OpenAI 提出真实场景评估框架,用 GPT-5 优化分子克隆流程以衡量 AI 加速湿实验室生物研究的能力
OpenAI 推出真实场景评估框架,用于衡量 AI 在湿实验室中加速生物研究的能力,并将 GPT-5 应用于优化分子克隆协议,展示了 AI 辅助实验的潜力与风险。
OpenAI 推出真实场景评估框架,用于衡量 AI 在湿实验室中加速生物研究的能力,并将 GPT-5 应用于优化分子克隆协议,展示了 AI 辅助实验的潜力与风险。
OpenAI 借助 Codex 在 28 天内完成并交付了 Sora for Android。团队通过 AI 辅助的规划、翻译与并行编码工作流,以小规模团队实现了快速且可靠的开发。
数据中心液冷主要有冷板式、浸没式和风液共存三种技术路线。冷板式将换热器贴合发热部件就近散热,需与风冷叠加使用,系统PUE和成本较高,且液冷环路为单环路无冗余;浸没式将IT设备完全浸没于冷却液。
创业者莱奥Leo 分享三年创业感悟,主张放弃一级市场宏大叙事,回归"小而美"商业模式,把现金流、身心健康和持续正能量作为幸福感的真正基石。他认为创业者应先解决物质层面的生存与体面生活,再谈热爱与事业;兴趣只是把玩,热爱才是愿意忍受枯燥去为他人创造价值的能力。
本文从产业与金融结合视角,拆解海外超大规模数据中心项目融资中资产洁净度、强势租户博弈与地缘合规三大风险结构。融资方需在收入端通过SNDA和压力测试对冲租户终止风险与SLA罚金冲击,在建设端强化出口管制合规审查与EPC履约担保,在资产端确保土地、水电权利可被有效处置,以构建兼顾刚性债务与动态运营的"反脆弱"融资结构。
Consensus 基于 GPT-5 与 OpenAI Responses API 构建多智能体研究助手,可在数分钟内完成文献阅读、分析与证据整合,服务超过 800 万研究人员。该工具将大语言模型能力用于科学证据合成流程,帮助缩短科研检索与综述环节的耗时。
高盛报告将铜类比为"AI时代的石油",因为高端GPU与数据中心电网对铜的需求正随算力扩张急剧上升。每颗英伟达H100含3273颗锡球与数千根铜导线,GB300单机柜功率密度最高达130kW;施耐德电气测算1GW数据中心用铜约6.58万吨,预计2026年数据中心与电网用铜量合计将超133万吨。
OpenAI 推出名为 GDPval 的评测,用于衡量模型在 44 个职业的真实经济价值任务上的表现。该评测聚焦于实际工作场景下的任务完成能力,旨在以可量化方式反映模型在劳动力市场相关任务中的性能水平。GDPval 将作为 OpenAI 评估模型真实世界表现的新基准。(约 90 字)
风冷已无法应对AI数据中心单机柜功率密度从10kW扩展至120kW以上的散热需求,水的热导率约为空气的23倍,液冷由此成为必选项而非优化选项。
Meta 近期计划出售约20亿美元数据中心资产并拟于2026年启动"联合建设"模式,引发行业对其自建逻辑的讨论。文章通过五个灵魂提问拆解自建IDC的核心要素(资金、人、设计、运营),并从竞争差异化、大公司融资成本、Capex对比以及资产轻重等角度分析自建相较租赁未必成立的原因。
OpenAI 发布 GPT-5 系统卡,介绍其统一模型路由系统如何在 gpt-5-main、gpt-5-thinking 及 gpt-5-thinking-nano 等轻量版本之间进行调度,以兼顾响应速度与推理深度。该系统按不同任务和开发者使用场景进行优化。
作者从投资视角提出"个人估值 = know how × 价值观 × 过往业绩 × know who × 市场环境"的评估框架,将打工人比作可被量化的"上市公司"。其中 know how、价值观、过往业绩、know who 四项由个人主动掌控,市场环境则是最大变量,决定同能力者在风口与低谷下的身价差。文章建议国内 IDC 从业者短期内加入经营稳健的公司"苟住",或转向海外市场成为国际化人才。
作者莱奥Leo与常驻美国、专做TMT行业的IDC分析师A君交流,讨论了全球IDC行业的一线信息差与中美AI算力代差。作者认为国内数据中心平均机柜密度仅为美国的1/2至1/3,增量也只有美国的1/3至1/4,未来接触过海外数据中心从设计到交付全流程的人员将更具竞争力。
Model ML 首席执行官 Chaz Englander 在 OpenAI News 的 Executive Function 系列中指出,AI 原生基础设施与自主智能体正从根本上重塑金融服务工作流。该讨论聚焦于金融机构如何基于 AI 进行业务重建,而非围绕具体案例或可量化结果展开。
预制模块化数据中心正凭借120天建设周期改写传统土建18个月的行业规则,在边缘计算场景中成为高校科研、安徽高速沿线及海外电信枢纽的首选方案。相较传统模式,预制化方案建设周期缩短至2-6个月,PUE可降至1.1以下,利用率突破50%上限。华为磐石结构通过9烈度抗震测试,华为、浪潮、中兴已推出三代预制化产品,从集装箱式到建筑级集群式AIDC持续演进。
预制模块化数据中心通过工厂预集成和现场拼装,将建设周期从传统18个月压缩至4到6个月。新会中集交付的济南10MW算力工厂仅用120天投运;华为东莞松山湖云数据中心1000个机柜规模项目6个月交付,每座POD由189个预制化箱体堆叠而成。预制装配率达90%,现场施工集中在吊装拼接和调测,并具备机柜可整体搬迁、避免资产沉没成本的优势。
