AI ニュースを検索

東京の研究チームが200 Gb/s PAM4シリコン光変調器技術に関する論文を発表し、DSPの必要性を低減した

東京科学研究所、横浜国立大学、産業技術総合研究所（AIST）および光電子技術研究協会（PETRA）は共同で、『Nature Communications』に論文を掲載し、電気光学均衡器を内蔵したスローライトシリコン変調器を報告しました。これにより、単一波長で200 Gb/sのPAM4伝送速度を実現し、デジタル信号処理（DSP）のオーバーヘッドを大幅に削減しました。

注目する理由：本成果は、AIデータセンターにおける毎秒数テラビット級の光インターコネクト需要に応えるもので、従来のシリコンベースのマッハ・ツェンダー変調器が抱えていた変調効率とサイズに関するボトルネックを突破し、高帯域幅・低消費電力・小型化の可能性を備えています。論文はNature Communications（2026年巻17、記事番号10446）に正式掲載されており、情報源は業界の権威あるメディアであるSemiconductor Engineeringです。公開日時（2026年10月25日）は現在のシステム時刻より遅くないものであり、情報は完全で信頼性が高いものです。

llama.cpp が b11870 バージョンをリリースし、DeepSeek-V4.1-Flash モデルを正式にサポートしました

llama.cppはバージョンb11870において、DeepSeek-V4.1-Flash（deepseek41）モデルへの対応を追加し、そのEngramアーキテクチャに対してKVキャッシュ計算の簡略化、BF16精度によるMXFP8代替、in-graph行gatherなど、複数の低レベル最適化を施しました。同時に、macOS、Linux、Windows、Android、iOSおよびopenEulerを網羅するマルチプラットフォームのバイナリビルドも提供しています。

Amazon SageMakerがトレーニングセッションAPIをリリース：ユーザーは独自の大規模モデルの学習ループを記述でき、GPUの管理が不要になります

Amazon SageMakerは、Training Sessions APIをリリースし、ユーザーが純粋なPythonスクリプトでSFT、RLHF、GRPO、KTOなどのカスタム大規模モデルの学習ロジックを実装できるようにしました。GPUリソースのスケジューリング、フォールトトレランス、分散実行、およびチェックポイント管理はすべてサービスによってホストされます。

NVIDIAが欧州の小売業界の変革を推進：オープンモデルと物理インテリジェンスをeコマース、倉庫管理、バーチャル試着に実装

欧州の小売企業は、NVIDIAが加速するオープンな大規模モデルと物理AI技術を活用し、デジタル商品の発見、スマート倉庫シミュレーション、バーチャル試着、研究開発の加速といった場面で大規模な導入を実現しています。Shopify、Zooplus、L’Oréal、Otto Groupなどの企業は、NemotronシリーズのモデルやOmniverseによるデジタルツイン、ALCHEMIによる分子シミュレーションなどのツールを通じて、推論コストの大幅な削減、検索精度の向上、研究開発期間の短縮を実現しており、さらにコンバージョン率の向上と売上成長の効果も確認しています。

NVIDIA cuDSSが正式リリース：工学および科学シミュレーションにおける疎行列線形方程式系の解法を加速

NVIDIAは2026年10月26日（UTC）に、GPU上で大規模なスパース線形システムを効率的に解くために設計されたCUDA-XライブラリであるcuDSSが一般提供（GA）段階に移行したことを発表しました。これにより、半導体、航空、産業システムなどの分野におけるシミュレーションのスループットと反復処理の効率が大幅に向上します。

TorchNeuronシステムレベルの性能分析（第1部）：AWS Trainiumチップをベースとしたエンドツーエンドのプロファイリング

本記事は、Hugging FaceとAmazonが共同で公開する技術ブログシリーズの第1弾であり、AWS Trainium AIアクセラレーションチップ上でTorchNeuronを用いたPyTorchモデルの推論性能分析の手法を体系的に紹介します。内容には、Neuronバックエンドの統合原理、torch.profilerの設定方法、NeuronConfigおよびNeuronProfilerツールの利用、Neuron Explorerによる可視化トレースが含まれます。さらに、RMSNormを例に、3つの実装（従来のPyTorch、torch.rms_normの組み込み融合、torch.compileによる自動融合）間のデバイス上での実行時間の差異を比較しています。

i14がLaplace 3B線形注意力モデルを発表：AWS Trainium2とネイティブPyTorchを基に、固定状態メモリでの推論を実現

i14は、30.28億パラメータを備えるLaplace 3Bモデルを発表しました。このモデルでは、Softmaxアテンションの代わりにゲート制御線形アテンション（GLA）を採用しており、推論時の各シーケンスあたりの再帰状態は常に29.5 MBで、コンテキスト長に依存しません。同モデルは、AWS trn2.48xlarge（Trainium2チップ16基搭載）1台でトレーニングおよびサービス検証を実施し、トレーニングスループットは12万トークン/秒、サービススループットは11,544出力トークン/秒（1,280同時実行シーケンス）に達しました。すべての性能データは、i14とAWS GenAIICチームによる社内実測結果です。