AI accelerator
PulseAugur coverage of AI accelerator — every cluster mentioning AI accelerator across labs, papers, and developer communities, ranked by signal.
- developed Tensor Processing Unit 90%
- instance of Tensor Processing Unit 70%
- uses Tensor Processing Unit 70%
- used by graphics processing unit 70%
- used by central processing unit 70%
- uses Alphabet Inc. 70%
- instance of Qualcomm 70%
- used by Tensor Processing Unit 70%
- uses Qualcomm 70%
- uses central processing unit 70%
- used by machine learning 70%
- used by dynamic random-access memory 70%
15 天有情绪数据
-
Microsoft 任务管理器将监控 AI 工作负载
Microsoft 正在增强其 Windows 任务管理器，为用户提供对 AI 工作负载性能更详细的洞察。更新后的实用程序将显示神经网络处理单元 (NPU) 和图形处理单元 (GPU) 的每个进程使用情况指标，使用户能够监控哪些应用程序正在利用硬件进行 AI 任务。此功能旨在让用户更清楚地了解系统与 AI 相关的资源消耗情况。
-
TPU与Mooncake合作进行推理优化
SemiAnalysis报道称，张量处理单元（TPU）正与开源推理优化库Mooncake合作。此次合作旨在将TPU的能力集成到Mooncake Store中，从而提高生产推理的总拥有成本效益。初步实现将利用TENT在横向扩展网络上进行KVCache DRAM P2P池化，而不是使用ICI/NVLink。
-
“Attention Is All You Need”论文作者离开Google，预示着TPU货币化转型
开创性论文“Attention Is All You Need”的所有合著者现已离开Google。Jeff Dean和Sanjay Ghemawat等关键人物已离职创办Discovery Loop，而其他人则加入了OpenAI和Anthropic等主要AI实验室。这次人才外流表明Google的战略重心可能正在从前沿模型开发转向其张量处理单元（TPU）基础设施和云服务的货币化。
-
Chenghengwei 在新款边缘 AI 芯片中集成 NPU 和 GPGPU
Chenghengwei 推出了其首款旗舰 SoC CH3715，该芯片集成了 NPU 和 GPGPU。这一决策偏离了当前边缘 AI 芯片优先考虑 NPU 的行业趋势。公司 CEO Chu Libin 解释说，CH3715 的设计旨在应对机器视觉、雷达和工业设备等复杂现实场景的需求，这些场景需要 AI 推理、高精度浮点计算、图像处理和低延迟控制的结合，而单一 NPU 无法完全满足。通过将这些多样化的计算能力集成到单个芯片上，Cheng…
-
NPU 卸载以时间与性能为代价降低机器人训练能耗
研究人员开发了一种通过将部分计算卸载到神经网络处理单元 (NPU) 来降低机器人策略训练能耗的方法。该方法涉及冻结视觉编码器，并在 NPU 上运行其前向传播，同时在 GPU 上训练动作生成模块。虽然此方法将能耗降低了高达 27.9%，并减少了 GPU 内存分配，但与仅使用 GPU 的基线相比，训练时间增加了高达 37.7%，策略成功率略有下降。
-
谷歌据报道将采用AMD设计下一代集成CPU核心的TPU
据报道，谷歌正与AMD合作设计其下一代张量处理单元（TPU），代号为v10。这款新的TPU可能将CPU核心直接集成到封装上，此举旨在提高强化学习和其他CPU密集型AI工作负载的性能。这一潜在的合作关系凸显了谷歌在探索结合专用AI计算和通用处理能力的混合AI加速器设计。
-
谷歌AI人才流失预示着资本配置的转变
谷歌正经历一场重大人才流失，包括Jeff Dean和Sanjay Ghemawat等关键人物在服务数十年后离职。据报道，Google DeepMind的创始人Demis Hassabis也曾考虑离职，但最终被劝说留下。尽管这些离职可能看起来是公司AI前景的负面信号，但分析表明这可能预示着资本和计算资源的配置转移。这一举动可能意味着现有AI基础设施正被优先用于当前模型，可能会牺牲开放式研究。
-
Google 的 TPUv8i 进入内部软件启动阶段，RPAv3 在外部功能正常 · 跟踪 3 个来源
SemiAnalysis 报道称，Google 的下一代 TPUv8i 处理器正在其 g3 代码库和公共堆栈上进行内部软件启动。该公司还将对其 TPU 堆栈进行更多外部化，包括 Ragged Paged Attentionv3 (RPAv3) 运算符，该运算符现在可以在外部堆栈上运行。这些进展表明 Google 正在努力使其先进的 Tensor Processing Unit 技术更广泛地可用和集成。
-
指南提供将 TPU 工作负载迁移到 Google Compute Engine 的技巧
