Nvidia 公司今天宣布计划在美国大规模生产人工智能超级计算机。
公司同时透露,台湾半导体制造公司 (TSMC) 已在其位于亚利桑那州的晶圆厂园区开始生产 Blackwell 芯片。该园区目前包含一座去年启用的运营中的处理器工厂。未来几年,TSMC 计划在该地点建设另外五座晶圆厂以及两座先进封装设施。
Nvidia 同时还与其他几家供应商合作,共同推动其在美国的新制造计划。参与方包括 Amkor Technology Inc.、Wistron Corporation、SPIL Co. 以及 Foxconn。
Nvidia 的 Blackwell 芯片内置 288 千兆位的存储器,可用于存储人工智能模型的数据。该存储器与芯片中的逻辑模块(用于执行计算的组件)通过一种称为封装的互联技术集成。参与 Nvidia 新制造计划的两家合作伙伴 Amkor 以及 SPIL 均是全球领先的芯片封装供应商。
在这两家公司中,Amkor 规模较大,年收入超过 60 亿美元。目前,Amkor 正在亚利桑那州 TSMC 芯片园区附近建设一座价值 20 亿美元的封装工厂。Amkor 表示,该工厂将为包括人工智能系统在内的产品提供封装组件。
TSMC 的晶圆厂大概仅生产 Nvidia Blackwell 芯片中的逻辑模块。后者历来依赖 SK Hynix Inc. 提供与逻辑模块集成的高速存储器。今年早些时候,Samsung Electronics Co. Ltd. 也获得了为 Nvidia 处理器制造存储器的许可。
这家芯片制造商的旗舰级 Blackwell 显卡在处理以 FP4 格式存储的数据时,能够提供 20 拍浮点运算性能,而这种格式被 AI 应用广泛使用。1 拍浮点运算相当于每秒 1,000 万亿次计算。Nvidia 最近预览了改进版芯片 Blackwell Ultra,其承诺在推理工作负载上比原版提高 50% 的性能。
Nvidia 今天详细说明,尽管其 Blackwell 芯片将在亚利桑那州生产,但 AI 超级计算机将于德克萨斯州制造。该公司以 DGX 品牌销售的服务器可以互联组成超级计算机。最先进的 DGX 服务器将八颗 Blackwell 芯片与近 2TB 闪存存储以及其他辅助组件集成在一起。
根据 Nvidia 的说法,Foxconn 和 Wistron 分别将在休斯顿和达拉斯制造超级计算机。Foxconn,即富士康精密工业股份有限公司,最近透露其生产了全球大部分由 Nvidia 驱动的 AI 服务器。另一家主要的电子制造商 Wistron 也据称正在美国投资 5000 万美元建设一座 AI 服务器工厂。
Nvidia 表示,参与该计划的供应商将共同投入超过 100 万平方英尺的制造空间用于生产其产品。根据该芯片制造商的说法,Foxconn 和 Wistron 的设施将在未来 12 至 18 个月内扩展生产规模。
Nvidia 将协助设计和运营这些新工厂。该公司计划利用其 Omniverse 和 Isaac GR00T 产品套件完成这一工作。
Omniverse 是一组可以用于创建数字孪生(物理系统的虚拟复制品)的软件工具。制造商利用数字孪生来模拟生产线,并找出改进之处。Nvidia 计划在该项目中使用的另一款产品套件 Isaac GR00T 则简化了为工厂机器人开发 AI 模型的过程。
Nvidia 首席执行官 Jensen Huang 表示:“全球 AI 基础设施的引擎首次在美国建设。增加美国本土制造有助于我们更好地满足对 AI 芯片和超级计算机日益增长的需求,增强我们的供应链并提升我们的韧性。”
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。