受近期关税风波的影响,NVIDIA 正计划在美国生产部分 AI 芯片和超级计算机。该公司宣布,正在亚利桑那州研发和测试其 Blackwell 芯片,并计划在德克萨斯州生产其 AI 超级计算机 —— 可能指的是近期发布的 DGX Spark 和 DGX Station。
NVIDIA 表示,TSMC 已在亚利桑那州菲尼克斯生产 Blackwell 芯片,并与 Amkor 和 SPIL 合作进行测试和封装。在德克萨斯州,该公司的超级计算机将由位于休斯顿的 Foxconn 和达拉斯的 Wistron 生产。NVIDIA 表示,预计两家工厂将在未来 12-15 个月内加速实现量产。
目前尚不清楚 TSMC 将生产 NVIDIA 的哪一个版本的 Blackwell 芯片,但该晶片制造商计划具备应对包括 Apple 和 Qualcomm 在内的多家美国科技公司广泛制造需求的能力。TSMC 在拜登政府期间通过 CHIPS Act 获得了 66 亿美元的资金,并在三月宣布计划再投资 1000 亿美元以扩展其在美国的业务。
NVIDIA 直接受益于当前的 AI 热潮,但如果受到美国总统 Donald Trump 最新一轮关税政策的影响,其业务也可能遭受重大冲击。截至 4 月 11 日,这些关税中部分已对电脑和芯片实行“暂停”政策,为 NVIDIA 等公司免除了部分财务困境;然而,将部分制造业务迁至美国则为规避持续的贸易战提供了更为持久的解决方案。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。