Ramp AI Index:美国企业AI支出下降但用量创新高
Ramp经济学家Ara Kharazian发布的Ramp AI Index显示,美国企业AI支出在7月见顶后下降,用量则自峰值以来增长约50%,并在9月底创下新高。
Ramp经济学家Ara Kharazian发布的Ramp AI Index显示,美国企业AI支出在7月见顶后下降,用量则自峰值以来增长约50%,并在9月底创下新高。
ServiceNow CoreAI 在 Hugging Face Blog 介绍 AutoSynthData,把目标模型在企业环境中的失败与更强教师模型的成功转化为可执行训练任务,每个任务由系统规范、用户提示词和验证器组成,并通过正向验证、负向验证与批评修复等质量关卡筛选。
Amazon Quick 推出 Live Data in Apps,让 AI 构建的 Quick 应用在每次打开时实时查询受治理的 QuickSight 数据集,取代构建时的静态快照。
Olmo-core 3 是面向大规模 MoE 训练的开放框架升级版,可扩展到万亿参数规模,是下一代 Olmo 的核心系统之一。
推荐理由:原文给出吞吐对比与并行策略取舍,读者可据此评估开放 MoE 训练栈的实际收益。
uniopen 通过在 Amazon SageMaker AI 上对 Amazon Nova 2 Lite 进行监督微调与提示词级输出优化,使其适配自身双轴审核策略(9 类行为 × 3 类主体)。
OpenAI 与 Synopsys 签署多年期战略合作,共同开发面向芯片设计的专用 AI 模型 GPT-Synopsys,结合 OpenAI 的 AI 技术与 Synopsys 的 EDA 工具,目标是让模型能推理芯片设计与验证并直接操作 Synopsys 工具,工程师负责下达设计目标并审核输出。
Microsoft Research 实习期间开发的机器学习管线可对美国本土 66,935 座变电站生成空间天气风险估计,提前 30-60 分钟预警,评估期内检出近 80% 的重大空间天气事件。
Google Research 提出 Diffusion Controller 框架,将扩散模型的去噪过程重构为连续控制问题,用轻量"转向阻尼器"网络统一推理时引导与微调两类控制方法。
NVIDIA 发布开源表格基础模型 Kumo Tabular,属于 NVIDIA Kumo Structured 模型系列,已上线 Hugging Face。给定带标签的表格,它在单次前向传播中直接预测新行标签,支持分类与回归,无需训练、调优或特征工程。
推荐理由:原文交代了模型架构与人工数据预训练流程,读者可据此理解表格基础模型如何在免调优下兼顾精度与效率。
微软研究院发布 Quine,一个面向生物学复杂性的 AI 研究系统,由生物世界模型和连接模型、科学工具、文献与实验的交互式 harness 组成。该系统与 Broad Institute 合作用于胰腺导管腺癌研究,预测并优先排序数千种化合物,从缩小搜索空间到选出候选化合物仅用一个周末,湿实验验证中排名最高的化合物产生了最大的预期细胞状态转变。
推荐理由:微软研究院公开 Quine 的多模态生物世界模型与实验闭环,读者可了解 AI 参与药物发现的具体流程与验证结果。
HPE 提出,当 AI 从试验走向生产、形成客服与 IT 等常驻智能体工作负载后,按 token 逐次消费的模式会让 AI 支出变成难以预测的月度变动成本。企业需按自身工作负载测算"自持容量的盈亏平衡点",判断持续用量是否足以支撑自建容量。HPE 引用 Deloitte 2026 企业 AI 报告称,2025 年员工 AI 使用率上升 5%,至少 40% AI 项目投产的企业占比预计半年内翻倍。
Peak XV Partners 将旗下种子投资平台 Surge 的单笔投资上限从 300 万美元提高到 500 万美元,并公布 Surge 12 批次的 18 家初创公司。该批次覆盖 AI、机器人、太空、医疗、金融科技等领域,Peak XV 在本批次投入超 5000 万美元,这些公司累计融资逾 9000 万美元。18 家中仅 5 家专注印度市场,其余 13 家瞄准全球市场。
微软亚洲研究院新加坡(MSRA – Singapore)作为微软在东南亚的首个研究实验室,成立一年来围绕下一代 AI 模型与智能体系统、领域专用 AI、AI 原生研究实践、生态与人才培养四大方向推进工作。实验室与新加坡医疗生态伙伴合作探索多模态医疗 AI 与自演化诊断智能体,并联合 EDB 于 2026 年 2 月举办物流与运输 AI 高管圆桌会。
