Meta、CoreWeave回应中期选举后的数据中心建设新形势
11月4日，Meta总裁兼副董事长 Dina Powell McCormick 在《华尔街日报》举办的 WSJ Tech 科技大会上接受该报总编辑 Emma Tucker 的现场采访。采访中，主持人特别提到得州州长换届，询问这一政治变化是否会影响Meta在得州的数据中心投资。McCormick的核心观点是：美国AI数据中心建设正面临越来越大的政治和社区阻力，算力将因...
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
消息称微软不再续签甲骨文AI算力租赁协议，重新评估超800亿美元云合作
IT之家 11 月 7 日消息，据彭博社今日报道，微软正在逐步结束与甲骨文（Oracle）的 AI 算力租赁合作。据介绍，微软此前已决定不再续签相关合同，然后近期开始关闭从甲骨文租用的部分计算资源。这也是微软重新评估数十亿美元云计算合作关系的一部分。知情人士透露，由于微软自身的技术规格不断变化，原先租用的计算资源逐渐...
一场数据中心风暴，如何引发科技股暴跌？
图片由AI生成文｜晓静编辑｜徐青阳两天之内，华尔街上演了一场剧烈反转。美国当地时间11月4日，道琼斯指数上涨约3%，标普500上涨1.6%，纳斯达克上涨1.4%。微软、亚马逊分别上涨6.7%和6.1%，大型科技股带动市场迎来美国中期选举后的反弹。但在大盘上涨的同时，AI基础设施板块已经出现明显抛售。数据中心开发商Hut 8暴跌23.2...
FenixWalk：面向异构架构的大规模动态图自适应采样
arXiv:2611.04683v1 公告类型：新 基础摘要：随机游走是图分析的基础，但在大型动态图上高效执行仍具挑战。现有方法需在采样效率、更新开销和内存消耗之间权衡。为吞吐量优化的采样结构往往带来显著的内存开销和高昂的维护成本，而轻量级方案在高度数顶点或权重分布偏斜时又可能面临较高的采样延迟。这些挑战在异构CPU-GPU平台上尤为突出：主机内存容量充足，但GPU内存限制了可从并行加速中获益的图数据量。我们提出了FenixWalk，一个面向大规模动态图的内存高效随机游走系统，将统一的原地采样与选择性GPU加速相结合。核心上，FenixWalk采用原地Fenwick表示，无需复制边级权重存储即可支持拒绝采样和逆变换采样。该表示使拒绝采样具备期望O(1)的权重查询时间，并支持O(log d)的前缀采样与更新。为高效利用异构硬件，FenixWalk将完整图及其采样结构保留在主机内存，同时将频繁重用的顶点本地采样器有选择地放置在GPU上。通过传输紧凑的游走器状态而非反复迁移图分区，该系统减少了跨设备通信，并有效利用了有限的GPU内存。在大型真实世界图及代表性随机游走工作负载上的实验表明，FenixWalk相较于现有随机游走系统实现了平均2.06倍至400.57倍的加速。
AMD财报刷新纪录！单季营收134亿美元，数据中心业务接近翻倍
AMD首席执行官苏姿丰。图片经由AI生成文丨苏扬编辑丨徐青阳美国当地时间11月3日，AMD发布了公司截至2026年9月26日的第三财季财报。受益于人工智能基础设施建设需求持续增长，AMD第三季度业绩再创新高，营收与净利润双双超出华尔街预期。公司当季营业收入达到133.77亿美元，同比增长45%，环比增长16%，超出华尔街预期的109亿美元。数据中心业务成为本季度增长的主要动力，营收达到85.46亿美元，同比增长97%，占公司总营收的比例升至64%。按照GAAP（通用会计准则）计算，公司净利润为24.28亿美元，同比增长95%；非GAAP净利润达到34.71亿美元，同比增长77%。非GAAP摊薄...
