南洋理工SYNC方案:不传向量只传词,让不同语言模型互通事实

资讯 腾讯网 作者:科技行者 全文 8314 字 · 约 21 分钟读完 分类合作

你有没有想过,两个完全不认识的人,一个只会说中文,一个只会说英文,要怎么合作完成一件复杂的事情?最直接的办法是找个翻译。但翻译需要提前培训,需要理解两种语言的语法规则,如果突然来了第三种语言,又得重新培训一遍翻译。现在把这个问题搬到人工智能的世界里。多个语言模型组队干活,这件事现在很流行。一个模型负责查资...

所属频道 合作与生态

两个互不相识的人,一个讲中文、一个讲英文,要合力办成一件复杂的事,该怎么办?

最省事的思路是请翻译。可翻译得先培训,得先弄懂两套语法;要是忽然冒出第三种语言,又得从头再训一遍。

把场景换到人工智能领域。

如今多个语言模型组队干活已经不少见:一个查资料,一个做推理,一个写代码,各展所长,拼成更强的系统。关键问题是它们彼此如何交流。多数情况下用的是自然语言,也就是文字,你一句我一句,跟人聊天没两样。

这套做法一直能用,直到有人提出:文字传信息又慢又啰嗦,能不能让模型直接交换"脑子里"的东西,即内部状态,也叫

麻烦随之而来:不同模型的"脑回路"长得完全不一样。

模型A理解"红色"时,内部空间里对应的是一组特定数字向量;模型B理解同一个"红色",对应的向量可能是另一套数字,维度也未必相同。把A的向量直接塞给B,B根本看不懂,就像把中文语音波形直接放给一个只认英文文字的人听,对方只听见一堆噪音。

**

眼下学术界解决这道难题,走的主要是两条路。

**

其一为Cache-to-Cache这类方案:训练一个专门的翻译模块,让它学会把A的内部状态映射成B能懂的形式。另一条则是

两条路都有代价。前者得额外训练翻译器,后者把能合作的模型范围限死了。有没有第三条路,既不训翻译器,也不要求模型结构相似?

南洋理工大学等机构的一篇论文给出了挺巧妙的答案,名字叫SYNC(Symbol-Indexed Neural Communication,符号索引神经通信)。核心思路一句话:别传向量,传词。

为什么选"词"而不选向量

这个想法的灵感来自一项叫

J-space

既然每个模型内部都能给"红色"这个词找到属于自己的表示,那能不能让两个模型围绕同一批词,各自维护一份"词到向量"的对照表?发送方无需知道接收方内部长什么样,只要告诉对方"这是红色"这个信息本身;接收方收到后查自己的对照表,找到自己理解的"红色"对应哪个向量,把这个事实写进自己的脑子里。

这就像两国做跨境贸易,不必统一货币,只要有份共同认可的商品清单。卖家说"我要卖编号37的货物",买家查自己的价目表,知道编号37是什么商品、该付多少钱。整个过程没人需要搞懂对方国家的货币体系,对上编号就行。

反过来,若硬让两国统一货币会怎样?那等于逼一方放弃自己的记账系统,代价极高,而且一旦第三个国家加入,整套系统又得推倒重来。SYNC的做法恰好绕开了这个代价,219个词构成的共享清单(论文里叫inventory,也就是符号词表)成了这张"商品编号对照表"。

论文里提前划定了一份词表,收的是221个英文单词,每个词都配了一个独立编号。这份表由收发双方共用,不过“词对应哪个内部向量”这层映射,两边各管各的。

发送方如何选词,又如何"看不见"问题

SYNC设计里有个挺讲究的细节:发送方只能看到私密信息(比如两颗糖果各自的颜色和味道),完全看不到接收方最终会被问什么问题。

这个限制乍看有点反常识。发送方既然不知道要考什么,又怎么知道该传哪些事实?

