Transformer模型可按算力伸缩:阿姆斯特丹大学提出免重训弹性剪枝

资讯 腾讯网 作者:科技行者 全文 7711 字 · 约 20 分钟读完 分类Transformer产品更新算力

你有没有遇到过这样的场景:公司上线了一个AI模型,平时流量不大的时候用得挺顺畅,可一到促销季或者突发热点事件,请求量瞬间暴涨,服务器直接扛不住。这时候工程师们往往只有两个选择:要么提前备好一个超大杯的模型应对峰值,平时大部分算力都在浪费;要么准备一个省着用的小模型,结果高峰期一来,用户体验直接崩掉。这...

所属频道 产品更新算力与芯片

公司上了AI模型,平时流量小,跑得挺顺;一到促销季或突发新闻,请求量猛增,服务器顶不住。工程师通常只有两条路:提前备一个超大模型扛峰值,平时算力大多闲着;或者用省资源的小模型,高峰一来体验就垮。

这矛盾不新鲜。夏天开空调那几小时,用电量能到平时三倍,电网不会为这几小时把全年发电能力拉满,靠的是调度。AI模型长期缺这种调度能力。厂商产品线只有S、B、L几个固定尺寸,选了中杯就一直是中杯,没法临时挤出大杯的余量,也没法把大杯的料省着留到急用。

阿姆斯特丹大学和荷兰TNO研究所的论文标题很直白:“你的Transformer其实一直很有弹性”(Your Transformer Is Secretly Elastic)。它要回答的是:训练好的模型,能不能不重训,随时按算力预算伸缩大小?

剪枝为什么一直做不好

要看清这篇论文的贡献,先得弄明白传统压缩方法卡在哪。

结构化剪枝*:删掉整个功能单元(比如神经元或注意力头)而不是零散单个权重,以此给模型瘦身。好处是剪完能直接在普通硬件上跑得更快,不用专门的加速芯片。

结构化剪枝听着简单:找出模型里不重要的部分,剪掉。问题是每剪一次,都是为一个固定目标算力产出一个专属模型。要支持10种算力预算,就得生产、存储、维护10个模型文件。更麻烦的是拿模型做检索时(比如给图片或文本生成向量,再去数据库找相似内容),不同剪枝版本生成的向量可能互不兼容,每个版本甚至得单独建一套索引库。

好比开快递公司,面对不同重量的包裹,不买一辆能调载重的卡车,而是买十辆不同吨位的卡车,每辆还配独立调度系统和车库。维护成本直接爆炸。

弹性方案早有人试,代价不小。有的方法要重新设计架构,从零训练“嵌套”结构的模型(比如MatFormer),手里那些花了几百万美元预训练好的模型全得推倒重来。有的方法要做大量微调才能获得弹性,对几十亿参数的大模型来说,微调成本依然高得吓人,还得找到和原始预训练数据分布匹配的微调数据,本身就难办。

论文提到同一团队的前作SnapViT(Simoncini et al., 2025),尝试很聪明:不重训,用进化搜索找一个全局重要性排序,给每个MLP模块和注意力头打分,分越高越重要,推理时从排名末尾往上砍。思路已很接近这篇论文,但留下一个明显缺陷。

MLP*:多层感知机,Transformer每个模块里负责“思考”的结构,通常由两层线性变换加一个非线性激活函数组成,含大量神经元。

注意力头*:Transformer里负责“关注”输入序列不同位置关系的子模块,一个模型通常有多个注意力头并行工作,像同时用多个视角理解一句话。

SnapViT给每个MLP模块和每个注意力头各打一个分,但分数是整体性的,模块内部神经元之间的相对排序固定不变。也就是说,某个神经元在模块内初始排名靠后,实际却很重要,想留住它,就得连带保留模块里所有排它前面的神经元,哪怕那些根本没用。像班级选拔优等生参赛,规则却必须按座位号往后选,后排真正的学霸,除非把前面同学全选上,否则轮不到。

