華為正在加速Ascend AI晶片的生產，利用臺積電的Die Bank和SMIC的產能提升。然而，HBM（高頻寬記憶體）的短缺將成為未來生產的最大瓶頸。中國國內HBM供應商CXMT正在快速追趕，但短期內仍無法滿足需求。文章還分析了出口管制對華為的影響以及NVIDIA H20晶片進入中國市場的潛在影響。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Discussion | Link

兩年前SemiAnalysis曾警告AWS面臨“雲危機”，如今危機顯現：Azure在季度新增雲收入上領先，谷歌雲與AWS差距縮小。但SemiAnalysis逆勢看多，認為AWS將迎來AI復興，核心驅動力是合作伙伴Anthropic。Anthropic 2025年收入從10億美元激增至50億美元，AWS為其建設了超過1.3吉瓦的資料中心，用於部署近百萬顆Trainium2晶片。儘管Trainium2在效能上落後於Nvidia，但其每TCO記憶體頻寬優勢契合Anthropic的強化學習路線。AWS與Anthropic的合作正走向深度硬體-軟體協同設計，有望在2025年底推動AWS雲增速超過20%。

伯克利AI研究團隊提出了一種新理論，揭示了word2vec的學習過程：它本質上是無權重最小二乘矩陣分解，最終表示等同於PCA。模型從小初始化開始，逐步學習正交線性子空間，每個子空間對應一個可解釋的概念。該理論預測了學習特徵的封閉形式，並與實驗高度吻合。

兩位前哈佛學生AnhPhu Nguyen和Caine Ardayfio創辦了Halo，推出Halo X智慧眼鏡，配備始終開啟的麥克風，能夠監聽、記錄並轉錄每一次對話，並在鏡片上即時顯示相關資訊。眼鏡售價249美元，缺乏外部指示燈引發隱私擔憂。該初創公司已融資100萬美元。

本文深入分析了H100與GB200 NVL72在訓練前沿模型時的基準表現，涵蓋模型浮點利用率（MFU）、總擁有成本（TCO）、每百萬token成本、能耗及可靠性。研究發現，H100在12個月內透過軟體最佳化實現了高達57%的吞吐量提升；而GB200 NVL72雖然在效能上具有優勢，但面臨可靠性挑戰和大規模訓練尚未完成的現狀。文章還提供了具體模型（如GPT-3 175B、Llama 3 405B）的詳細基準資料，並給出對Nvidia的三點建議：增加基準測試透明度、擴充套件至原生PyTorch、改進GB200診斷工具。

來自賓夕法尼亞州立大學和杜克大學的研究人員，聯合Google DeepMind等機構，提出了LLM多代理系統中自動故障歸因的問題。他們構建了Who&When基準資料集，並評估了All-at-Once、Step-by-Step和Binary Search等方法。該工作被ICML 2025接收為亮點論文，旨在幫助開發者快速定位導致故障的代理及其錯誤步驟。當前方法在識別責任代理上準確率僅達53.5%，在定位錯誤步驟上僅14.2%。

GPT-5的釋出讓高階使用者失望，但實際重點是為超過7億的免費使用者鋪平變現之路。文章分析OpenAI如何透過路由器（Router）技術區分查詢意圖，未來可能透過代理購買和交易抽成實現免費使用者的變現，從而打造一個消費者超級應用。

EleutherAI釋出《深度無知》論文，透過過濾預訓練資料中的生物風險相關知識，使模型在保持通用效能的同時，對微調攻擊具有抵抗力。實驗表明，過濾後的6.9B引數模型在WMDP-Bio基準上表現接近隨機，且即使經過大量生物風險論文微調，效能仍顯著低於基線。但過濾不阻止上下文學習，模型仍可透過提示獲取危險資訊，需結合其他防禦措施。

網際網路基礎設施提供商Cloudflare週一釋出研究報告，指控AI初創公司Perplexity無視網站設定的機器人排除協議，透過偽裝身份等方式抓取內容。Perplexity發言人否認了這些指控。

注意力探針是一種用於分類語言模型內部狀態的新方法，透過注意力層聚合隱藏狀態，避免了對多個token進行池化。實驗表明，多頭注意力探針（特別是8頭）在多數資料集上優於均值探針，訓練程式碼已開源。

本文提出了業界首個“機器人自主級別”分類法，將機器人自主能力劃分為0到4共五個級別，每個級別基於前一級別逐步解鎖新能力。文章分析了各級別當前部署情況、經濟性、挑戰及進展，並指出通用型機器人正從早期生產階段走向勞動力替代。當前通用機器人已達到2級，3級處於早期試點，而4級仍有待突破。

儘管AI有望加速科學發現，但本文指出AI可能透過加劇生產-進步悖論、引入軟體工程錯誤、強化錯誤理論依賴以及削弱人類理解來拖慢科學進步。文章呼籲改革激勵機制、加強元科學研究並重新思考AI工具設計。

Meta以約300億美元估值收購Scale AI 49%股份，顯示其資金充裕。儘管資源雄厚，Meta在模型效能上落後於基礎實驗室。Zuckerberg親自領導新“超級智慧”團隊，以鉅額薪酬挖角頂級人才，並徹底改革資料中心策略，採用帳篷式快速建設。同時，Llama 4因注意力機制、資料質量等問題遭遇失敗，但Meta正透過收購和挖角彌補人才差距。