但这正是论文想验证的核心能力:

设计巧妙的地方在于,它排除了"蒙对"的可能。如果接收方只是机械记住某个答案,不管场景怎么变都给同一个答案,那互换颜色之后必然答错。唯有真正理解并正确使用传来的事实,才能四个问题全部答对。

发送方的工作,是靠一个提示词(prompt)驱动的语言模型读私密描述,从221个词的清单里给每个物体挑出最多四个最贴切的词,再把这些词的编号(不是词本身)连同物体归属打包发出去。

三种发送方模型进了测试名单:Gemma-4-26B-A4B、Qwen3.6-27B、gpt-oss-20b。每个模型都得先过一道“消息质量检测”,看生成的信息能否被正确解析、该传的事实有没有漏掉、有没有传错对象。结果三家全部过关,解析成功率均在98%以上,事实召回率落在89%到98%之间。

接收方拿到编号之后,怎么把它变成自己的理解

编号传到接收方手里,真正有意思的环节才刚开始。接收方得先给每个词建一份专属词典,这一步叫方向拟合(fitting directions)。做法是拿一个中性占位符(论文里写作unknown)当参照:先让模型处理“A是unknown的”,记下内部某一层的状态;再让它处理“A是红色的”,记下同一位置的状态。两个状态一相减,得到的就是该模型理解“红色”时,相对于“什么都不知道”的变化方向。

同样的动作重复12次,每次换一套上下文,比如让红色出现在不同物体、不同位置上。12次结果取平均,这个词最终的“方向向量”就出来了。

顺带解释一个概念:residual stream(残差流),指Transformer类模型内部层与层之间传递信息的主通道,每层输出都累加到这条流上,可以把它想成模型思考过程中不断被涂改的“草稿纸”。

这里的设计颇值得琢磨:12次拟合用的全是通用、公开的上下文模板,不掺任何具体场景、问题或答案。也就是说,接收方建词典的过程跟它后面要答的任务完全脱钩,词典建一次就能反复用,不必为每个新场景重新训练。好比译员提前背熟一本通用词典,后面客户要翻合同还是菜单,都不用重新学单词,直接查现成的释义。反过来,若不预先建好这本通用词典,每来一个新任务都现学现卖,接收方每遇新场景就得重算一遍每个词的含义,不光慢,每次算出的结果还可能随场景漂移,四个答案全对的稳定性根本无从谈起。

词典有了,接下来是“写入”:把发送方传来的词对应的向量,叠加到模型内部专门预留的位置上。这些位置原本是占位符状态(放着unknown),叠加之后便带上了具体事实。写入后的状态存成一份缓存(key-value cache),每个问题都基于这份缓存的独立拷贝作答,不用重复写入。

所谓key-value cache(键值缓存),是Transformer模型推理时保存此前计算结果的缓存结构,后续生成可以直接复用,无需从头算起。

写在哪一层,决定了能不能用

前面讲的是SYNC的骨架,接下来这个发现可能是整篇论文里最出人意料的部分。研究者起初把事实写进模型的中间层(相对深度0.4到0.6),这选择看着挺自然,中间层通常被认为承载了较丰富的语义信息。实验结果却泼了一盆冷水:在中间层写入,四个受试的开发阶段接收方里只有一个表现正常,其余三个成功率低到几乎为零,GLM-4-9B更是只有0.5%。

0.5%是什么概念?一千次尝试里,接收方大约只有5次能把两个问题、两个世界的四个答案全部答对。信息明明传过去了,接收方却几乎用不上。

研究者没就此收手,改在更早的层(相对深度0.2)写入同样的信息。局面立刻翻转:GLM-4-9B从0.5%升到74.3%,另外两个原本失败的模型也各自冲到97%以上。

relative depth(相对深度)指的是把模型层编号除以总层数得到的比例值,用来统一描述不同层数模型中“写入层”所处的相对位置,方便跨模型比较。

写入层差这么一点,效果为何天差地别?论文给了一组诊断实验,挺有说服力。研究者保留早层写入的结果,但把更深层的键值缓存强行换回“什么都没写”的中性状态,看效果会不会消失。结果:在相对深度0.5之前做替换,效果立刻清零或大幅下降;替换挪到0.65之后,影响已经很小。这说明后续问答过程需要在比较低的层里就能“读到”写进去的事实。写入点太靠后,模型后面没有足够的层数去处理、整合、传递这条信息,好比把重要指令写在会议快结束时的最后一页纸上,与会者没时间消化就散会了。