这篇论文要做的,就是打破座位号规则,让每个神经元和每个注意力头都有独立分数,摆脱组内顺序的束缚。

给每个神经元单独打分,靠什么

要给每个神经元单独算重要性分数,拍脑袋不行,得有理论支撑。

论文走的是二阶泰勒展开的路子。一个参数重不重要,可以看“删掉它,模型损失会增加多少”。这个增加量在数学上能用损失函数对参数的二阶导数(Hessian矩阵)近似。

Hessian矩阵*:描述函数曲率的二阶导数矩阵,这里用来衡量“删掉某个参数会让模型表现差多少”。矩阵越大计算量越夸张,论文只取对角线部分做近似估计。

完整算Hessian矩阵开销大到不现实(参数量动辄几十亿,完整矩阵根本存不下),论文沿用前人做法,只用对角线近似,并用经验Fisher信息(梯度平方在校准数据上取平均)估计对角线。视觉模型用自监督的DINO目标函数,文本模型用对比学习常见的InfoNCE损失。这两种损失不需要标签,自监督训练出的模型也能直接套用。

这里有个关键认知陷阱,论文自己也点明了:对角线近似有三个明显弱点。

一是完全忽略神经元之间的相互作用,假装每个神经元孤立存在,实际它们协同工作,砍掉一个可能影响另一个。二是估计分数用的代理损失函数(比如DINO目标)不一定反映下游任务(如图像分类、文本检索)的真实表现。三是不同模块之间、不同类型单元之间的分数不在可比的量纲上,没法直接拿A模块一个神经元的分数去跟B模块一个注意力头的分数比大小。

这三个弱点,正是论文接下来重点攻克的地方。

硬剪枝不能求导,那就换个软的

这是整篇论文最核心的技术突破。

剪枝说到底就是“留还是删”的二选一,数学上属于阶跃函数。这种函数求不了导,梯度下降也就无从下手。打个比方,你想调一个开关的灵敏度,可它只有“全开”和“全关”两档,中间没有过渡,你压根判断不出往哪边微调会更好。

论文的办法是把这只硬开关换成能平滑过渡的旋钮。用数学语言说,就是用sigmoid函数把硬选择变成软掩码:借助这种S形曲线函数,把“保留/删除”的非黑即白决策转成0到1之间连续取值的“软”权重,损失函数于是能对重要性分数求导,梯度下降也就能用来优化了。

落到操作上,给定某个稀疏度目标b(比如砍掉40%的算力),先在当前排序里划出一条分界线,论文称其为阈值κb,指排在这条线上最后一个被保留单元的分数。接着用sigmoid函数,把每个单元的分数与这条线的距离换算成0到1之间的软权重。排名远高于分界线的,权重接近1,基本等于完全保留;远低于分界线的,权重接近0,基本等于完全删除;卡在分界线附近的则落在中间地带,这些单元的权重对分数变化最敏感,梯度信号也最强。

设计上有个巧处:论文没有只盯一个稀疏度目标,而是一口气设了14个,从5%到70%,每隔5%一个。每一步优化都把14个目标的损失取平均,拿这个平均损失去更新分数。

为什么要这么费事、同时兼顾14个目标?因为单一阈值下,只有分界线附近的单元能拿到有用的梯度,离得远的几乎收不到任何学习信号。换成多个不同阈值,一个在阈值A附近没什么动静的单元,很可能恰好落在阈值B的敏感区间里。整个优化过程中,几乎每个单元都有机会被“照顾”到,拿到调整自己排名的机会。

这好比学校要给全校学生排名次,可你没法让每个老师挨个给每个学生面谈打分,太耗时间。学校于是想出个办法:组织14场难度不同的测验。每场测验只能精确区分中等水平附近那一小段学生的差距,太好或太差的学生在这场比赛里一律是满分或零分。但只要14场测验的难度覆盖得足够广,每个学生总有机会在某一场里恰好落进那个“能被精确区分”的区间,最终拼出一张相对完整、准确的全校排名表。要是偷懒只办一场测验,那些成绩远在平均线之外的学生,真实水平就永远无从得知。