2025年上半年,国内IDC市场呈现REITs首批获批、万国数据扭亏为盈、液冷渗透率预计突破20%、第三方运营商份额首次超越传统运营商等重大变化。行业同时面临三大迷思:8-10年租约到期后的资产残值争议、头部OTT需求因Deepseek冲击未来2年明显下降导致的供过于求内卷,以及DLC液冷和800V DC供电尚未标准化带来的ReCapex投资风险。
中国数据中心正通过液冷、AI运维、模块化、电力储能、数字孪生和边缘计算六大设计创新重构"数字心脏"。北京亦庄某数据中心采用浸没式液冷实现PUE低于1.08、较传统风冷节能40%,华为FusionDC预制模块可在45天建成2000机柜,百度"冰川"系统故障预测准确率达92%。
绿色数据中心通过PUE、WUE、CUE等指标衡量能效与碳排,国际常用LEED、GB/T 50378和TGG三类评价标准,提升指标的核心方向包括自然冷却、高压直流供电、AI调优及液冷技术,单机柜功耗可达50kW、PUE低至1.09。
数据中心建设成本需按应用场景与等级分别估算。按应用场景分:云计算数据中心每瓦约1.8–2.8美元、每机柜3.5万–5.5万美元;企业自用数据中心每瓦约2.5–4.0美元、每机柜5万–8万美元;边缘数据中心每瓦约3.0–5.0美元、每机柜6万–10万美元;HPC/AI数据中心每瓦约4.0–6.0美元、每机柜8万–15万美元,液冷系统占成本超30%。
OpenAI 在 API 中推出下一代音频模型,新增文本转语音功能,允许开发者通过指令控制语音风格,例如要求模型"像一位富有同理心的客服代表那样说话",为语音代理带来新的灵活度。
数据中心与传统机房在定义、设计哲学、功能定位和应用场景上存在本质差异。传统机房仅是保障服务器运行的设备托管空间,而数据中心依据 GB50174-2017《数据中心设计规范》,已成为承载算力生产、数据加工和智能决策的数字生态系统实体载体。
Cognition 联合创始人兼 CEO Scott Wu 介绍其使用 OpenAI o1 进行编程的体验,认为 o1 能以更接近人类的推理方式辅助编码决策。该讨论聚焦 o1 在代码生成与判断过程中的类人思维表现,而非数据中心建设与运维相关内容。
OpenAI 发布对 ChatGPT 于 3 月 20 日发生服务中断事件的调查更新,披露此次故障的技术原因及公司已采取的处置与修复措施。官方在公告中说明了引发中断的具体 bug,并介绍了已执行的缓解动作和相关技术细节。原文未披露受影响用户规模、持续时长、基础设施细节或修复时间表等具体数字。
大型神经网络是当前 AI 进展的核心,但训练过程是一项复杂的工程与研究挑战,需要调度由多块 GPU 组成的集群来完成一次同步计算。相关文章围绕训练大型神经网络所涉及的关键技术与工程方法展开讨论,聚焦集群编排与同步计算层面的实现路径。
OpenAI 发布开源 Python 风格编程语言 Triton 1.0,用于在 GPU 上编写神经网络代码。该语言面向没有 CUDA 经验的科研人员,使其能够在大多数情况下写出与专家水平相当的 GPU 代码。Triton 以开源形式发布。
OpenAI 已将 Kubernetes 集群规模扩展至 7,500 节点,为 GPT-3、CLIP 和 DALL·E 等大模型提供可扩展基础设施,同时支持 Scaling Laws for Neural Language Models 一类的小规模迭代研究。集群达到 7,500 节点量级,可同时支撑大规模训练与频繁的小规模实验。
OpenAI 与 Google 研究人员合作提出名为"激活图谱"的新可视化技术,用于揭示神经网络内部神经元交互所表征的内容。该技术旨在深入理解 AI 系统内部决策过程,以便在敏感场景中识别模型弱点与故障原因。
OpenAI 发布 Neural MMO,一个面向强化学习智能体的大规模多智能体游戏环境。该平台支持在持续且开放式任务中容纳数量可变的大量智能体。研究表明,多智能体与多物种的引入有助于促进更充分的探索、形成差异化的生态位,并提升整体能力水平。
OpenAI 研究发现,梯度噪声尺度这一统计指标可预测神经网络训练在多种任务上的并行化潜力。复杂任务的梯度噪声更大,未来可使用更大的批量规模,从而解除制约 AI 系统进一步扩展的限制。研究表明,神经网络训练可以摆脱"神秘艺术"的标签,被严格化和系统化。
OpenAI 开发了 Random Network Distillation(RND),一种基于预测的方法,通过好奇心机制驱动强化学习智能体探索环境。该方法首次在 Montezuma's Revenge 游戏上达到超越人类平均水平的成绩。
OpenAI 制作出在不同缩放尺度和视角下观察时仍能稳定欺骗神经网络分类器的对抗图像。该结果对前一周"自动驾驶汽车因从多尺度、角度和视角采集图像而难以被恶意欺骗"的说法构成挑战。
OpenAI 发文指出,深度学习是一门实证科学,团队基础设施的质量会成倍放大研究进展。作者认为,当前的开源生态已使任何人都能搭建高质量的深度学习基础设施。文章强调基础设施投入对深度学习研究产出具有乘数效应。