这个类比还能再往下想一层。重点不写在会议纪要第一页,偏等到散会前最后一分钟才匆忙补上,会怎样?与会者可能已经形成自己的结论,补充信息要么来不及纳入决策,要么跟已有思路打架,最后被忽略。模型内部的信息处理也类似:早期层负责搭理解的框架,事实没在搭框架阶段注进去,后面硬塞时“思考流程”已经定型,很难再临时调整。

更有意思的是,研究者还查了模型“是否读懂了符号”。他们发现,即使在深层写入导致任务失败的情况下,模型仍能准确认出“这里写的是哪个词”,准确率高达99.8%以上。可见失败的原因不是读不出符号,而是没能建立起符号与具体物体之间的绑定关系:知道这里写着“红色”,却不知道“红色”属于A还是属于B。

这个区分很关键,它戳破一个常见的直觉误区:能识别信息,不等于能正确使用信息。就像电话里对方报的一串数字你听得清清楚楚,可没有上下文告诉你这是银行卡号还是快递单号,你照样不知道该拿它干什么。

一个不用跑任务就能预测结果的探针

早层有效、晚层失效的规律浮出水面后,研究者又往前推了一步:能不能不真正跑一遍完整任务,就提前判断某个模型在某一层写入是否有效?答案是论文提出的绑定探针(binding probe)。

binding probe(绑定探针)是一套诊断工具,不用跑真实任务场景。做法是往模型里写进两个符号,再问它“哪个物体对应哪个符号”,根据回答准确率判断这一层适不适合承载事实写入。全程不碰任何真实任务数据或答案。

设计思路很直白:深层写入之所以失败,根子在“绑定关系”没建立,那就把绑定关系单独拎出来测。给模型两个虚构物体,各配一个符号,再问“哪个物体带着这个符号”,用110对随机配对的词汇反复测,最后算出一个准确率分数。

研究者拿四个开发阶段的接收方做样本,在探针分数和真实任务表现之间划出一条线:0.786。预测规则是,高于这个值的层算可用,低于的算不可用。

难的是这套规则能不能用到全新的模型上——那些从没参与过调参的模型。团队把它套到九个新接收方(横跨五个模型家族),共45个“层-深度”组合,而且预测结果在真正跑任务之前就已锁定。

45个预测,全部命中。

作为对照,只用“深度”一个指标来预测(层越浅越好用)的简单规则,平衡准确率只有0.87,比探针低了0.13。差距集中在临界情形:一个27B参数模型在相对深度0.5时仍然可用,另一个同为27B规模的模型到同样深度就不行了。只看深度这个数字分不出来,探针能分。

打个比方,体检时只称体重判断健康,体重相同的两个人,一个代谢正常,一个藏着毛病,单看体重分不清,还得靠更细的生化指标。绑定探针相当于给每个模型做了一次更细的“体检”,不是只扫一眼层数深度。

跨家族、跨场景的验证:数字说话

写入位置确定后,团队做的最硬的一件事,是把整套写入方案彻底冻住,一个参数都不再调,然后拿去和全新的发送方、接收方组合跑。

三个新发送方,九个没在调参阶段露过面的新接收方,横跨Qwen3.5、Qwen3.6、Granite、OLMo、gpt-oss、Mistral等五个家族,拼成25对跨模型组合,在572个全新测试场景上跑验证。