这套流程还带着一个关键约束:优化期间模型原本的权重完全冻结,只调整每个单元的重要性分数——准确说是分数的对数形式,这样能保证分数始终为正。所以优化完成后产出的不是新的权重文件,而是一份全新的排序表。推理时照着这份表从底部往上砍,就能得到任意稀疏度的模型,不必为每个稀疏度重跑一次优化。

省下的硬盘空间和部署成本,正是破解本文开头那个“多个固定尺寸模型”困境的根本手段。

实验结果:剪得越深,优势越明显

论文在27个视觉和文本Transformer编码器上做了测试,参数规模从2200万到80亿不等,覆盖图像分类、语义分割、文本嵌入和检索四大类任务。

在ImageNet-1k的图像分类任务上,论文对比了五种一次性剪枝基线方法:FPTP、SparseGPT、OPTIN、VBP、SnapViT。浅层剪枝时,也就是剪掉比例不大、比如20%、30%的情况下,这些基线方法表现都还可以,和论文方法差距不大。

可一旦剪枝深度超过30%,所有基线方法的准确率都开始断崖式下跌,论文方法却依然维持着相对平稳的下降曲线。具体数字:50%稀疏度(意味着砍掉一半计算量)时,论文方法在DINOv3模型上比表现最好的对手高出40.3个百分点;到了60%稀疏度,差距进一步扩大到28.4个百分点(对比DeiT-III模型)。

最让人印象深刻的例子出在DINOv3 ViT-H+/16这个大模型上。剪到50%稀疏度,等于直接删掉4.27亿个参数,可它在ImageNet-1k的线性探测准确率上只掉了0.8个百分点,全程不需要任何权重修正或重新训练。这意味着原本每识别100张图片大约认错15张的模型,砍掉接近一半参数后变成认错大约16张,几乎感觉不出差别。

模型越大,剪枝的空间也越大

论文还专门研究了模型规模对剪枝效果的影响,这个发现其实挺反直觉。

按常理想,参数越多,是不是意味着每个参数都更“重要”,剪起来该更小心?实验结果恰恰相反:模型规模越大,对深度剪枝的容忍度反而越高。

拿DeiT-III系列来说,50%稀疏度下,最小的ViT-S/16准确率掉了33.2个百分点,最大的ViT-H/14只掉了5.3个百分点。DINOv3系列更夸张:ViT-B/16在50%稀疏度下掉了26.1个百分点,更大的ViT-H+/16只掉了1.8个百分点,甚至在40%稀疏度之前几乎感觉不到性能损失。

背后的逻辑其实不难理解。越大的模型里“冗余”往往越多,就像一个庞大的图书馆,真正被频繁借阅的核心藏书可能只占一小部分,大量书架空间放的是重复或低频使用的内容。剪枝就是在帮你识别并清理那些低频使用的“闲置书架”,图书馆规模越大,可清理的闲置空间往往也越多。

论文里还有个特别有意思的发现,来自DINO WebSSL这个包含6个不同规模模型(300M到7B参数)的家族。研究者发现,把一个更大的模型(比如3B或7B参数)剪枝之后,表现甚至能超过直接部署一个更小的、完整未剪枝的模型(比如dense的2B或5B模型)。这意味着选部署方案时,与其纠结“要不要用更小的模型”,不如考虑“用更大的模型剪枝之后再部署”,后者在同样的算力预算下可能反而效果更好。这对实际工程决策是个挺有价值的提醒。

不过,这种规模上的好处放到文本模型上就没那么突出了。BGE和Qwen3这两个文本编码器家族中,模型变大之后,损失幅度的走向并不稳定;Qwen3的4B模型在60%稀疏度下,损失甚至比0.6B模型还大。论文也直言,文本模型对深度剪枝更敏感,尤其是基于解码器架构的嵌入模型,像Qwen3和E5-Mistral,敏感度明显高过双向编码器(如BGE和E5)。这套方法眼下还没完全啃下这块短板。

索引不动,查询端可伸缩

实际落地时有个很常见的局面:你早先用一个完整的大模型,把海量数据(图片库也好、文档库也好)编码成向量并建好了索引,这一步成本往往不低,不可能说改就改。可等到用户来查询,你又希望按当前服务器负载,挑一个多“瘦”的模型去编码这条查询,同时不影响它与已有索引的匹配效果。