Mistral 在慕尼黑开设德国中心,组建专注 Physics AI 与工业 AI 的研究团队,并计划到 2030 年建成 1 吉瓦欧洲算力。该中心将与 BMW 合作碰撞仿真、与 Siemens Energy 合作工业 AI 应用,同时与慕尼黑工业大学(TUM)合作利用风洞设施开发汽车空气动力学数字孪生。
AWS 发布方案,用 CloudFormation 和 Terraform 模板自动化 Amazon Textract 适配器跨账户生命周期管理,将适配器 ID 外置到 Systems Manager Parameter Store 后,生产环境更新无需重新部署应用,原本需数小时至数天的协调工作缩短到数秒。方案包含预分类路由、生产安全配置,并支持将训练好的适配器从训练环境推广到生产环境。
AWS 结合 Amazon EKS、EFA 与 DeepEP 优化 MoE 模型的强化学习后训练,实现吞吐量提升 40%。该架构针对 rollout 生成与策略训练并行的异步 RL 负载,缓解 Expert Parallelism 带来的跨节点 all-to-all 通信瓶颈,适用于 RLHF、GRPO 等大规模 RL 训练流程。
在 Amazon SageMaker HyperPod 上使用开源 RL 框架 SkyRL,通过 GRPO 对 Qwen3-VL-8B 视觉语言模型进行多模态强化学习后训练,在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
Amazon SageMaker HyperPod 搭配 Qumulo 的 Cloud Data Fabric(CDF)可让训练算力与数据分处不同 AWS Region,无需复制数据即可远程读取。
Endura Therapeutics 的 Adrian Sanborn 提出,AI 对科学的影响分为两类:Foundries 用新一代测序、多重检测和物理自动化把实验数据生成速度提升一个数量级,但真正差异化资产是实验数据本身;Navigators 则把 AI 嵌入公司日常流程,用更快的代码和决策加速实验迭代。导航式改造无需专有模型或海量数据集,早期初创公司因没有遗留系统而推进最快。
NVIDIA 加入由 Google DeepMind、EMBL-EBI 等组成的全球研究联盟,通过 AlphaFold Database 开放 2800 多种病毒的蛋白复合物预测 3D 结构,供任何科学家免费使用。
推荐理由:NVIDIA 联合 Google DeepMind 等机构开放 2800 多种病毒的蛋白复合物结构预测,读者可了解开放科学在疫情准备上的具体做法。
NVIDIA 验证工程师 Sakeena Fiza 在数据中心系统工程实验室负责产品量产前的硬件验证,她回忆 NVIDIA Rubin GPU 首次在系统级成功枚举时全场欢呼。她将验证工作比作破案,目标是在客户之前发现问题,单块板卡可能含数万个组件,一个机架接近 50 万个。
Latent Space 播客访谈 Radical Numerics 联合创始人兼 CEO Eric Nguyen,讨论生物安全为何是一场 AI 攻防竞赛。Eric 曾在 Arc Institute 参与 Evo 和 Evo 2 等基因组语言模型的开发,这些模型后来被用于生成完整的噬菌体基因组并合成功能性病毒。
Latent Space 发布对 John Platt 的访谈,介绍他与 Google 团队推出的 Empirical Research Assistance(ERA)。
英国 AI Security Institute(AISI)正采用 EvalEval 的 Every Eval Ever schema 与 Evaluation Cards 平台公开分享评测结果,以提升评测科学的可复现性。
Latent Space 播客访谈 TypeSafe AI CEO、InstructGPT 论文合著者 Diogo Almeida,围绕其新发布的 Jev 模型展开。
NVIDIA 推出 DSX Ready 认证计划,用于审核合作伙伴产品是否符合 NVIDIA DSX AI 工厂参考设计要求,首批覆盖电池储能系统(BESS)和冷却分配单元(CDU)两类。
NVIDIA 在埃及大埃及博物馆举办 AI 生态活动,其埃及深度学习学院学员规模一年增长超十倍,非洲已培训超 8.5 万名开发者,尼日利亚成为该学院全球第二大市场。非洲已有四座 AI 工厂宣布或上线,另有 656 兆瓦新增算力在建,Cassava Technologies 计划在埃及、肯尼亚、尼日利亚和摩洛哥部署,投资或达 7.2 亿美元。