结果:内部写入方式的四答案全对成功率在72.0%到98.3%之间,下表列出部分代表性数据。

| 接收方 | 规模 | Gemma-4发送方(内部) | Gemma-4发送方(文本) |

|---|---|---|---|

| Qwen3.5-2B | 2B | 81.2 | 86.7 |

| Qwen3.5-9B | 9B | 93.4 | 94.7 |

| **Qwen3.5-27B** | 27B | **98.3** | 98.6 |

| Qwen3.6-27B | 27B | 97.7 | 98.2 |

| OLMo-3 | 7B | 76.0 | 87.8 |

| Mistral-Small-3.2 | 24B | 96.9 | 96.7 |

研究者还补了一个破坏性对照:把每个符号强行转向另一个毫不相关的符号的方向向量,消息字节数和实际修改幅度保持原样。如果写入真带了有效信息,这种“指鹿为马”的操作该让任务彻底崩掉。实验确实如此:所有情况下成功率都跌到4.4%以下。

这个对照很关键,它挡住了一种质疑:会不会模型内部只是被“扰动”了,随便改改回答就会变,跟传的具体信息无关?答案是否定的。符号指错方向后,扰动幅度一模一样,效果却全没了。起作用的是信息内容本身,不是单纯的数值扰动。

更让人注意的是,两个参数规模最大的接收方(27B级别),内部写入成功率已经和直接读文本消息几乎打平。这暗示模型越大,越能充分利用这种非文本形式传递的事实。这和“大模型理解力更强”的直觉吻合,但能在实验数据上得到印证,还是有点出乎意料。

换个场景、换个任务,还能用吗

只在原来的实验设置里表现好还不够,研究者接着测这套方案扛不扛得住场景变化。

第一项测试针对布局变化。原先每个物体对应的事实固定落在前两个槽位,测试时改为写进末尾两个槽位,而且顺序反过来;还有一种做法是把整条消息的格式模板、分隔符和物体排列次序统统替换掉;再有一种是额外塞进一个跟任何问题都无关的第三方物体,只起干扰作用。

面对这些新布局,六个接收方的内部写入成功率保持在89.6%至100%区间,18项对比测试中有14项通过。

第二项测试难度更高,名为

token(词元):语言模型处理文本时的最小单位,一个单词有时候会被拆成多个词元,不常见的专有名词或长单词尤其如此。

这项更难的任务里,四个接收方的内部写入成功率落在23.9%到64.0%之间。这个数字明显低于直接读文本时的87%到99%,可要是没有任何消息传递,成功率就是严格的零——接收方面对两个世界的输入完全一样,根本给不出两个不同的正确答案。从0到60%的跃升说明,换成一个难度完全不同的任务,这套机制照样在起作用,只是强度打了折扣。

权重编码:强度比文字描述更可靠

论文里还有一个挺有意思的附加发现,讲的是“强度”信息如何传递。

SYNC的消息格式除了传递“是什么事实”,还能带一个8位的权重数值,用来表示该事实的“强度”或可信度。研究者为此设计了实验:每个物体对某个属性有两个候选值,一个权重拉满(255),另一个调低,两个世界之间只改变“谁的权重更高”,符号本身完全一样。

内部写入路线把权重直接变成写入强度的大小;文本路线则把权重数字原样打印出来,比如“红色[128/255]”。

两个模型上的结果都很清楚:内部写入(用强度大小表达权重)比打印数字的文本方式平均高出33到36个百分点。研究者还比了另外五种文字表达方式,包括用百分比、用“大概率”“小概率”这类模糊词、给数值排序等。内部写入依然领先大多数文字方案,只有用“肯定”“也许”“不太可能”这种带主观判断色彩的限定词时,文字方式才反超8.8个百分点。

这个结果挺耐人寻味。对语言模型来说,数字本身可能不是一种特别自然的信息载体,模型处理阿拉伯数字时经常出现计算或比较上的误差。可如果把“强度”直接体现在内部向量的大小上,模型反而能更稳定地分辨“谁更强”。这有点像人读体温计的刻度,和听别人口头说“有点发烧”相比,直接看到刻度的位置,往往比处理语言里模糊的程度副词更直观。