Anthropic还在疯狂抢算力：8954亿美元承诺，连旧煤电厂都不放过
Anthropic CEO达里奥·阿莫迪。图片经由AI处理文丨苏扬编辑丨徐青阳 AI公司正在变成大型基础设施买家。Anthropic的扩张路径，已经从训练模型、争夺企业客户，延伸到建设数据中心、采购芯片和协调电力资源。为了获得足够的计算能力，这家公司开始直接介入过去主要由云服务商和基础设施运营商承担的工作。美国当地时间11月2日，Anthropic向美国证券交易委员会提交更新后的招股书。文件补充了2026年第三季度相关财务数据，并披露长期采购和租赁安排。文件显示，算力成为Anthropic扩张过程中最重要的成本项。为了满足Claude模型训练和企业客户调用需求，该公司不仅与亚马逊、谷歌、微软等...
隆重推出 Build-A-Chip-Bench：从工作负载规范到 GDS
通过开源工具和开源 PDK，从工作负载规范到 GDS 版图布局，对 AI 智能体进行评估，以衡量其完成芯片设计工作流的能力。文章《隆重推出 Build-A-Chip-Bench：从工作负载规范到 GDS》首发于 Semiconductor Engineering。
开发者如何接住AI时代的底座红利？CEIC×1024深圳专场解密AI与鸿蒙开发新基建
2026年长沙·1024程序员日活动期间，CEIC消费电子创新大会与CSDN在深圳联手打造了一场属于开发者的硬核技术盛宴。正如CEIC组委会常务副主任杨涛在接受采访时所言：“消费电子领域所有的体验创新，归根到底都是由于我们的程序员代码敲出来的。”在当前的技术拐点下，从单纯的手写代码，到利用智能体（Agent）和丰富的端侧AP...
imec报告：面向人工智能时代的光互连技术规模化
对带宽的空前需求促使人们通过从根本上重新构想光互连路线图，将光学技术更紧密地集成到硅基芯片上。文章《imec报告：面向人工智能时代的光互连技术 scaling》首发于 Semiconductor Engineering。
vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型
vLLM 语义路由器发布了 d3-ultra，一款拥有 270 亿参数的开源多模态决策模型。它能够一次性读取文本、图像和视频，并为每个可能的答案返回概率，在该团队的 SR-Text 测试中取得了 87.2 分。原文“vLLM 语义路由器发布 d3-ultra：一款 270 亿参数的开源多模态决策模型”首发于 MarkTechPost。
何时以及为何使用TMA：基于工作负载的NVIDIA Hopper GPU张量内存加速特性分析
arXiv：2610.34907v1 发布类型：新 摘要：在NVIDIA Hopper架构中推出的张量内存加速器（TMA），已在生产环境中的GPU内核中得到广泛应用，但其使用却表现出明显的选择性：CUTLASS、FlashAttention-3和FlashInfer等领域的资深内核开发者仅对内核中的部分张量操作数采用TMA，而对其余操作数则退回到cp.async、直接全局加载或分布式共享内存（DSM）等方式。厂商文档虽已说明了该API，近期的微基准测试也单独刻画了TMA的吞吐性能，但这些研究均未能解答从业者实际面临的疑问：在内核中遇到某个内存操作数时，究竟是否应使用TMA？若使用，又该搭配还是不搭配集群多播？我们通过一项基于工作负载的实证研究，在H100平台上填补了这一空白。我们系统地梳理了TMA、多
FrontGI：基于小芯片多核系统的架构感知并行GNN推理
arXiv:2610.34911v1 发布类型：新 摘要：高性能计算的范畴已扩展至涵盖多种形态的机器学习任务。图神经网络（GNN）日益受到青睐，其应用领域不断拓展。随着图数据规模的持续增长，包括节点数量、边的数量以及嵌入维度的不断提升，DGL 和 PyG 等标准化库应运而生，旨在简化 GNN 的计算过程。这些库允许以高层次的抽象方式描述计算流程，从而显著提升开发者的生产效率。然而，随着处理器核心数的迅速增加以及多核架构的演进，这类库往往表现出较差的可扩展性，并且无法实
华擎 Creator Radeon AI Pro R9700 评测：工作站级推理，AMD 风格