论文把这种情形叫作“非对称”部署:索引端固定,查询端模型弹性伸缩。实验里,基线方法在浅层剪枝时还勉强能用,剪枝一深,匹配效果就迅速垮掉——50%稀疏度下,表现最好的基线在AugReg、DINOv3、SigLIPv2三个模型上的准确率全部跌破6%。这篇论文的方法则相对稳得住,在DINOv3上比最佳对手高出49.4个百分点。

文本检索也差不多。BEIR基准测试上,60%稀疏度时,论文方法针对Qwen3 8B模型比最佳基线领先最多36.5个百分点。

这带来什么?就好比给电动车装了一台输出功率可调的电机,你可以按路况(流量压力)在“经济模式”和“性能模式”之间切换,底盘(索引)却不用整套换掉。

实际速度能快多少

理论计算量(FLOPs)降下来,不等于真跑起来就快,中间还隔着硬件适配、内存访问模式这些工程细节。论文为此做了真实的速度测试。

在A100 GPU上,用fp16精度加torch.compile编译,把AugReg ViT-B/16剪到60%稀疏度,吞吐量达到原始密集模型的1.80倍,单次查询延迟降到原来的1/1.26,也就是快了26%。在不同稀疏度之间切换,平均只需0.46毫秒,这点开销基本可以忽略。

论文还发现,剪枝“怎么切”同样影响实际速度。不加约束的话,剪完的MLP隐藏层维度可能是个很怪的数字,比如1347,这种不规整的形状在GPU上跑反而低效。若把剪枝约束成按8或64的整数倍来砍,矩阵形状更“整齐”,吞吐量还能再涨,eager执行模式下比不加约束时快1.63倍。代价是准确率会掉一点,深度剪枝时更明显,60%稀疏度下大约损失3个百分点。

说到底,这是典型的工程权衡:要更规整的硬件效率,还是要更精细的排序自由度,没有标准答案,得看具体场景更看重速度还是精度。

造一个弹性模型要多久

这套方法要给每个神经元单独打分再优化,会不会比传统剪枝慢很多?

论文给的数据是:构建一个覆盖6个稀疏度目标的完整弹性模型,最小的ViT-S/16只要8.7分钟,参数量是它29倍的ViT-H/14也只要40.7分钟。时间开销的增长明显慢于参数量的增长,论文称之为“次线性”增长。

对比其他基线,SparseGPT、SnapViT和FPTP确实更快,但都处在“几分钟到几十分钟”这个量级,算不上悬殊。真正的分水岭是OPTIN和VBP:处理ViT-H/14,它们分别要34.6小时和53.7小时,比这篇论文的方法慢了50倍以上。对需要快速迭代、频繁部署新模型的工程团队来说,这个差距分量不轻。

消融实验给出的解释

论文还做了一组拆解实验,想回答几个更根本的问题。

其一,给每个神经元单独打分,这份“自由度”究竟值多少?论文设了对照:从最粗的“每个子层一个缩放因子”,一步步细化到“每个神经元一个独立分数”,在相同优化计算量下比准确率。结果准确率随粒度细化单调上升,从29.4%一路涨到59.7%,几乎翻倍。这说明,允许更小粒度的单元独立调整相对排序,才是性能提升的核心来源,而不只是优化算法本身更强。

其二,这套优化流程能不能“纠正”一个很糟的初始打分?研究者故意用随机打分、纯按权重大小打分这类差方法做初始化,结果优化之后,糟糕的起点也能被大幅拉回。比如随机初始化,20%稀疏度下优化后准确率从58.2%升到76.8%,涨了18.6个百分点,几乎追平精心设计的DINO初始化。可见这套优化机制本身纠错能力很强,哪怕一开始判断不太靠谱。但在60%这种深度剪枝下,初始化质量仍有影响,好起点还是比差起点多出十几个百分点的优势。

