11:00官方账号arXiv cs.AI@Jeffrey Fang, Keyi Shen, Anutam Srinivasan, Glen Chou精选本文提出GPUSLS-LEO方法,为非线性与神经网络动力学系统的线性时变(LTV)近似提供紧致、可微、GPU并行的线性化误差界(LEBs)。针对解析动力学,引入基于路径的Hessian界,比标准区间方法更紧;针对神经网络动力学,通过NN验证器生成的仿射松弛和局部雅可比修正导出认证LEBs。该方法在高达168维状态的非线性与神经网络动力学系统上,以67 Hz的速率在GPU上计算鲁棒控制策略,相比基线降低了求解时间和保守性,同时保持形式化保证和实时性能。论文GPUSLS-LEOLTVGPU鲁棒控制推荐理由:这篇论文把鲁棒控制加速到67 Hz,处理168维非线性动力学的车,GPUSLS-LEO在GPU上跑得比现有方法更快更紧,适合搞实时控制的人。原文
11:08Fireworks AI@FireworksAI_HQ精选Fireworks AI 发布了 Serverless 2.0,提供三种服务路径:Standard(弹性默认)、Priority(拥堵时最后降级,价格约 1.5 倍)和 Fast(Kimi K2.6 和 GLM 5.1 上超 100 tok/s)。该方案解决了传统 AI 推理中需要预留 GPU 才能保证可靠性的痛点,让开发者按需使用、灵活选择性能与成本。用户无需提前锁定资源即可获得高吞吐和低延迟,降低了 AI 部署的门槛。AI产品FireworksServerless 2.0AI推理GPUKimi K2.6推荐理由:做 AI 推理部署的团队终于不用为可靠性提前锁死 GPU 了——Fireworks 的三种路径按需选,Kimi K2.6 和 GLM 5.1 还能跑 100+ tok/s,值得试试。原文
08:04rohanpaul_ai@rohanpaul_ai精选Chamath 在 X 上解释了 AI 推理中的两个关键阶段:Prefill 和 Decode。Prefill 阶段是计算密集型,需要大规模并行 GPU,因此随着上下文增长,Nvidia 占据主导。Decode 阶段则受内存带宽限制,因为每个新 token 的生成都依赖于扫描已生成的内容。这一区分揭示了 AI 计算瓶颈的本质,对理解 GPU 架构和推理优化至关重要。行业AI 计算GPUPrefillDecodeNvidia2 个信源在谈推荐理由:搞懂 Prefill 和 Decode 的区别,就能理解为什么 Nvidia 在 AI 推理中不可替代,做 GPU 选型或推理优化的开发者值得细读。原文
19:41rohanpaul_ai@rohanpaul_ai精选Ark Invest CEO Cathie Wood 引用 OpenAI 首席财务官 Sarah Friar 的观点,指出随着 Agentic AI 的兴起,市场对 GPU 的追逐可能忽略了 CPU 的重要性。Agentic AI 的工作模式涉及规划、工具调用、内存检查、文件检索、代码编写和数据库查询等复杂任务,这些任务需要大量通用计算,而 CPU 在这些场景下比 GPU 更高效。这可能导致计算架构从以 GPU 为中心转向 CPU 与 GPU 协同,改变硬件投资方向。行业Agentic AICPUGPU计算架构硬件趋势10 个信源在谈推荐理由:Agentic AI 正在改变计算瓶颈,做 AI 基础设施和推理部署的团队需要重新评估硬件策略——CPU 可能比想象中更重要,值得关注。原文
11:37IT之家(博客/媒体)精选加州大学圣迭戈分校团队研发出新型电源转换芯片,采用压电谐振器替代传统磁性元件,实现 48 伏到 4.8 伏的降压转换,峰值效率达 96.2%。该设计解决了数据中心向 GPU 供电时电压差大、能量损耗高的关键难题。相比此前压电转换器,输出电流提高约 5 倍,芯片尺寸仅略有增加。研究已发表于《Nature Communications》,但离商用还有距离,后续需优化材料与封装。论文供电芯片数据中心GPU压电谐振器Nature Communications推荐理由:数据中心供电效率每提升 1% 都能省下巨额电费,做数据中心基础设施或 GPU 供电设计的工程师值得关注这项突破,它可能改变下一代电源架构的走向。原文