Open Compute Project
PulseAugur coverage of Open Compute Project — every cluster mentioning Open Compute Project across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
NVIDIA 向 OCP 开放 Vera Rubin AI 工厂设计以实现全球扩展
NVIDIA 将其 Vera Rubin 架构设计贡献给开放计算项目 (OCP)，以促进 AI 工厂的全球扩展。该举措涉及 AI 基础设施的开放标准，包括机架和计算托盘设计，以及 AI 网络方面的进步。这些贡献旨在加速部署、提高电源效率，并实现全球更可靠、更具可扩展性的 AI 系统。
-
AMD发布用于代理式AI服务器的Helion参考设计 · 跟踪4个来源
AMD在OCP全球峰会上发布了Helion，一款用于代理式AI服务器的新型参考机架规模设计。该设计基于开放计算项目（Open Compute Project）的ORv4规范，在纯CPU配置或包含GPU和网络的混合配置中，最多可容纳32,768个Zen 6核心。Helion机架旨在支持日益增长的个人AI代理需求，并将于2027年上半年开始由OEM和ODM厂商提供。
-
AI工作负载和新架构挑战传统数据中心UPS系统
由于基础设施的演变和AI驱动的密集化，数据中心不间断电源（UPS）的传统作用正在被重新评估。与电力相关的故障，其中UPS故障是主要原因，占IT服务中断的20%以上。分布式DC架构和侧挂式电源柜等新兴技术正在挑战集中式UPS系统的必要性，而AI工作负载的强烈且波动的电力需求正将重点从保护IT免受电网影响转移到保护电网免受IT负载影响。
-
固态变压器有望彻底改变人工智能数据中心的电力基础设施
固态变压器（SST）正成为下一代人工智能数据中心的关键技术，能够将中压交流电直接转换为 800 V 直流电。转向高压直流电（HVDC）可提高效率、减小设备尺寸并简化可再生能源的集成。碳化硅（SiC）半导体的应用是 SST 性能的关键，它具有更高的耐压、耐温和更快的开关速度，这对于人工智能工作负载苛刻的电力需求至关重要。
-
Meta AI 发布 MetaRoCE，用于 AI 规模以太网网络
Meta AI 开发了 MetaRoCE，这是一种新的传输协议，旨在提高大型以太网网络上 AI 训练的效率。与依赖无损网络的传统 RoCE 不同，MetaRoCE 将网络视为有损网络，并将排序、路径选择和恢复推送到网络接口卡 (NIC)。这种方法旨在减少网络摩擦，并释放海量 GPU 集群中被闲置的计算能力。Meta 将通过 Open Compute Project 发布该规范、参考实现和合规性测试套件，预计将于 2026 年底出现潜在的硬件支持。
-
人工智能领袖呼吁国际放缓发展，以应对安全担忧 · 跟踪1个来源
包括OpenAI和Anthropic在内的领先人工智能公司，以及千余名员工，公开支持一项旨在刻意放缓人工智能发展的国际努力。此次呼吁放缓的根源在于近期发生的网络安全事件以及对人工智能快速、不受控制发展的担忧。然而，对于在国际上强制执行这种放缓的可行性，仍然存在怀疑，特别是由于在开发能够抵御国家级攻击的隐私保护验证方法方面存在挑战。
-
SanDisk、SK Hynix 推出面向 AI 内存的高带宽闪存规范
SanDisk 和 SK Hynix 联合推出了高带宽闪存 (HBF) 规范，这是一项旨在提高 AI 推理系统内存容量和带宽的新开放标准。该技术旨在弥合高带宽内存 (HBM) 的高性能与 NAND 闪存的大容量之间的差距。HBF 规范的目标是每个封装实现高达 3 TB/s 的带宽和 512GB 的容量，在容量上可能超越 HBM4 的能力，并为 AI 工作负载提供新的内存层级。
-
科技行业投资1万亿美元用于人工智能，并将成本转嫁给客户
科技行业已在人工智能领域投入了惊人的一万亿美元，此举正在推高硬件和软件的成本。这项巨额投资正推动着史上最大规模的基础设施建设，微软、Google、Amazon和NVIDIA等公司处于领先地位。增加的开支最终将转嫁给客户，影响人工智能服务和产品的整体市场。
-
Intel 和 AMD 合作推出 ACE CPU 扩展，实现 x86 高效 AI
Intel 和 AMD 合作推出了新的 ACE CPU 扩展，旨在增强 x86 处理器上的 AI 工作负载。这些扩展利用现有的 AVX10 寄存器，但集成了专用的矩阵乘法硅片，以提高能效和开发便利性。与 AVX10 相比，ACE 扩展每个指令可以执行更多的操作，有可能加快 AI 模型执行速度并更好地利用资源。这种标准化方法将允许 PyTorch 和 TensorFlow 等 AI 框架针对一致的 x86 目标进行一次代码优化，支持广泛…
-
新框架dMX优化LLM位宽以提高效率
研究人员开发了dMX，一种用于优化大型语言模型中浮点格式位宽的新型可微分框架。该方法允许学习每层的位宽分配，超越了统一量化，以提高准确性和性能。在Llama和Qwen3等模型上的实验表明，与现有的启发式方法相比，dMX可以在模型质量和部署效率之间实现更好的权衡。
-
Majestic Labs发布Prometheus服务器，配备128TB内存
AI初创公司Majestic Labs正在开发一款名为Prometheus的新服务器，旨在通过大幅增加内存容量来克服当前AI硬件的限制。该服务器将配备高达128TB的内存，远超现有解决方案，并采用以DRAM为中心的架构和专有接口。这种方法旨在通过提供比计算能力更高的内存带宽和容量，来解决阻碍大型语言模型（LLM）性能的“内存墙”问题，尤其对大型模型而言。
-
新的MX-SAFE格式通过自适应量化大幅降低AI能耗
研究人员推出了一种新颖的动态量化格式MX-SAFE，旨在降低深度学习的计算成本。该格式通过自适应分配指数和尾数的比特，增强了现有的微缩放（MX）标准，支持训练和推理，并提高了精度。所提出的MX-SAFE格式在现有MXFP格式上平均精度提高了高达3.55%，并在专用加速器上实现了与BF16基线相当的精度，同时能耗降低了24.9%。
-
Open Compute Project 推广利用数据中心废热
Open Compute Project 正在倡导地方政府利用数据中心产生的废热。该倡议旨在重新利用这些设施产生的巨大热量输出，这些热量通常被排放到大气中。通过捕获和再利用这些热量，社区可以受益于一种可持续的能源，用于供暖建筑和基础设施。