其三,同时兼顾14个稀疏度目标联合优化,会不会“顾此失彼”,拖累某个单一目标?实验给出的答案相反:联合优化在所有被测的单一稀疏度点上,都好于专门针对那一点单独优化的版本,差距从20%稀疏度下的0.4个百分点,拉大到60%稀疏度下的3.6个百分点。多个目标之间的信息是互补的,并非互相争抢的资源。

论文也坦率承认了局限。它在视觉模型和双向文本编码器上表现强劲,可对基于解码器架构的文本嵌入模型(Qwen3、E5-Mistral这类由生成式语言模型改造的嵌入模型),深度剪枝时依然吃力。研究团队把这个问题,以及把这套方法推广到扩散模型(图像生成)和自回归语言建模(文本生成),都留给了未来工作。

写在后面

读完这篇论文,最让我记住的不是那些漂亮的准确率数字,而是它对“排序”这件事的重新理解。

说到剪枝,多数人脑子里还是那套老思路:挑出不重要的部分,删掉,判断一次就完事。这篇论文给出的提醒是,重要性并非某个单元单独拥有的属性,它得把该单元和其余所有单元摆在一起、在给定的稀疏度条件下才能定出相对关系。同一个神经元,模型要砍掉20%时它可能很关键,换成要砍掉60%,它的重要性排名恐怕得推倒重算,对手换了。

招聘也是类似的道理。团队只补1个人,某个候选人也许排不上号;团队忽然要招10个人,同一个人的相对位次就完全不一样了。论文想说的其实是,“重要性”天生离不开上下文,而传统剪枝方法一直把它当成固定不变的属性来处理,真正该反思的或许正在这里。

还有一处让人意外:模型越大,反而越好剪。按直觉,大模型每个参数都经过仔细训练,动哪个都舍不得。可论文里 DINO WebSSL 那组实验清楚地显示,剪枝后的大模型能比完整的小模型表现更好。这暗示,眼下训练大模型的方式本身可能就在产生大量冗余,并非把每份参数都用到了刀刃上。这种冗余究竟来自训练方式,还是模型规模带来的某种必然,论文没有给出答案,但这个问题值得接着追下去。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. SemiAnalysis下调英伟达4年出货预期:算力投资降温,谁受影响更大?

    今日,看到一份SemiAnalysis在11月13日更新的全球AI加速器预测报告。报告最值得关注的地方,是大幅下调了2027年至2030年全球AI芯片的出货量、采购支出和电力需求,其中英伟达受到的影响最大。这并不意味着AI算力需求消失了,而是此前市场对AI基础设施投资的增长预期可能过于乐观,行业正在重新评估算力投入与商

    来源 腾讯网
  2. 梁文锋越过聊天框

    (本文作者为 字母AI,钛媒体经授权发布)文 | 字母AI11月15日下午,突然有多位DeepSeek用户表示,当他们想接着几天前的对话往下聊时,手机App就会弹出一条提示:“由于算力不足,已超过72小时的长对话暂不可用,可导出对话到其他App使用。”社区里,有用户整理了同时出现的另外几种报错,比如“内容超长,请删减后

    来源 腾讯网
  3. 苹果测试AI每日额度:iCloud+订阅可扩容最高20倍

    苹果正在测试为 Apple Intelligence 云端 AI 功能引入每日使用额度限制。根据最新推送的 iOS27.3Beta2等系统测试版及苹果更新的支持文档,未来涉及高算力消耗的服务器端 AI 任务将不再完全免费、无限制使用。 此次限额主要覆盖新版 Siri AI、相册智能修图(消除、扩图、

    来源 AI 开发者社区
  4. DeepSeek收紧免费对话限制引众怒,用户反求收费

    【TechWeb】11月15日起,多名用户在社交平台发帖称,DeepSeek已对App与网页版的长对话功能实施了使用限额。页面弹窗显示:“因算力不足,不再支持超过7天不活跃的长对话。”随后几天,愤怒与不解迅速在社交平台发酵。11月18日,话题“DeepSeek用户呼吁取消7天限制”冲上微博热搜。但与一般产品限流引发的骂

