跳到正文

公司与模型

NVIDIA 英伟达 最新动态

英伟达的 GPU 新品、CUDA 软件生态、机器人平台与 AI 算力供需。

124 条精选近 30 天 107 条共收录 505 条

更新

精选归档 · 第 6 页

10月28日周三第 101–120 条
  1. 智东西78

    英伟达30亿美元投资Meta,并扩大Muse智能体合作

    英伟达宣布在Meta的股权发行中投资30亿美元,双方将扩大在个人智能体产品Muse及Muse系列模型上的合作,以提升模型的推理和训练性能。这笔投资是Meta总额950亿美元募资计划的一部分,AMD、博通也有意向投资。Meta预计全年资本支出达1350亿至1450亿美元,并计划扩大部署英伟达Vera Rubin、Vera CPU、Spectrum-X网络和BlueField-4。

    推荐理由:英伟达30亿美元入股Meta并绑定Muse智能体,读者可据此看清算力与应用层的合作走向。

  2. IT之家72

    甲骨文扩大与英伟达芯片合作,并首次引入谷歌 TPU 和 Cerebras 芯片

    甲骨文宣布扩大与英伟达的云端 AI 芯片合作,将大规模部署英伟达最新一代 Vera Rubin AI 服务器,规模达数吉瓦级。甲骨文同时推进供应多元化,将首次向客户提供谷歌 TPU,成为谷歌以外首家提供谷歌 TPU 的超大规模云服务商,该服务预计 2027 年推出,并计划提供 SambaNova 和 Cerebras 的推理芯片。

    推荐理由:甲骨文在扩大英伟达部署的同时引入谷歌 TPU 与 Cerebras,读者可看到云厂商在 AI 算力供应上的多元化路径。

10月27日周二
  1. The Decoder72

    英伟达向 Meta 投资 30 亿美元,Meta 拟募资 950 亿美元扩建 AI 基础设施

    英伟达将向 Meta 计划中的股权发行投资 30 亿美元,两家公司同时宣布扩大围绕 Meta AI 产品 Muse 的合作。Meta 计划为下一代 AI 智能体使用更多英伟达基础设施,包括 Vera Rubin 系统和 Vera CPU,并拟通过股票发行募资至多 950 亿美元用于 AI 基础设施投入。

    推荐理由:英伟达以 30 亿美元认购 Meta 股权,同时两家扩大 Muse 合作,读者可据此观察算力供应商与客户之间的资金循环。

10月25日周日
  1. The Decoder78

    Nvidia 开源机器人视频标注引擎 Flora,称成本比 GPT-6 Astra 低 125 倍

    Nvidia 开源数据引擎 Flora,用于为机器人视频生成动作分段、过程奖励和结果评分三类标注,称标注一小时视频约 0.72 美元,而 GPT-6 Astra 约 88.50 美元。

    推荐理由:原文给出了成本估算、基准对比和已知短板,读者可据此判断开源标注工具在机器人数据管线中的实际位置。

  2. IT之家72

    开源项目 GPU Unlock 解锁英伟达 RTX 30 系列显卡隐藏 AI 算力,实测提升最高约 60%

    GitHub 用户 Zagitta 开发的开源项目 GPU Unlock 可解除英伟达 RTX 30 系列(安培架构)显卡在 FP16/BF16 张量核心运算中的指令发射速率限制,无需修改驱动或刷写 VBIOS。

    推荐理由:原文给出了不同显卡、不同精度下的实测提升与失效案例,可据此判断该解锁方案在本地 AI 负载中的适用边界。

10月22日周四
10月21日周三
  1. NVIDIA Blog62

    英伟达 GTC Berlin 2026:黄仁勋发布 DSX POD 与 OpenShell 智能体安全架构

    英伟达 CEO 黄仁勋在 GTC Berlin 2026 主题演讲中发布 DSX POD 参考设计,将 Vera Rubin AI 工厂装入模块化集装箱,现场部署时间可从六个月缩短至 14 天。

    推荐理由:黄仁勋在 GTC Berlin 集中发布 DSX POD、OpenShell 安全智能体架构与 Agent 知识层,可据此观察英伟达如何把智能体纳入自家全栈基础设施。

  2. NVIDIA Blog75

    NVIDIA 扩展开源模型家族,覆盖语言、机器人、生物与量子计算

    NVIDIA 扩展其开源模型家族,覆盖语言、机器人、生物和量子计算,包括新的 Nemotron 3.5 Super VL、Nemotron 3.5 Bolt、Nemotron Retriever、Kumo 结构化数据模型、Cosmos 3.5 世界模型、Alpamayo 2 Edge、BioNeMo 与 Ising。