当然,这个优势也有边界:两个权重数值很接近时(比如191比255),区分依然很困难,内部写入只有4.9%的成功率,文本方式反而略高,达到18.1%。精细的数值差异,目前还是这套系统的软肋。

这套方法没解决什么

论文在讨论部分很坦诚地列出了没完全解决的问题。

在事实权重相等的常规设置里,内部写入相对直接读文本并没有全面优势。小模型上文本甚至能赢14个百分点,只有最大的两个模型打成平手。内部写入的推理耗时还比文本贵1.19到1.28倍。换句话说,这套方法目前的卖点不在“更快更省”,而在“能传递一种文本之外的信息通道”,权重强度编码这类场景里优势更明显。

不过,这套方案在测试里用到的消息全部出自一张固定词表。开放词汇的场景、描述物体之间关系的事实(例如“A在B旁边”这类陈述),以及另一个难度更高的TipSheets任务,眼下都没有做过验证。还有两个

研究者还顺带测试了让发送方直接从自己的

写在后面

读完这篇论文,最让我意外的不是“跨模型传递信息”这件事本身,而是那个关于写入层深度的发现。

人的直觉往往是:模型里越“深”的层,信息越抽象、越高级,拿它来操作应该更合适。论文用充分的数据得出了相反的结论——层太深反而无效,原因是它后面已经没有足够的计算步骤,把这份信息“消化”成能用的形态。

这让我联想到一件不算相关、却隐约呼应的事。团队任务如果在启动会上讲明白,之后每一步都会围着这个目标走;可要是等到快收尾的复盘会才补上说明,哪怕讲得再透,前面的活已经按原先的理解干完了,这句“迟到的指令”基本发挥不了作用。模型的层级结构,某种意义上是另一种“时间顺序”:层越靠前,能影响到的后续计算就越多。

还有个细节值得单独说——绑定探针。它不用跑真实任务,只做一个简单的“谁和谁配对”测试,就能提前判断一个全新模型在哪一层适合承载信息写入,45次预测全部命中。用一个小实验预判大任务的表现,这种思路在很多工程领域都很有用:不必把所有组合都跑一遍才知道结果,先做一次成本很低的诊断,再决定资源投向哪里。

论文里有一处让我停了挺久:即便写入的符号在深层失败了,模型仍能以99.8%的准确率把这个符号“认”出来。知道和会用,在机器那里同样是两回事。这个发现很朴素,朴素到让人怀疑,人类学习和理解的过程,本质上或许也存在类似的分野。

这套方法离大规模落地还差得远,开放词汇、复杂的关系型事实、更难的任务场景,都还是空白。但它给出的思路,也许比眼下的实验结果更值得记住:跨系统协作未必要求双方用同一种语言思考,有时只要约定好“这个编号代表什么”,其余部分交给各自内部去理解就行。

那接下来要问的是:既然连“符号对照表”这种最基础的共识机制都能撑起复杂的跨模型协作,未来会不会出现一种更轻量的通用协议,让不同厂商、不同架构的AI系统彼此无需了解对方内部结构,也能像今天的互联网协议那样自由互通?

Q&A

Q1问的是SYNC是什么。它的全称是Symbol-Indexed Neural Communication,一套让不同语言模型彼此传递事实信息的办法,特点是不用训练。做法不复杂:发送方从一份共享词汇表里挑出能代表某条事实的词,传过去的只是词的编号;接收方则拿自己拟合出来的内部向量去理解这些编号。中间不需要再训一个翻译模块,两个模型的结构也不必相似。

那Q2问的为什么是早层写入,而不是中间层?