    来源 腾讯网
  5. 卖出AI硬件,已成为全球投资者共识

    过去两年,全球资本市场最拥挤的交易之一,就是买入AI硬件。 英伟达的GPU、博通的定制芯片、台积电的先进制程,以及光模块、服务器、电源和散热设备,几乎构成了AI投资浪潮中最确定的一条受益链。 投资者当时的逻辑并不复杂:只要微软、谷歌、亚马逊和Meta继续增加资本开支,AI算力需求就会持续增长,而处于产业链上游的硬件公司

    来源 AI 行业观察
  6. 美国BIS新规:海外数据中心出租算力须获许可,英伟达阿里同日下跌

    美东时间11月15日,美国商务部工业与安全局(BIS)发布临时最终规则,将出口管制对象从先进人工智能芯片的实物发运,延伸到这些芯片的远程使用,旨在堵住云计算和海外数据中心造成的漏洞。规则由美国财政部和白宫国家安全委员会撰写并指导制定,官方文件称之为先进超级智能(SI)技术。美东时间11月16日收盘,英伟达下跌4....

    来源 腾讯网
  7. 微软MAI Image 2.7发布:1215分登顶图像编辑榜,成本仅对手1/5

    人工智能在图像生成与编辑领域的竞争迎来新的里程碑。微软于11月17日正式推出全新一代图像生成与编辑模型——MAI Image2.7与 MAI Image2.7Flash,并同步上线了由 Flash 驱动的交互式创作空间 Canvas。 精准局部修改:只改需要改的地方,全面保持视觉一致性 此次更新的核

    来源 AI 开发者社区
  8. AI探店视频月流水800万:40秒成片算力成本不到20元

    你刷到过这样的探店视频吗? 看起来真实干净的店面环境,热气腾腾的锅底,流利的解说,精致的食材和食物质感……你从画面里挑不出毛病,但就是觉得它没有“人味”。 过去一年,一批人开始用 AI 批量生产探店视频:一条 40 秒的成片,算力成本不到 20 元,一个人一天能交付十几条。 同一时间,同城真人探店的报价,从千元区间跌到

    来源 AI 行业观察
  9. 微软 MAI Image 2.7 发布:图像编辑榜单登顶,成本仅对手五分之一

    微软11月17日推出新一代图像生成与编辑模型MAI Image2.7与MAI Image2.7Flash,并上线Flash驱动的交互式创作空间Canvas。此次更新主打“精准修图”与“视觉稳定”:MAI Image2.7可对特定物体的颜色、材质或空间位置进行精准局部修改,只改需改之处,全面保持视觉一致性,标志AI图像生

    来源 AI 产业速递
  10. 微软MAI Image 2.7发布:1/5价格击败GPT Image 2.6登顶

    IT之家 11 月 18 日消息,微软昨日(11 月 17 日)发布推出 MAI Image 2.7 和 MAI Image 2.7 Flash 图像生成与编辑模型,并上线由 Flash 驱动的交互式创作空间 Canvas。 费用方面,两款模型已在 Microsoft Foundry 开启公开预览,官方公布的每千张图片

    来源 AI 行业观察
  11. 谷歌更新Gemini隐私控制:聊天记录可保留,不用于AI训练

    IT之家 11 月 18 日消息,谷歌昨日发布公告,宣布更新 Gemini 应用程序的控制选项,允许用户自行决定是否将 Gemini 聊天记录用于 AI 模型训练。谷歌表示,新增的设置选项允许用户在保留 Gemini 聊天记录的同时,选择不将聊天记录用于生成式 AI 模型训练。用户仍然可以调整聊天记录的保存期限,并手动

    来源 腾讯网
  12. GoodCase上线图像视频免费额度监控:四类模型额度一页查清

    AI HOT的Token羊毛上线一周了,我现在每天都让codex盯着去薅。但是我还有个更大烦恼,就是我自己做的AI提示语案例网站,GoodCase,缺的不止是文本模型代码模型,图片和视频的额度也缺啊。所以我花了一周把图片生成和视频生成的也加进来了Token羊毛里了。现在有四个大类,语言/编程,图片生成,视频生成,音频生

    来源 腾讯网
  13. 黄仁勋离职后英伟达营收仍看涨:AI算力狂热能否撑起增长故事?

