今年对印度的科技格局具有关键意义,基础设施扩张、监管成熟化以及全国范围内对人工智能(AI)的推进成为显著特征。
从政府重启国家数据中心政策,到OpenAI制定千兆瓦级设施的雄心勃勃计划,重点一直放在构建支持下一代AI工作负载所需的基础设施上。这与成熟节点半导体的加倍投入和公有云市场的快速增长相辅相成。
与此同时,Ola的Krutrim等本土企业推出了AI优先的主权云,以满足印度的语言和数据驻留需求,而Jio、AMD、思科和诺基亚等主要行业合作伙伴关系则突显了印度开发专业化电信AI平台而不仅仅是采用全球解决方案的决心。
为了降低AI风险,印度储备银行还推出了指导金融领域安全采用AI的框架。对于该国庞大的IT劳动力,有一个明确的呼吁:摒弃旧技能,拥抱AI、自动化和专业化领域,因为该国正在巩固其作为全球科技中心的地位。
在这份今年印度顶级IT新闻的汇总中,我们回顾了一些让整个次大陆的首席信息官和技术供应商全年忙碌的关键发展。
印度在AI推进中重启国家数据中心政策
政府正在推动单一窗口审批和分布式基础设施,为印度在其国家数据中心政策中迎接AI和云工作负载做准备。
开源采用面临现实检验
行业领导者称赞开源推动创新的力量,但警告其采用需要大量努力、尽职调查以及对固有复杂性和许可挑战的清晰理解。
印度预算:科技成为焦点,AI和基础设施获得提升
印度在其最新预算中为人工智能、全球能力中心和数字公共基础设施指定了重大投资,同时加强培训和教育。
印度依靠成熟节点芯片建立半导体优势
印度正在加倍投入为汽车、医疗保健和电子设备提供动力的成熟节点芯片,利用激励措施和全球供应转移来建立自己的地位。
印度储备银行为印度金融部门AI采用提出框架
印度央行已提出指导金融部门AI采用的框架,同时建议建设共享基础设施、实施保障措施并促进金融包容性。
Ola的Krutrim为印度构建"AI优先"主权云
Krutrim正在构建垂直集成的技术栈,以使AI对印度企业来说既经济实惠又可扩展且具有主权性,同时满足该国的语言需求。
印度公有云市场将在2028年达到250亿美元以上
在数字化转型、生成式AI和多云策略的推动下,印度公有云服务市场预计在未来三年内将超过250亿美元。
Jio、AMD、思科和诺基亚将构建电信AI平台
印度的Jio平台、AMD、思科和诺基亚已联手开发开放电信AI平台,旨在通过人工智能和自动化提高电信网络的效率和安全性。
印度科技人才适应AI时代
印度的IT专业人员需要摒弃旧技能,拥抱AI、自动化和专业化领域,因为该国正在巩固其作为全球科技中心的地位。
OpenAI以数据中心推进瞄准印度
这家AI公司计划在印度开设一个1千兆瓦的数据中心,这可能会降低延迟、确保监管合规并使其相对于超大规模云服务商获得优势。
Q&A
Q1:印度为什么要重启国家数据中心政策?
A:印度重启国家数据中心政策是为了准备迎接AI和云工作负载,政府正在推动单一窗口审批和分布式基础设施建设,以构建支持下一代AI工作负载所需的基础设施。
Q2:Krutrim的AI优先主权云有什么特点?
A:Krutrim正在构建垂直集成的技术栈,旨在使AI对印度企业来说既经济实惠又可扩展且具有主权性,同时专门满足印度的语言和数据驻留需求。
Q3:印度公有云市场未来几年的发展前景如何?
A:在数字化转型、生成式AI和多云策略的推动下,印度公有云服务市场预计在未来三年内将超过250亿美元,显示出强劲的增长势头。
好文章,需要你的鼓励
33年后,贝尔纳多·金特罗决定寻找改变他人生的那个人——创造马拉加病毒的匿名程序员。这个相对无害的病毒激发了金特罗对网络安全的热情,促使他创立了VirusTotal公司,该公司于2012年被谷歌收购。这次收购将谷歌的欧洲网络安全中心带到了马拉加,使这座西班牙城市转变为科技中心。通过深入研究病毒代码和媒体寻人,金特罗最终发现病毒创造者是已故的安东尼奥·恩里克·阿斯托尔加。
这项由多伦多大学领导的研究首次系统性地揭示了分词器选择对语言模型性能的重大影响。通过训练14个仅在分词器上有差异的相同模型,并使用包含5000个现实场景测试样本的基准测试,研究发现分词器的算法设计比词汇表大小更重要,字符级处理虽然效率较低但稳定性更强,而Unicode格式化是所有分词器的普遍弱点。这一发现将推动AI系统基础组件的优化发展。
人工智能安全公司Cyata发现LangChain核心库存在严重漏洞"LangGrinch",CVE编号为2025-68664,CVSS评分达9.3分。该漏洞可导致攻击者窃取敏感机密信息,甚至可能升级为远程代码执行。LangChain核心库下载量约8.47亿次,是AI智能体生态系统的基础组件。漏洞源于序列化和反序列化注入问题,可通过提示注入触发。目前补丁已发布,建议立即更新至1.2.5或0.3.81版本。
北京大学研究团队提出NExT-Vid方法,首次将自回归下一帧预测引入视频AI预训练。通过创新的上下文隔离设计和流匹配解码器,让机器像人类一样预测视频下一帧来学习理解视频内容。该方法在四个标准数据集上全面超越现有生成式预训练方法,为视频推荐、智能监控、医疗诊断等应用提供了新的技术基础。