讀懂AI時代 Read AI Time 讀懂AI時代 Read AI Time 简体
今日導讀

今日AI產業動態橫跨模型、晶片與基礎設施:快手分拆可靈獨立融資,估值180億美元,騰訊、阿里雲各投13.63億元,百度投3.41億元,顯示模型層資本運作升溫;同時,Marvell與谷歌達成晶片開發協議,Cerebras釋出4萬億電晶體WSE-3T晶片,三星上調先進製程代工價格最高15%,晶片層供給與競爭格局同步生變。黃仁勳與日本44家企業簽署AI工廠協議,則指向基礎設施層向工業製造場景的延伸。

新聞條目(7)

字號
今日快訊(11)↓
晶片

Marvell 與谷歌達成晶片開發及投資協議,股價大漲

晶片製造商 Marvell Technology 宣佈與 Alphabet 旗下谷歌達成協議,為其開發定製晶片,並獲谷歌投資。訊息公佈後,Marvell 股價大漲 8.95%,而谷歌微漲 0.06%,博通下跌 3.92%。該合作凸顯 AI 定製晶片需求旺盛,市場關注其對產業鏈的影響。

為什麼重要該合作顯示科技巨頭加速自研定製晶片,利好 Marvell 等晶片設計公司,同時可能對博通等競爭對手構成壓力,影響 AI 晶片產業鏈格局。

Yahoo Finance — AVGO 頭條

基礎設施應用

黃仁勳與日本44家企業簽署AI工廠合作協議

輝達CEO黃仁勳與日本44家工業巨頭組成的Noetra聯盟簽署AI工廠合作協議,日本政府提供61億美元補貼,旨在建立獨立於中美AI模型的機器人生態系統。輝達將提供GPU叢集作為算力基礎,但分析師認為該合作對輝達整體營收影響有限。

為什麼重要該合作標誌著主權AI投資趨勢的深化,為輝達開闢了工業製造這一新的增長場景,但相對其龐大營收規模,短期財務影響有限。

Yahoo Finance — NVDA 頭條

模型 中國AI

螞蟻百靈開源Ling-3.0系列模型,含127B引數flash-base版本

螞蟻集團旗下百靈(inclusionAI)在 Hugging Face 等平台開源 Ling-3.0 系列語言基礎模型,主打高效與稀疏 MoE 架構。其中 Ling-3.0-flash-base 總引數 124B,每 token 僅啟用 5.1B 引數,採用 512 路由專家(每 token 啟用 8 個)加 1 共享專家,並原生融合線性注意力。該系列還發布訓練中間檢查點,支援繼續預訓練、微調與研究,模型以 MIT 許可開源。

為什麼重要開源模型展示了高效 MoE 與線性注意力結合的技術路線,對 AI 基礎設施與模型層投資者而言,意味著推理成本與部署門檻可能進一步降低,並推動開源生態競爭。

螞蟻百靈 模型釋出(HF)

晶片

三星上調先進製程代工價格最高15%,4nm產線滿載

據路透社援引知情人士訊息,三星已於7月上調4nm、5nm、8nm代工新訂單價格,對中國客戶漲幅最高達15%,美國客戶漲幅相近,台灣客戶漲幅較小。報道稱,三星平澤4nm產線自去年底以來滿負荷運轉,中國晶片設計商因受美國出口管制限制,接受最大漲幅。

為什麼重要三星代工漲價反映AI需求推動先進製程產能緊張,可能影響AI晶片供應鏈成本與競爭格局。

Tom's Hardware

模型應用 中國AI

快手分拆可靈獨立融資,騰訊阿里百度等30餘家機構參與

快手二季度財報顯示收入微增1.4%,賬面利潤下滑36%,但市場焦點轉向其將影片生成大模型可靈拆分獨立融資,估值180億美元,騰訊、阿里雲、百度等參投。隨後騰訊減持快手2.73億股套現約125億港元,持股降至9.37%。機構對快手估值分歧巨大,採用SOTP方法拆算,目標價從39.4至93.99港元不等。

為什麼重要快手拆分可靈並引入巨頭投資,反映AI影片賽道競爭加劇與資本運作新範式,對AI產業鏈投資者理解模型層公司估值與生態格局有重要參考。

虎嗅

晶片

Cerebras釋出CS-4機架級方案,搭載4萬億電晶體WSE-3T晶片

AI晶片公司Cerebras推出機架級解決方案CS-4,整合三顆新發布的Wafer Scale Engine 3 Turbo(WSE-3T)晶片,宣稱AI算力達750 petaflops,效能為上一代CS-3的兩倍,每使用者每秒token數較GPU方案有30倍優勢。CS-4採用模組化設計,支援液冷,部署時間從數天縮短至數小時,預計本季度開始首批出貨。

為什麼重要該產品展示了Cerebras在AI推理速度和能效上的差異化路線,可能對GPU主導的AI基礎設施市場格局產生影響,值得關注其對算力供應和模型部署方式的潛在改變。

Data Center Dynamics

模型應用

輝達釋出 Cosmos 3 Edge,可在機器人端側執行的世界模型

輝達推出 Cosmos 3 Edge,一款 4B 引數的 omni 模型(含 2B Nemotron 推理器),可在 Jetson Thor 上端側執行,用於機器人操作策略。經後訓練,該模型能在 Jetson AGX Thor T5000 上即時生成動作,單次推理約 1.53 秒,覆蓋約 2.13 秒運動,閉環任務成功率達 22.9%。訓練資料來自 DROID 資料集,含 7.6 萬條遙操作軌跡。

為什麼重要該模型展示了世界模型在端側機器人部署的可行性,有助於降低對資料中心 GPU 的依賴,推動具身智慧在邊緣裝置上的落地。

NVIDIA Developer Blog

今日快訊(11)

↑ 新聞條目(7)

市場動態、友商訊息等一行快訊,點選進原文。