本指南提供了将工作负载从 Cloud TPU API 迁移到 Google Compute Engine (GCE) 的故障排除技巧和窍门。旨在帮助用户顺利完成过渡，确保其 Tensor Processing Unit (TPU) 部署的迁移过程顺畅。
-
高通展示 Snapdragon X PC 的 5 款 AI 代理，支持云端独立运行
高通公司展示了五款可在搭载 Snapdragon X 处理器的 PC 上运行的 AI 代理。这些代理利用了处理器的 AI 加速器，提供高达 80 TOPS 的性能，从而实现云端独立运行。此举展示了高通将先进的 AI 功能直接引入个人计算设备的努力。
-
vLLM 发布 0.27.0 版本，优化 TPU 支持
vLLM 项目发布了 0.27.0 版本，其中包括一项更新，为张量处理单元（TPU）禁用了 kimi_vit 的动态 torch.compile。此版本由 Linkun Chen 签发，是从之前的提交中挑选出来的。
-
阿里巴巴发布 Qwen3.8-27B 模型；AI 助力 GPU 移植；LLM 基础设施详解
阿里巴巴的 Qwen 团队发布了 Qwen3.8-27B，这是一个拥有 270 亿参数的密集模型，可容纳在单个 GPU 上，并支持 100 万 token 的上下文窗口，在 vLLM 中实现了 Day-0 集成。同时，研究正在探索 AI 辅助的 GPU 移植技术，用于遗留科学应用程序，展示了显著的速度提升和数值验证。此外，还详细介绍了 LLM 的 GPU 基础设施的更广泛格局，涵盖了硬件选项和优化技术，如连续批处理和层流式处理，以最大…
-
Google DeepMind 开源 AI 以更早地预测飓风 · 追踪 8 个来源
Google DeepMind 开发了一个名为 WeatherNext 的 AI 模型，该模型能够比现有模型更准确、更提前地预测飓风的路径和强度。该模型发表在《自然》杂志上，能为预报员提供平均一天多的预警时间，这是一个重大进步，通过传统方法可能需要十年才能实现。该 AI 在海量的天气和气旋信息数据集上进行了训练，使其能够用单一模型预测风暴路径和强度。Google 已在 GitHub 上开源了 WeatherNext 模型及其代码，允许…
-
Google DeepMind 开源先进的 WeatherNext 气旋预报 AI
Google DeepMind 已开源其 WeatherNext AI 模型，该模型显著提升了气旋预报能力。WeatherNext 发表在《自然》杂志上，可提供平均多 24 小时的风暴路径和强度预报提前量，将三天预报的准确性与之前的两天预报相匹配。该模型在广泛的大气数据和历史气旋记录上进行了训练，能在不到一分钟的时间内生成 15 天的概率预报。此次发布包括代码和模型权重，可供学术和业务使用。
-
Mirendil 获得超 1 亿美元 Google Cloud 协议，用于自我改进的 AI 研究 · 跟踪 3 个来源
AI 初创公司 Mirendil 已与 Google Cloud 达成一项重要的多年合作伙伴关系，价值超过 1 亿美元。该协议将为 Mirendil 提供大量的计算能力，包括 Google 的 TPU 和 Nvidia GPU，以加速其在自我改进 AI 方面的研究。此次合作旨在利用 AI 自动化科学发现，并推动医学和材料科学等领域的发展。
-
Google 资深工程师 Jeff Dean 在任职 27 年后离职
谷歌的关键工程师 Jeff Dean，以其在 MapReduce、TensorFlow 和 TPU 方面的贡献而闻名，在谷歌任职 27 年后离职，将开启一项新事业。谷歌将此次离职描述为“战略演变”的一部分。此举与 Demis Hassabis 的新角色同时发生，引发了对这家科技巨头人才大规模流失的讨论。
-
Anthropic 确认组建内部 AI 芯片设计团队以提高 Claude 效率
Anthropic 公开确认其进军定制 AI 芯片设计领域，并成立了内部芯片团队。该计划旨在提高规模化效率和降低成本，侧重于硬件和 AI 模型同步开发的协同设计方法。虽然 Anthropic 将继续利用 AWS、Google、Nvidia 和 AMD 等合作伙伴的硬件，但这一战略发展标志着领先的 AI 实验室正朝着更全面地控制其计算基础设施的更广泛趋势迈进。
-
Google 发布 TPU 性能分析的开源微基准测试
Google 发布了旨在评估其张量处理单元 (TPU) 性能的开源微基准测试。这些基准测试旨在查明与高带宽内存 (HBM)、网络和注意力机制相关的硬件瓶颈。这些工具提供的详细分析对于准确计算推理成本和为 AI 硬件开发实际的屋顶线模型至关重要。
-
Google 发布 TPU 微基准测试套件以优化 ML 工作负载
Google 发布了一套新的微基准测试，旨在为其张量处理单元 (TPU) 提供详细的性能指标。该工具旨在帮助开发者识别和解决其机器学习工作负载中与计算、内存或网络性能相关的特定瓶颈。目标是实现更大规模 AI 部署的更精确优化。
-
Nexus Data Centers 为 Anthropic AI 设施寻求 150 亿美元融资，Google 提供担保并获得股权
据报道，Nexus Data Centers 正在进行高级谈判，为其在德克萨斯州的一个将服务于 Anthropic 的 AI 数据中心项目筹集约 150 亿美元。Google 预计将为 Anthropic 的租赁和电力支付义务提供数十亿美元的融资担保，作为回报，Google 预计将获得该数据中心和电力项目约 20% 的股权。Anthropic 计划在该设施中使用 Google 和 Broadcom 共同设计的 Tensor Proce…