BAIR團隊提出PEVA模型，透過全身動作條件預測第一人稱影片。該模型利用自迴歸條件擴散變換器，在Nymeria資料集上訓練，能夠模擬原子動作、長期影片生成及視覺規劃。

EleutherAI的研究人員測試了區域性體積測量在檢測模型失調和異常資料點方面的應用，發現其效果不如其他策略，並轉向資料歸因研究。

Gartner 2025年資料科學和機器學習（DSML）平臺魔力象限報告顯示，Databricks排名第一，超越了去年的並列者微軟和谷歌。該報告評估了16家供應商，強調了生成式AI和代理式AI的興起，以及基礎模型在平臺中的核心作用。

MIT釋出了SEAL框架，使大語言模型能透過強化學習自我編輯和更新權重，加速了AI自我進化的程序。

針對LLM多智慧體系統故障難以診斷的問題，研究人員首次定義了“自動化故障歸因”任務，構建了Who&When基準資料集，並評估了三種歸因方法。實驗表明，即使最佳方法在識別責任智慧體上準確率僅53.5%，精確錯誤步驟僅14.2%，任務難度較高。該研究被ICML 2025接收為亮點論文。

本文利用星形域體積估計研究隨機神經網路的引數-函式對映的歸納偏差。實驗表明，區域性體積度量未能復現先前研究（神經紅移）的結果，且與學習行為相關性較弱，暗示單一複雜度度量可能不足以捕捉神經網路的歸納偏差。

EleutherAI釋出了Common Pile v0.1，一個8TB的公開許可和公共領域文本資料集，旨在促進開放科學和AI研究的透明度。該資料集由多個機構合作構建，並訓練了Comma v0.1模型，效能與未許可資料訓練的模型相當。

本文作者認為，透過多模態擴充套件來實現通用人工智慧（AGI）的道路註定失敗。真正的智慧需要具身認知和對物理世界的理解，而當前的大型語言模型（LLM）和多模態模型僅從符號處理中學習，缺乏對現實的深層把握。作者主張放棄拼湊多模態的方式，轉向以具身互動為核心的智慧研究。

美國街道對行人極其危險。加州聖卡洛斯的初創公司Obvio透過在停車標誌安裝攝像頭來解決此問題，並聲稱其設計不會造成監控氾濫。公司已完成2200萬美元A輪融資，由Bain Capital Ventures領投，計劃從馬里蘭州的五個城市擴充套件。攝像頭使用AI識別違規行為，僅在上傳違規證據時才傳輸資料，其他錄影在本地保留12小時後刪除，以保護隱私。

EleutherAI的研究團隊探索了使用產品鍵記憶（PKM）技術來改進稀疏編碼器的效能。實驗表明，PKM轉換器在訓練速度和可解釋性方面具有優勢，尤其適用於中等擴充套件因子。儘管在某些情況下PKM轉換器能與TopK轉換器競爭，但在極大擴充套件因子下基線模型表現更好。

Adobe 研究團隊與斯坦福大學、普林斯頓大學合作，提出一種結合狀態空間模型（SSM）和密集區域性注意力的新型架構，有效解決了影片世界模型中的長期記憶難題。透過塊狀 SSM 掃描方案、擴散強制訓練和幀區域性注意力等策略，模型在 Memory Maze 和 Minecraft 等資料集上表現出色，能夠在不犧牲計算效率的前提下保持遠距離幀的連貫性，為互動式應用提供了可能。

DeepSeek-V3團隊釋出了一篇14頁的技術論文，由CEO梁文鋒合著，探討了硬體感知模型協同設計以克服擴充套件挑戰。論文詳細介紹了多頭潛在注意力（MLA）、DeepSeekMoE、FP8訓練和節點感知路由等創新，實現了經濟高效的大規模訓練和推理。

AI 服務暫時不可用，以下為來源摘要，待恢復後補全翻譯：Have you ever heard of sparse neural retrieval? If so, have you used it in production? It’s a field with excellent potential – who wouldn’t want to use an approach that combines the strengths of dense and term-based text retrieval? Yet it’s not so popular. Is it due to the common curse of “What looks good on paper is not going to work in practice”?? This article describes our path towards sparse neural retrieval as it should be – lightweight term-based retrievers capable of distinguishing word meanings.

本文認為通用人工智慧（AGI）並非一個里程碑，因為它不代表AI系統特性或影響的突變。AGI的定義模糊、不可觀察，且其經濟影響需數十年才能透過技術擴散實現。AI的能力與權力應區分，風險來源於環境設計而非能力本身。企業應謹慎採用AI產品，政策制定者應關注促進擴散而非追求AGI。

DeepSeek AI釋出了DeepSeek-Prover-V2，一個針對Lean 4形式定理證明的開源大型語言模型。它採用遞迴證明搜尋方法，結合DeepSeek-V3生成訓練資料，並透過強化學習最佳化，在MiniF2F上取得了頂級結果。同時推出了新基準ProverBench。

Kwai AI提出的SRPO框架將LLM強化學習後訓練步驟減少90%，同時在數學和程式碼領域達到DeepSeek-R1水平。該兩階段強化學習方法結合歷史重取樣，克服了GRPO的侷限性。