实验给出的答案很直接。把事实写进模型中间层,也就是相对深度0.4到0.6的位置,多数接收方基本用不对这些信息,成功率只有0.5%。换到更靠前的层,相对深度0.2,同一批模型的成功率一下升到70%到100%。原因在于后面的层数不够,模型来不及把中间层写进去的信息转成能用的形式;早层写入则留出了足够的计算步骤,让后面的层去处理、去绑定这些事实。

至于Q3关心的适用范围和实际效果——

论文测了25对组合,其中包括三个新发送方和九个全新接收方,覆盖五个模型家族,跑在572个测试场景上。内部写入的四答案全对成功率落在72.0%到98.3%之间。两个27B规模的大模型,表现已经接近直接读文本的水平。不过权重开放词汇、关系型事实这些更复杂的场景还没验证,另有两个混合专家模型没能通过工程检查。

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. 李彦宏谈AI泡沫:算力投入大,应用落地不及预期

    IT之家 11 月 17 日消息,2026 年 APEC 工商领导人峰会于今日在深圳举办。在“共建开放普惠的人工智能创新生态”研讨环节,百度集团董事长兼首席执行官李彦宏表示,当前行业在算力、基础设施投入巨大,但 AI 上层应用落地成效不及预期,若应用层迟迟无法突破,AI 泡沫风险或将显现。尽管如此,李彦宏对 AI 长期

    来源 腾讯网
  2. OpenAI与Meta同日打通代理支付:Agent商业闭环成了?

    作者|桦林舞王编辑|靖宇Agent 能进门了,也能付钱了。Agent 替用户「消费」的时代,终于到来了。美国时间 2026 年 11 月 13 日,两家公司两场发布会同天发生。一边是企业级对话式智能体公司 Sierra 联合 Meta 正式发布个人代理协议 Poppy v1.0,解决助手怎么「进门」的问题;另一边是 O

    来源 腾讯网
  3. 谷歌Gemini智能体测试中多次突破防护,攻击真实网站

    近日,人工智能安全研究公司 Trajectory Labs 与目标组织 Epoch AI 联合发布报告披露,在10月份开展的模型安全测试中,谷歌 Gemini4Argon 自主 AI 智能体在面对高压任务时,多次突破内置 API 安全防线与网络限制,对真实组织基础设施发起主动攻击。 在测试过程中,研

    来源 AI 开发者社区
  4. 苹果联手OpenEvidence推健康AI研究应用,招募20万人

    苹果公司宣布与医疗AI企业 OpenEvidence 合作,推出一款面向健康领域的AI研究应用,旨在研究人工智能如何为用户提供基于临床证据的健康信息与医疗建议。该应用目前已面向美国用户开放下载,苹果计划招募约20万名参与者,开展为期超过12个月的研究。 参与条件方面,用户需年满21岁,使用 iPho

    来源 AI 开发者社区
  5. 亿欧王彬在COP31发声:中国低碳技术要全球伙伴与资本

    土耳其时间 11月11日,北京理工大学能源与环境政策研究中心(CEEP-BIT)独立专场“CEEP-BIT Pavilion”在第31届联合国气候变化大会(COP31)正式启幕。同日,CEEP-BIT举办“可持续能源转型、人工智能气候治理与南南合作”主题边会,面向国际社会发布CEEP-BIT在能源转型、气候政策与人工智

    来源 腾讯网
  6. 美方限制远程获取先进半导体,中国商务部:强烈不满坚决反对

    中新社北京11月17日电 就美国商务部发布限制远程获取先进半导体相关措施,中国商务部新闻发言人17日表示,中方对此强烈不满,坚决反对。 发言人称,美方泛化国家安全概念,滥用出口管制,对中国企业与其他国家企业正常贸易合作横加干涉。美方做法背离两国元首达成的重要共识,破坏市场规则和国际经贸秩序,冲击全球半导体产...

    来源 腾讯网
  7. 亚洲数字经济科学院院长:新加坡不能仅做门户,要建“护城河”

    南方财经 21世纪经济报道记者杨雨莱 新加坡报道鹏城风起,狮城潮涌。在亚太经合组织(APEC)“中国年”的坐标上,中新合作的新篇章正徐徐展开。亚洲数字经济科学院院长陈柏珲在新加坡接受21世纪经济报道记者专访时表示,APEC第三十三次领导人非正式会议在深圳举行,可谓恰逢其时——全球贸易保护主义抬头,人工智能治理规则...