微软研究院在 Nature 发表逆合成模型 RetroChimera,并开源其实现与权重。该模型融合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc,通过学习式集成对两者预测重排序,在盲测中化学家更偏好其单步反应预测。
MIT Technology Review 与 Times of San Diego 用 15 个月完成首份美墨边境监控塔附近死亡的综合地图与分析,数据追溯至 2015 年。
Hugging Face 发布 tokenizers v1 候选版本,在 Apple M4 Max 单线程下编码速度比 v0.23 快 3 至 30 倍,八线程扩展效率为线性的 76%,且输出 token ID 与 v0.23 完全一致。
推荐理由:原文给出 v1 与 v0.23 的逐项基准对比和实现改动,可据此判断分词器在训练与推理管线中的实际提速空间。
Google Research 发布 MilleMiglia,一个用 C++ 编写的实例生成器,用于为中程物流配送问题生成真实且保护隐私的基准数据,源码与文档已在 GitHub 公开。
Good Start Labs 创始人 Alex Duffy 在 Latent Space 访谈中讨论游戏训练技能能否迁移到真实工作。公司在 1830 铁路游戏中训练 30B 模型并测试金融研究任务,发现只有多轮终端智能体设计提升了 Finance-Agent 基准表现。Duffy 称现有证据支持目标导向执行与推理可迁移,但迁移的广度与可靠性仍是开放问题;公司主要向前沿实验室销售数据与学习环境。
Google Research 提出 Retrieve-for-Train 框架,通过离线强化学习发现奖励对齐的 fan-out 查询并编译为监督信号,再蒸馏进一个 53.9M 参数的扩散检索器,实现推理时单次非自回归生成完整结果集,无需 CoT 推理 token。
NVIDIA 介绍 DSX 平台如何在固定电力预算下提升 AI 工厂产出:Lambda 在 HGX B200 服务器上首次验证 DSX MaxLPS,用与 16 节点满功率相同的预算运行 19 节点,集群 token 吞吐从约 4 million tokens per second 提升到 5 million(+24%),性能功耗比提升 23%。
推荐理由:原文给出了 Lambda 实测的吞吐与能效数字,以及电网信号自动降载的生产案例,可据此评估其对电力受限场景的实际价值。
Google Research 在 ACL 2026 提出 ToolGrad,用“先答案后问题”范式生成工具调用数据:先构造真实 API 工作流,再反向标注用户查询,替代 ToolBench、ToolACE 的 DFS 试错搜索。
OpenAI 在 ChatGPT Work 中推出 Data agent,用户可连接公司数据、挖掘洞察,并用自然语言借助 AI 构建交互式看板。
Google DeepMind 发布 AlphaGenome Atlas,一个包含人类基因组全部 90 亿个单核苷酸变异效应预测的平台,规模达 1PB,是 AlphaFold 数据库的 30 多倍。
推荐理由:读者可了解 9 亿单核苷酸变异预测数据集如何把基因组变异解读从单点分析扩展到全基因组视图。
Google 与 HHMI Janelia、剑桥大学等合作在 Cell 发表论文,发布完整雄性果蝇大脑与中枢神经系统连接组图谱,包含超过 166,000 个神经元和 1.25 亿个突触连接,是迄今按神经元数量计算最大的脑图谱。
推荐理由:Google 与 HHMI Janelia 等合作发布迄今神经元数量最多的脑图谱,读者可了解 AI 在连接组学中的具体作用。
Google DeepMind 与 Google Research 发布 WeatherNext 3,称其为迄今最先进、最准确的全球天气模型,直接学习实时卫星观测数据,每小时生成一次预报。
推荐理由:原文给出分辨率、更新频率与降水精度提升的具体数字,可据此判断 AI 天气预报在本地化场景的进展。
作者用 TRL 和 OpenEnv 开源复现了 Surya Narreddi 训练语言模型写 p5.brush 代码画水彩的配方,参考池数据集、RL 环境、训练脚本和模型全部公开,整条流水线可在 Hugging Face 上一条命令跑通。
推荐理由:文章完整拆解了用 TRL 和 OpenEnv 复现审美奖励训练的全过程,含三组奖励配比对比与踩坑记录,可直接迁移。