Compute
PulseAugur coverage of Compute — every cluster mentioning Compute across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
美光投资100亿美元用于AI内存研究中心 · 已追踪2个来源
美光科技（Micron Technology）将投资100亿美元在爱达荷州博伊西建立美光研究实验室（Micron Research Labs），专注于先进内存技术、计算架构和半导体制造。该计划旨在解决AI基础设施中日益增长的数据移动和存储瓶颈，着眼于未来10年以上的需求。研究将探索内存与计算的更紧密集成，并重点关注先进封装和材料科学，以支持日益强大的AI系统需求。
-
新研究表明用于推理的强化学习效率低下，并提供了更廉价的替代方案
一篇新论文表明，用于改进语言模型推理的强化学习（RL）仅影响一小部分token。研究人员通过一种需要显著更少计算能力（约1000倍少）的简单方法，成功复制了通过RL实现的性能提升。这一发现对增强模型推理能力所需的复杂RL技术的必要性提出了质疑。
-
人工智能竞争转向集成数据中心基础设施设计
人工智能领域的竞争格局正从仅关注单个芯片转向数据中心基础设施的整体设计。这一演变涉及将计算、内存、存储、网络和电力等各种组件整合到一个统一的系统中，以提高效率和性能。
-
AI规模定律在训练前预测粒子物理模型性能
研究人员开发了一种方法，利用规模定律在粒子物理领域的大型机器学习模型训练完成之前预测其性能。通过在较小的模型上拟合联合模型和数据规模定律，他们能够以高精度预测使用更多计算资源训练的显著更大的模型的损失。这种预测能力可以将计算预算转化为预期的物理性能，有助于为诸如射流标记和背景拒绝等任务有效分配资源。
-
Meta着眼于代理之外的企业人工智能，计划销售API和计算能力
Meta首席执行官Mark Zuckerberg在最近的财报电话会议上透露了公司广泛的企业人工智能战略，表明其机遇超越了单纯的人工智能代理。这家科技巨头计划向企业提供API、计算资源和内部生产力工具，旨在创造新的收入来源。虽然最初专注于通过人工智能代理为现有广告商提供客户服务和支持，但Meta也看到了向外部客户提供其内部开发和生产力工具的潜力，并承认这需要与传统广告业务不同的方法。
-
Sam Altman 敦促 AI 构建者专注于未来模型，而非当前收益
Sam Altman 最近的采访强调，AI 构建者应专注于开发未来更强大的模型，而不是优化当前 AI 功能。他建议创始人相信 AI 的指数级增长，并投资于未来几年具有经济效益的技术，这与他因市场压力而低估计算投资的错误进行了类比。Altman 还将当前的 AI 时刻视为一个关键的转折点，呼吁去中心化和普遍的 AI 访问以避免威权主义，并强调了拥抱混乱和从成功的项目中战略性地转向以追求更大机遇的重要性。
-
Intel计划于2026年前通过3D堆叠彻底改革芯片设计
Intel计划从2026年开始，通过专注于3D堆叠和TSV技术，显著改变半导体设计。这一战略性转变旨在将内存组件置于更靠近处理单元的位置。此举旨在克服当前2D芯片架构固有的物理限制，特别是针对AI应用。
-
Ornn 融资 3300 万美元用于建立 AI 算力交易市场
Ornn 是一家获得 Andreessen Horowitz 支持的初创公司，已获得 3300 万美元的种子轮融资，用于建立一个交易 AI 算力的市场。该平台旨在使公司能够对计算资源的波动成本进行对冲，类似于石油交易者使用期货合约的方式。虽然由于技术的快速进步和其无形性，算力并非完美的商品，但 Ornn 寻求建立必要的金融基础设施来支持对 AI 算力的巨额预期投资。
-
Fastly 使用基尼系数进行 AI 驱动的边缘容量规划
Fastly 为其边缘网络开发了一种新颖的容量规划模型，该模型利用了通常在经济学中用于衡量不平等的指标——基尼系数。事实证明，与传统的机器学习模型相比，这种方法在预测游戏发布或体育赛事直播等重大事件期间的流量波动方面更有效。基尼系数有助于 Fastly 理解流量不平等，这直接影响缓存行为、CPU 利用率和整体网络余量，从而能够做出更准确的基础设施投资决策。
-
AI 推理需要超越计算的可扩展内存
人工智能行业正将其基础设施重点从模型训练转向推理，这给内存管理带来了新的挑战。与计算和带宽密集型的训练不同，推理需要高效地存储和提供持久的、驻留在内存中的数据。这需要将内存和计算解耦，以避免过度配置昂贵的处理器，并根据用户活动和上下文窗口的扩展独立扩展内存容量。
-
AI讨论引发关于“算力”作为名词的争论
“算力”一词最近被广泛用作名词，特别是在关于人工智能及其相关成本的讨论中。这种语言上的转变，虽然反映了语言的演变，但也招致了一些人的批评，他们认为这种用法令人不适且语法不正确，并将其与“民主党”被误用作形容词相比较。
-
神经程序合成模型在泛化到训练数据之外时遇到困难
研究人员开发了一个受控环境，以严格测试神经程序合成模型的泛化能力。他们的实验表明，虽然 Transformer 模型在已知数据上表现良好，但在生成新颖程序方面却面临显著困难，性能下降超过 30%。研究表明，增加计算能力的回报递减，遵循对数线性关系，并表明最大化跨各种流形（manifolds）的训练多样性对于稳健的泛化至关重要。研究结果强调了需要新的基于搜索的方法来克服当前的扩展限制。