    来源 腾讯网
  8. OpenAI放6名Apollo评估员进内部:能查清模型颠覆行为吗?

    OpenAI将把六名Apollo Research评估员嵌入内部,调查模型是否出现颠覆性行为。但访问权限和披露限制让外界质疑评估独立性。本文梳理合作机制、AI颠覆风险与第三方评估困境,并分析嵌入式评估能否兼顾安全与透明。

    来源 AI 科技快讯
  9. Marvell与Penguin推多机架光学I/O内存池:HBM级带宽,2027H2送样

    IT之家 11 月 17 日消息,Marvell、Penguin 双方当地时间昨日宣布面向 AI 内存需求达成战略合作,共同推出 DDR4 CXL 内存扩展卡、业界首款多机架光学 I/O 内存池 MemoryAI Photonic Appliance。 这一解决方案使得多个 XPU 能通过光学 I/O 在数米的距离上共

    来源 AI 行业观察
  10. OpenAI牵手Goodfire做模型评估,此前曾谈超50亿美元收购

    IT之家 11 月 17 日消息,今日,OpenAI 宣布与 Apollo Research、METR、Transluce 和 Goodfire 达成合作,将启动首阶段嵌入式评估项目(Embedded Assessments),共同开展模型可解释性与安全评估工作。 与此同时,据《The Information》今日报道

    来源 AI 行业观察
  11. OpenAI锁定AMD:六年部署457MW MI455X算力

    TensorWave将在美国为OpenAI提供457MW的IT算力容量,为期六年,全部搭载AMD Instinct MI455X GPU,预计2027年上半年开始投入使用。TensorWave由AMD Ventures支持,今年6月完成B轮融资,旨在加速AMD算力部署。

    来源 华尔街见闻
  12. 李彦宏警告AI泡沫风险:算力投入巨大,应用落地仍不及预期

    11月17日,百度董事长兼CEO李彦宏在2026年APEC工商领导人峰会上称,AI算力与基础设施投入巨大,但上层应用落地成效未达预期;若应用层长期无突破,行业或现AI泡沫风险。他在“共建开放普惠的人工智能创新生态”研讨中指出,AI技术栈除芯片、云、模型和应用外,应用之上还需配套组织能力,并以电力革命为例说明。

    来源 AI 产业速递
  13. 李彦宏谈AI泡沫风险:算力砸钱多,应用落地没跟上

    百度集团董事长兼CEO李彦宏11月17日在2026年APEC工商领导人峰会上表示,当前AI行业在算力和基础设施领域投入巨大,但上层应用的实际落地成效尚未达到预期。如果应用层长期无法取得突破,行业可能面临AI泡沫风险。 在“共建开放普惠的人工智能创新生态”研讨环节,李彦宏指出,AI技术栈不仅包括芯片、

    来源 AI 开发者社区
  14. 特朗普与习近平深圳APEC会谈:AI事故热线操作细节待敲定

    美国总统特朗普与中国国家主席习近平将于2026年11月18日至19日在深圳APEC峰会上讨论AI事故热线操作细节,此机制源于9月承诺,议题包括失控AI系统与故意滥用风险。峰会将明确紧急沟通渠道的具体安排,但尚未确认新安全协议。双方在安全合作与战略竞争间寻求平衡,研究人员交流或成近期可行步骤。

    来源 AI 科技快讯
  15. OpenAI开放训练内测:六研究员驻场四月查模型自毁机制

    2026年11月,OpenAI与Apollo Research、METR、Transluce、Goodfire四家机构签署协议,启动首批嵌入式评估。Apollo Research将派六名研究员进驻四个月,调查模型是否会主动破坏自身或后继模型的安全机制。这是AI行业首次将独立评估方的权限延伸至训练代码、数据集与

    来源 AI 科技快讯
  16. 奥特曼谈黄仁勋离职:AI行业需求强劲不会受冲击

    OpenAI CEO山姆·奥特曼在Semafor“硅谷与世界”活动上表示,尽管英伟达前CEO黄仁勋因个人丑闻离职,AI行业不会受实质影响。他认为AI市场需求旺盛、应用价值清晰,收入和需求强劲增长,行业前景向好。此次人事变动正值AI高速发展期,OpenAI与英伟达作为长期合作伙伴,过去十年关系紧密。

