Archive
AI 晶片、GPU、資料中心、邊緣裝置與硬體安全。
GitHub Repo
SashikoとPatchworkの連携をめぐる議論の中で、Linus Torvaldsは、Linux kernelは反AIプロジェクトではないと明言した。反対者はオープンソースのルールに従ってforkするか、離れることを選べる。これはAI生成物を無条件に容認するものではなく、AIツールを既存の技術評価の枠組みに組み込むということだ。成果は有用でなければならず、責任は引き続き人間のmaintainerとsubmitterが負う。
AI 科學與高效能運算
Genesis Missionの第1弾プロジェクトは、原子力、重要鉱物、チップ設計、商用核融合を網羅。研究チームはモデル、エージェントフレームワーク、高性能コンピューティング資源を共同利用する。OpenAIもCodexの利用権とAPIクレジットを提供し、約2,000人の研究者と2件の大規模科学実験を支援する。
訓練系統
研究チームはDeepSeek-V4ファミリー向けに並列化戦略、通信スケジューリング、カーネル、演算子融合を再設計し、Ascendでの学習効率をオープンソースのベースライン比2.93倍に高めた。さらに、ソルバーで検証したデータを用いてオペレーションズ・リサーチ用モデルを学習したが、コード、データ、ハードウェア測定については、より完全な公開再現性が求められる。
推論系統
BaseRTは、手書きのDense／MoE GEMMおよびFlashAttentionカーネルを追加し、プロンプト段階の行列演算をM5 GPU内のNeural Acceleratorに委ねる。チームはM5 Proでllama.cppとMLXを大幅に上回ったと報告しているが、現時点のデータは開発元による単一マシンでのテストに限られる。
具身 AI／機器人
Alibaba DAMO Academyは、2B、9B、122B-A10Bの3種類のRynnBrain 1.1モデルを公開し、接触点予測とネイティブ3D groundingを追加した。併せて開発されたRynnBrain-VLAは、統一されたアクション空間を用いてUnitree G1、Astribot-S1、天機舞姫を横断的に訓練するが、ハードウェア間の汎化性能は、現時点では主にチーム独自の実験によって裏付けられている。
AI 基礎設施
Anthropicは2027年上半期から、AMD Instinct MI450シリーズGPUの初期導入を開始し、総規模を最大2 GWまで拡大する計画だ。この提携はハードウェアの調達にとどまらず、両社はClaudeを活用してGPUワークロードとROCmソフトウェアスタックを最適化する。
GPT-5.6ファミリーが一般提供を開始し、Sol、Terra、Lunaがそれぞれ最高性能、コストとのバランス、大量の低コストワークロードを担う。3モデルは長大なコンテキストとツールインターフェースを共有するが、推論コスト、安全性に関する挙動、実際の品質については個別の評価が必要だ。
推論系統
Nemotron 3 Embedは、8B BF16、1B BF16、1B NVFP4のテキスト埋め込みモデルを提供する。低精度版では、検索モデルのメモリ効率とスループット効率が最優先の設計目標に据えられているが、品質については対象コーパス上での検証が必要だ。
硬體
NVIDIAは、Vera Rubinプラットフォーム向けに設計されたSpectrum-6スイッチシステムの導入を開始した。シングルチップで102.4 Tbpsのスループットを実現し、800Gb/sポート、液冷、Co-Packaged Optics（CPO）のオプションも導入。10万基を超えるGPUのscale-outネットワークをターゲットとしている。
Microsoftは、AzureでAMD Heliosを大規模展開し、第6世代EPYCを搭載したHDv2、HXv2、およびMI455X推論インスタンスを提供する計画だ。GPU、CPU、DPU、ネットワーク、ソフトウェアを協調設計したインフラストラクチャの刷新となるが、実際のコストパフォーマンスは公開テストによる検証を待つ必要がある。
Googleは、Webアプリで`.tflite`モデルを直接実行し、デバイスに応じてCPU、GPU、NPUを利用できるLiteRT.jsを公開した。ブラウザAIをJavaScript中心の仕組みからクロスプラットフォームのネイティブ実行スタックへ移行させる一方、性能と互換性は依然としてブラウザやハードウェアに大きく左右される。
LiteRT.jsは、Googleのクロスプラットフォーム推論ランタイムをWebAssemblyでラップし、CPU、GPU、NPUにそれぞれXNNPACK、WebGPU、実験的なWebNNを対応させる。既存の`.tflite`モデルをクライアント側で実行しやすくする一方、性能と互換性は依然としてブラウザやデバイスに大きく左右される。