为配合美国总统特朗普的国事访问,英美两国签署了《科技繁荣协议》,旨在推动人工智能、量子技术和核技术的发展与部署。
基于英国政府在AI和科技领域440亿英镑的投资承诺,以及微软、英伟达、谷歌、OpenAI和CoreWeave总计310亿英镑的投资承诺,工党政府正致力于将英国打造成欧洲最大的AI工厂。
作为协议的一部分,英美两国将联合开展研究项目,进一步推进AI在靶向治疗等领域的应用,以及聚变能源等共同优先事项。这可能促使两国合作构建大语言模型,实现改变生命的突破,如为癌症或罕见慢性疾病患者提供靶向治疗。
英国科学、创新和技术部议会副国务卿卡尼什卡·纳拉扬将该协议描述为"首个英美科技协议"。他补充说:"我认为这有潜力改变整个英国的生活。"
当被问及本土技术技能不足的问题时,纳拉扬表示:"起点是英国已经拥有令人惊叹的人才。"除了大学、研究人员和AI初创企业的技能外,他还谈到了工党的50点AI机遇计划。"我们将激光聚焦式地专注于技能要素的执行,"纳拉扬说。"我们一直专注于确保让人们投资于英国人才和英国公司。"
他认为英美科技合作伙伴关系的目标之一是"说服全世界最优秀的创始人相信英国是他们建设事业的正确地方"。为实现这一目标,纳拉扬表示政府正与英国初创企业Nscale合作,部署欧洲最大的图形处理单元(GPU)集群。
据纳拉扬介绍,英伟达承诺在未来12个月内向英国供应12万个GPU。"我们向全世界每一位有才华的创始人宣布,英国现在拥有规模化的计算可用性,这是给予他们在此建设信心的一个基本投入,"他说。
纳拉扬表示,OpenAI将在第一阶段部署8000个GPU,预计将增长至6万个英伟达Grace Blackwell Ultra GPU。微软也承诺投资220亿英镑,包括23000个先进GPU,在劳顿建设英国最大的AI超级计算机。这两项交易都涉及Nscale公司,该公司最近宣布正在挪威建设OpenAI Stargate项目,使用10万个英伟达芯片。
此外,谷歌还在沃尔瑟姆克罗斯的数据中心设施投资了50亿英镑。
纳拉扬表示,英国的机遇不仅在于大规模建设主权计算能力,还在于使英国成为世界上AI应用和部署的最佳地点,帮助改善人们的生活。
英国首相基尔·斯塔默表示:"通过与来自英美两国的世界级公司合作,我们正在为未来奠定基础,共同成为明天技术的世界领导者,创造高技能就业机会,让人们口袋里有更多钱,确保这种合作伙伴关系惠及英国的每一个角落。"
Q&A
Q1:《科技繁荣协议》的主要内容是什么?
A:《科技繁荣协议》是英美两国签署的合作协议,旨在推动人工智能、量子技术和核技术的发展与部署。协议包括联合研究项目,推进AI在靶向治疗和聚变能源等领域的应用,以及大规模GPU集群建设等内容。
Q2:英国计划如何建设欧洲最大的AI工厂?
A:英国基于政府440亿英镑投资和微软、英伟达等公司310亿英镑的投资承诺,与Nscale等企业合作部署欧洲最大的GPU集群。英伟达承诺12个月内供应12万个GPU,OpenAI将部署8000个GPU并计划扩展至6万个,微软投资220亿英镑建设AI超级计算机。
Q3:这项合作对英国有什么实际意义?
A:该合作将帮助英国成为世界AI应用和部署的最佳地点,创造高技能就业机会,吸引全球优秀创始人在英国建设事业。通过大规模计算能力建设和技术合作,有望在癌症靶向治疗等领域实现突破,改善人们生活质量。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。