探索在太空建立 AI 数据中心的可行性,卫星于本月早些时候发射入轨。Google 后续将评估 TPU 在轨道热应力与辐射环境下的表现,并计划在 2027 年推进双互联卫星测试。

10月30日周五
  1. Simon Willison74

    多人游戏 Spawn 如何用自主智能体集群构建系统并按小时发布

    多人游戏 Spawn 采用 Fable 模型驱动的自主智能体集群直接维护生产代码,每月消耗超 300 万美元模型 token 并实现每小时发布更新。智能体直接读取线上报错与监控告警,通常在 1 小时内自主完成判定、代码修复并交付给用户,同时支持在 30 秒内对异常变更进行局部回滚。作者指出高频交付有助于智能体在短上下文内保持连贯,为探索前沿编码智能体的能力边界提供了极端工程范例。

  2. AWS Machine Learning Blog40

    如何利用 AWS Batch 配额管理为 SageMaker Training 作业跨团队借出与借入资源

    AWS Batch 介绍如何通过配额管理,为 SageMaker Training 作业分配团队或项目容量,并跨团队共享闲置 GPU 资源。配额份额支持预留、借出及借出并借入策略,可收回已借出的容量,也可在份额内抢占低优先级作业。示例使用 SageMaker Python SDK v3 配置相关资源。

10月29日周四
  1. MIT Technology Review · AI63

    AI 智能体的行动亟须实时监控,但可观测性记录仍有缺口

    AI 智能体需要实时监控,但两位作者参与的研究发现,当前智能体框架缺少支撑安全监督的关键可观测性记录。研究考察了使用最广泛的四个框架,发现持续有效的智能体身份标识、人类审批等记录存在缺口,难以追溯行动主体及判断行动是否获授权。作者建议分别记录行动过程与决策依据,并通过 OpenTelemetry 等补齐工程层面的记录,同时指出 CoT 是否忠实反映决策、置信度能否可靠测量仍是开放研究问题。

10月28日周三
  1. Latent Space65

    Anthropic 招聘经理停用传统编程面试,强调主动性胜于资历

    Anthropic 招聘经理 Felix Rieseberg 表示,本月已停止要求候选人参加传统编程面试,强调主动性胜于资历,而非宣布公司全面取消此类面试。他认为,Claude 已更擅长 React 小挑战和汇编题,而团队中影响力突出的开发者并不一定擅长这些测试。他建议初级工程师优先创造业务价值,选择大胆想法并用周末做出可运行原型,每次聚焦一个好点子,同时发挥贴近用户的新鲜视角。

  2. Latent Space66

    Anthropic 如何用 Claude 构建 Claude,并分离智能体的“大脑”与“双手”

    Anthropic 工程与产品负责人在访谈中介绍如何用 Claude 构建自家产品,以及模型交付中的评估、安全与基础设施取舍。Managed Agents 将会话日志和 harness 与代码执行沙箱分离,使沙箱故障不必终止整个会话,并通过独立保管凭证、经代理附加凭证来隔离执行环境。

10月23日周五
10月22日周四
  1. NVIDIA Blog42

    NVIDIA 发布 Minerva,为 AI 工厂提供端到端可观测性

    NVIDIA 今日发布 AIOps 平台 Minerva,整合基础设施与 AI 工作负载遥测数据,为 AI 工厂提供端到端可观测性。平台通过动态知识图谱关联故障,每小时分析数十亿个数据点,检测异常并预测故障。内置 AI 助手支持以自然语言排查集群健康状况并获取修复建议,IREN 已使用该平台。

10月14日周三
  1. GitHub Blog · AI & ML56

    GitHub 解读机密检测模型:如何发现更多真实凭据并减少误报

    GitHub 详解机密扫描的两阶段流程,通过正则筛选候选,再由微调的 ModernBERT 结合上下文区分真实凭据与误报。训练覆盖真实凭据、易混淆负样本及合成案例,模型以 ONNX 格式和 8-bit 量化部署;相比此前的 LLM 流程,提交后扫描执行时间中位数降低 86%,推理服务成本降低超过 98%。

10月8日周四
  1. Microsoft Research63

    Microsoft Research 开源 Agent Lightning v1.0,以约 3,500 行代码实现智能体强化学习框架

    Microsoft Research Asia 开源重构后的 Agent Lightning v1.0,让部署时使用的智能体执行框架直接参与强化学习,无需在训练框架内重新实现。

    推荐理由:通过让部署时的智能体执行框架直接参与强化学习,这套方案提供了减少训练重实现成本、保持训练与部署行为一致的方法。

7月29日周三
7月7日周二
  1. Berkeley AI Research67

    UC Berkeley 探讨低成本智能时代数据系统重构

    UC Berkeley 研究团队提出随着推理成本大幅下降,数据系统将围绕面向智能体、依托智能体以及由智能体自动构建三大方向展开重塑。面向智能体需要针对高频推测式探索优化批量查询与跨计划复用;依托智能体需要超越纯文本文件以构建多维属性的结构化记忆与并发一致性基底;同时智能体正具备按工作负载直接合成专用数据引擎的能力,重点在于规避奖励黑客并提供形式化验证。

    推荐理由:原文系统梳理了智能体负载对传统数据库架构的冲击,为开发者重新设计数据存储、状态管理与合成引擎提供了清晰的方向参考。

5月8日周五
  1. Berkeley AI Research62

    BAIR 详解自适应并行推理:大模型推理时扩展的新范式

    Berkeley AI Research(BAIR)撰文系统综述了自适应并行推理(APR)的研究进展,分析大语言模型如何自主决定子任务拆解与多线程并发以解决串行推理的高延迟和上下文退化问题。

    推荐理由:文章系统拆解了自适应并行推理在系统架构与强化学习奖励设计上的路线差异,为长链条推理降延迟提供了系统级视角。