AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：GPU 集群×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月7日
08:50
08:50IT之家（博客/媒体）
特斯拉 AI 基础设施副总裁拉吉・杰加纳坦在任职 13 年后正式离职，他主导搭建了特斯拉全球顶尖的 GPU 集群，支撑 FSD 端到端神经网络训练。杰加纳坦自今年 2 月起逐步离任，现已在领英公布消息，将加盟云基础设施公司 Chronoscale 担任 CTO。他的离职标志着特斯拉高层持续变动，公司正从汽车制造商向机器人技术公司转型。杰加纳坦强调，AI 技术落地需要全面理解公司业务，其离职可能影响特斯拉 AI 基础设施的稳定性。
行业特斯拉FSDAI 基础设施高层离职GPU 集群
推荐理由：特斯拉 FSD 背后的算力大脑走了，做自动驾驶或 AI 基础设施的团队值得关注——这位 13 年老将的离职可能影响特斯拉 AI 训练效率，也暗示了行业人才流向云基础设施的趋势。
原文
6月3日
05:03
05:03rohanpaul_ai@rohanpaul_ai
在微软 Build 2026 主题演讲中，CEO Satya Nadella 介绍了 Fairwater 数据中心，这是一座垂直设计的两层 AI 超级工厂。与传统平面布局不同，该架构在三维空间内密集部署 GPU 机架，同时保持高速网络连接，使集群更像一台巨型 AI 机器，GPU 间延迟低、带宽高。其冷却系统一次注水后几乎零耗水运行，年用水量仅相当于一家餐厅的日均用水量。这标志着 AI 基础设施从水平扩展向垂直密集化的重要转变。
AI产品微软数据中心AI 基础设施GPU 集群冷却效率
推荐理由：微软把数据中心从平房盖成了楼房，GPU 密度和能效都上了一个台阶——做 AI 训练和推理的团队，这个架构会直接影响未来算力成本和部署方式，值得关注。
原文
6月2日
12:05
12:05arXiv: DeepSeek@Bole Ma, Jan Eitzinger, Harald Köstler, Gerhard Wellein
72°
本文研究跨 GPU 实例的注意力机制优化问题。传统方法在查询需要访问其他 GPU 上的 KV 缓存块时，会移动缓存块到查询所在 GPU，但多查询注意力（MLA）将每个 token 的键和值压缩为窄向量，使得路由查询（约 1KB）比移动缓存块更便宜。作者在真实多节点 H100 集群上测量了跨实例 MLA 注意力，提出了拓扑感知成本模型和路由/获取/本地决策谓词，发现解码时路由查询可将缓存移动的约 3 毫秒开销降低到几十微秒。该模型不限于 MLA，可推广到 DeepSeek-V3.2、V4 和 GLM-5.1 等架构。
论文注意力机制MLA跨实例推理GPU 集群成本模型
推荐理由：做大规模 LLM 推理部署的团队，这篇论文给出了跨 GPU 注意力优化的新思路——路由查询而非移动缓存，实测能大幅降低延迟。建议关注其成本模型和决策谓词，可直接用于优化自家推理系统。
原文