今天，我们来了解一下华擎面向工作站推出的高端Radeon AI推理卡——Creator Radeon AI Pro R9700。这款显卡配备32GB内存，售价1700美元，是为工作站添置本地AI推理能力的高性价比之选。文章《华擎Creator Radeon AI Pro R9700评测：AMD风格的工作站推理》首发于ServeTheHome。
llama.cpp 发布 b11868 版本：增强 Hexagon NPU 多核 Flash Attention 支持，覆盖全平台编译构建
llama.cpp v2.45.0（标签 b11868）正式发布，核心更新为 Hexagon 后端引入 KV-head 团队拆分机制以优化多核 HMX Flash Attention 性能，并统一 FA 拆分控制标志；同步提供 macOS、Linux、Windows、Android、iOS 及 openEuler 等全平台二进制包，含 CUDA 12/13、Vulkan、ROCm、OpenVINO、SYCL、Snapdragon（Adreno+Hexagon）等多后端支持。
推荐理由：按信源设置仅收录，不参与自动精选
黑石AI业务主管贾斯·卡伊拉：AI基建债务担忧被夸大
黑石AI业务负责人贾斯·卡伊拉在TechCrunch Disrupt大会上表示，市场对AI基础设施领域巨额债务的恐慌被过度放大；其核心论据是：债务主要由高信用等级客户（如微软、Meta）的长期合同支撑，且底层资产（GPU等）具备强抵押价值，风险结构与2008年银行体系有本质区别。
VocabX：通过成本加权词汇专业化将领域专用小语言模型推理成本降低77%
Dharma-AI提出VocabX方法，针对特定任务（如葡萄牙语作文自动评分）重构语言模型词汇表，以生成代价而非词频为优化目标，在不修改模型结构、参数或训练流程的前提下，实测推理成本下降77%，同时评估质量（bench score）从0.703提升至0.810。
TorchNeuron系统级性能分析（第一部分）：基于AWS Trainium芯片的端到端剖析
本文为Hugging Face与Amazon联合发布的技术博客系列首篇，系统介绍如何在AWS Trainium AI加速芯片上使用TorchNeuron进行PyTorch模型推理性能分析，涵盖Neuron后端集成原理、torch.profiler配置方法、NeuronConfig与NeuronProfiler工具使用、Neuron Explorer可视化追踪，并以RMSNorm为例对比三种实现（朴素PyTorch、torch.rms_norm内置融合、torch.compile自动融合）的设备耗时差异。
i14发布Laplace 3B线性注意力模型：基于AWS Trainium2与原生PyTorch实现固定状态内存推理
i14推出30.28亿参数的Laplace 3B模型，采用门控线性注意力（GLA）替代Softmax注意力，其推理时每序列递归状态恒为29.5 MB，与上下文长度无关；该模型在单台AWS trn2.48xlarge（16颗Trainium2芯片）上完成训练与服务验证，训练吞吐达12万token/秒，服务吞吐11544 output token/秒（1280并发序列），所有性能数据均为i14与AWS GenAIIC团队内部实测结果。
SF Compute构建可编程数据中心：以物理交割驱动GPU算力交易市场
SF Compute由Evan Conrad创立，致力于打造中立、可编程、支持物理交割的GPU算力交易基础设施；其模式拒绝抽象化FLOPS商品，强调硬件异构性、真实交付与实时约束（如中断容忍、InfiniBand拓扑、固件版本等），已实现数百亿美元交易量，并推出动态InfiniBand子网划分等底层能力。
SF Compute构建可编程数据中心：以物理交割推动GPU算力交易市场化
SF Compute由Evan Conrad创立，聚焦于实现GPU算力的可编程、物理交割式交易；其不拥有数据中心，而是通过全栈技术协同第三方设施共建‘主权算力云’，强调市场中立性与基础设施可控性，已实现数亿美元交易额并落地InfiniBand动态切分等关键能力。