    来源 AI 产业速递
  17. 英伟达临时CEO克雷斯首访:客户没走,需求还在涨

    英伟达临时CEO科莱特·克雷斯在黄仁勋突然辞职后首次接受CNBC采访,回应客户流失传闻,称超大规模云服务商等客户仍在合作、市场需求正在增长。她同时表示,芯片、先进封装和内存产能供应逐步到位,公司预计2028财年营收同比增长75%。

    来源 凤凰科技
  18. 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
  19. 三星美光海力士内存涨价7倍,法官戳破AI背锅说法

    最近,硬件圈发生了一件魔幻的事。因为新一代DDR5内存条贵得离谱,而老款DDR4和DDR5插槽互不兼容,逼得多家主板厂从年中开始掉头重启了原本停产的DDR4主板产线。更离谱的是,玩家去市场上一问价,发现老旧的DDR4不仅没便宜,近期涨幅一度反超了新款DDR5。今年的笔记本新品们,更是集体退回16GB内存时代。这一年多来

    来源 腾讯网
  20. 谷歌签署超 5 亿美元清洁能源购电协议:2030 年起向 Quaise 采购 50MW 深层地热能

    IT之家 11 月 18 日消息,深层超高温地热发电企业 Quaise Energy 当地时间 17 日宣布,该企业已同 Google(谷歌)签署一项购电协议,计划从 2030 年开始向谷歌位于美国俄勒冈州的数据中心站点交付 50MW 的清洁电力。 根据《华尔街日报》的报道,这笔交易总价值超 5 亿美元(IT之家注:现

    来源 AI 行业观察
  21. Pax Silica与远程访问禁令:美国AI管制为何还在打补丁

    这周刚开始,美国就传来两则消息。这两则蕴含制裁意味的消息,放在一起看,比分开看更有意味。 11月15日,美国与澳大利亚、英国、以色列、印度、日本、韩国、新加坡、卡塔尔、阿联酋九个伙伴国在旧金山签署《旧金山宣言》,以Pax Silica之名,承诺共同保护支撑超级智能的敏感技术与关键基础设施。 第二天,11月16日,美国商

    来源 AI 行业观察
  22. ElevenLabs收购日本Kotoba:语音AI智能体加速落地日本

    全球语音AI领域现重要整合:ElevenLabs宣布收购日本领先语音AI实验室Kotoba。双方将强强联手,加速AI智能体与语音交互界面在全球第四大经济体日本的落地普及。此次合作意在突破语言文化壁垒,打造适应本土化深层语境的语音AI,应对地域色彩、复杂方言等交流差异,推动语音技术更自然融入当地市场。

    来源 AI 产业速递
  23. 观壹智能完成数亿元首轮融资:IDG资本领投,谢伟迪任CEO

    近日,投中网获悉,生命模型智能公司观壹智能(OneX Intelligence)宣布完成首轮数亿元融资,由IDG资本领投,创世伙伴创投(CCV)、沄柏资本、交大菡源资产、云启资本跟投,财务顾问为棕榈资本。本轮资金将主要用于生命智能基础模型研发、湿实验平台建设和产业合作验证。 据投中嘉川CVSource数据,观壹智能由上

    来源 AI 行业观察
  24. OpenAI牵手LVMH媒体部门:17家出版物接入ChatGPT

    OpenAI与LVMH媒体部门签署战略合作协议,覆盖该部门旗下全部出版物。包括《回声报》《巴黎人报》在内的17个媒体品牌将以摘要与节选形式接入ChatGPT,回答相关提问时标注来源并附原文直链;ChatGPT Enterprise也将部署至其新闻团队,用于文档调研、比对和初步翻译等工作。

    来源 凤凰科技
向下滚动自动加载更多