    推荐理由:NVIDIA 一次性开放语言、世界模型、蛋白质设计与量子校准等多类模型,读者可据此判断开源权重在多行业落地时的选择空间。

  3. NVIDIA Blog60

    NVIDIA 在 GTC Berlin 公布 RTX Spark、DGX Spark 与 DGX Station 本地 AI 更新

    NVIDIA 在 GTC Berlin 展示本地 AI 硬件全线产品并公布多项更新:上周发布的 RTX Spark 面向 Windows PC 运行个人智能体,DGX Spark 64GB 于 10 月 23 日由合作伙伴开售,DGX Station 面向企业前沿负载、Windows 版本预计 12 月推出。

    推荐理由:原文集中列出本地 AI 硬件在多机集群、模型启动器和企业集成上的变化,可据此判断桌面端跑前沿模型的边界。

10月16日周五
10月15日周四
  1. NVIDIA73

    NVIDIA 发布 Nemotron 3.5 Super VL,扩充其 Nemotron 开源模型系列,将视觉理解、推理与工具调用结合,用于帮助 AI 智能体在更短时间内完成更多工作。该模型支持文本、图像、文档和视频理解,总参数 120B、激活参数 12B。NVIDIA 表示开源模型让用户能按自己的方式定制、部署和构建。

    引用NVIDIA AI@NVIDIAAI

    Meet NVIDIA Nemotron 3.5 Super VL Our new open model combines reasoning and tool use with text, image, document, and video understanding for long-running AI agents. 120B total parameters with 12B active 🧵

    推荐理由:官方给出新开源多模态模型的总参数与激活参数,读者可据此判断其本地部署与定制空间。

9月6日周日
8月22日周六
7月27日周一
  1. Ilya Sutskever72

    Ilya Sutskever 转发 SSI 的公告,SSI 宣布与 NVIDIA 达成长期战略合作,NVIDIA 将对 SSI 进行大额投资,使其未来 12 个月算力提升 10 倍。SSI 表示其研究已到值得扩展规模的阶段,并称对 NVIDIA 的信心感到荣幸。

    引用SSI Inc.@ssi

    We are announcing a long-term strategic partnership with NVIDIA. NVIDIA is making a substantial investment in SSI that will let us 10x our compute in the next 12 months. We reached the point where our research is worth scaling and with this partnership we will be able to. We are honored by NVIDIA’s conviction.

    推荐理由:SSI 与 NVIDIA 达成长期战略合作并获得投资,读者可了解其未来 12 个月算力扩张计划。

6月18日周四
  1. Jim Fan80

    Jim Fan 介绍了 ENPIRE 在按下回车前必须完成的工程设计,包括两层安全机制、冻结奖励函数和系统遥测。安全上设置硬性运动学限制,机器人越界即任务失败并自动重置,同时用限扭力柔性夹爪让错误接触安全停住;奖励上先用少量成功与失败演示训练视觉分类器,再将其冻结为实时奖励函数。

    引用Jim Fan@DrJimFan

    Today, we enable AutoResearch in the physical world for the first time! Introducing ENPIRE: we give 8 Codex agents a fleet of robots, an allocation of GPUs, and generous token budget. We set them free with a simple goal: solve the task as quickly as possible, keep the robots busy but stay safe, don't waste precious compute. Make no mistake. Then humans step aside and our watch begins. The robot fleet starts to come alive: they learn to look for visual clues, reset the scene, practice novel skills, tinker with control stack, read papers online, debate, reflect, get stuck, and try again directly on the hardware. All we did is to give Codex an API to the world of atoms, and the rest is emergence. ENPIRE is able to solve high-precision tasks like tying zip-ties, organizing fine pins, and installing GPUs all by itself. We also discovered a new type of "physical scaling": 8 robots exploring in parallel improves significantly faster than fewer ones. A part of our NVIDIA GEAR lab now self-improves tirelessly over night. We just read the reports in the morning. /goal: we all take a holiday and Jensen wouldn't even notice ;) We will be open-sourcing everything, so you can host your self-running robot lab at home too! Deep dive in the thread:

    推荐理由:作者拆解了让 8 个 Codex 智能体自主运行机器人实验室前必须搭好的安全、奖励与遥测设计。