    据TechCrunch报道,尽管创始人兼CEO黄仁勋因丑闻离职令英伟达陷入动荡,公司仍预计创纪录的营收势头不会中断。这份乐观指引背后,是AI算力需求的持续狂热,也是客户集中、竞争加剧与治理重建的多重考验。市场正在追问:没有了“皮衣教主”的英伟达,还能把增长故事讲多久?

    来源 AI 科技快讯
  14. 黄仁勋辞任英伟达CEO:国产GPU放量,寒武纪净赚37亿

    华人科技商业界领袖、执掌英伟达33年、推动其成为全球市值第一大公司的黄仁勋,因突发事件辞去了总裁、首席执行官及董事职务。 在英伟达官方网站,黄仁勋已被移除管理层序列,和克里斯·马拉科夫斯基一同被放到了“创始人”一栏中。甚至在X平台上,他的蓝V认证、CEO头衔也都消失了。 由黄仁勋把控这家全球AI算力霸主的时代,已经在实

    来源 AI 行业观察
  15. Gmail宕机传言虚惊一场,谷歌连夜澄清并指向补丁潮与AI挖洞

    过去一周,微软365、Outlook大规模中断;11月17日苹果因内部系统更新故障,iCloud、Apple Pay等服务受影响。随后X上传出Gmail也宕机,源头或为Downdetector:美东17日中午收到超2800条故障报告,多涉及邮件接收。但该平台数据由用户众包提交,仅反映报告情况,不足以证实Gmail发生大

    来源 AI 产业速递
  16. 英伟达董事会:无意让黄仁勋回归

    尽管特朗普总统、马斯克及多位硅谷高管公开施压,英伟达董事会仍明确表示「不打算」让被罢免的CEO黄仁勋回归。这场围绕芯片巨头最高权力的博弈,把公司治理、政治干预与AI算力霸权三条线索交织在一起,也让「董事会独立性」成为硅谷新的争议焦点。

    来源 AI 科技快讯
  17. 微软MAI Code 2发布:5%成本达Claude Opus 5.5约96%性能

    IT之家 11 月 18 日消息,在今天召开的 Ignite 2026 活动中,微软发布自研编程模型 MAI Code 2 和 MAI Code 2 Flash,并在 GitHub Copilot 上线。 IT之家附上相关视频如下: 定位方面,两款产品分别面向复杂软件开发与高频日常编程,主打在代码质量与使用成本之间取得

    来源 AI 行业观察
  18. Model ML融资2.5亿美元:AI代理替投行分析师改模型、做PPT

    据TechCrunch报道,AI创业公司Model ML完成2.5亿美元融资,主打为投行与咨询顾问自动更新财务模型和演示文稿。其代理能理解交易全貌,在新信息影响分析时自动同步修改。这轮融资折射出资本对金融垂直AI的押注:投行初级员工的建模与做PPT苦活,正成为大模型最现实的落地场景之一。

    来源 AI 科技快讯
  19. 黄仁勋X账号移除CEO头衔与企业徽标,马斯克回应免费恢复蓝标

    IT之家 11 月 17 日消息,英伟达前 CEO 黄仁勋的官方 X 账号 @JensenHuang 今天(11 月 17 日)更新,在个人账号中移除了原本标注的“CEO”职务头衔和企业徽标等,账号简介仅保留“Founder of NVIDIA”(英伟达创始人)。 这一情况随后被一位名叫亚历山德拉 · 梅尔茨(Alex

    来源 AI 行业观察
  20. Gmail 故障传言惊动谷歌:官方否认大面积宕机,称服务正常

    过去一周微软 365、Outlook 大规模中断,苹果又在当地时间 11 月 17 日因内部系统更新翻车,波及 iCloud、Apple Pay 等多项服务。在这波宕机气氛里,社交媒体 X 上突然传起 Gmail 也出故障的消息。传言源头很可能是监测平台 Downdetector——美东时间 17

    来源 AI 开发者社区
向下滚动自动加载更多