國產“預製算力”來了：工廠預製率超90% 24小時內投運 交付效率提升70%
8月19日，在AI Hangzhou 2026杭州人工智能大會暨長三角人工智能發展大會期間，國產AI芯片企業太初（杭州）集成電路有限公司（又簡稱“太初元碁”）正式對外發布面向產業集群建設的分佈式算力解決方案，以預製化集裝箱算力單元為核心，破解產業算力落地的效率與場景瓶頸。太初元碁首席產品官、高級副總裁洪源表示，當前，算⼒作為數字經濟的核⼼⽣產⼒，正從架構、密度到⽣態層⾯經歷全⽅位的重構與升級，傳統模式已難以匹配AI時代的爆發式需求。
“根據我們對於市場的觀察和調研，我們看到算力需求正從中心雲端向全域邊緣擴散，金融、能源等行業中小規模算力需求激增，”洪源說道，“然而，傳統智算建設週期長、機房承載門檻高、資源彈性不足、特殊場景難部署等問題，已難以匹配產業爆發節奏。為了快速滿足不同行業對於算力的需求，我們推出分佈式算力解決方案，依託集裝箱組合打造‘算、網、存、冷’超預製模塊。
” 據介紹，本次發佈的標準化集裝箱算力產品矩陣共包含3類產品：風冷智算集裝箱——45英尺標準箱體，64卡算力規模，FP16算力80PFLOPS，列間空調風冷散熱，適配通用算力場景；液冷超節點集裝箱——20英尺緊湊型箱體，128卡高密算力，冷板式液冷控溫，空間利用率與部署靈活性更強；超節點集裝箱集群——45英尺三艙架構，256卡旗艦配置，FP16稀疏算力達307PFLOPS，可支撐中等參數量模型預訓練。
洪源表示，該系列產品工廠預製率超90%，現場接入水電即可24小時內投運，交付效率較傳統模式提升70%，支持積木式分期擴容、風光儲綠電接入，IP55級防護可直接部署於戶外、園區、礦區等無傳統機房場景，算力利用率提升至60%以上。在配套方面，分佈式算力解決方案方案配套自研算力管理平臺，可實現廣域分佈式節點統一調度與無感使用，內置主流大模型與訓練微調工具，向上支撐AI4S科學計算平臺與Token服務平臺兩大能力體系。目前，該方案已在氣象預測、生物醫藥、量子計算模擬等領域落地驗證，可快速滿足產業集群算力建設、企業應急擴容等多元需求。
除了發佈分佈式算力解決方案外，作為本次大會的智創賦能夥伴，太初元碁還攜多款自研產品亮相大會，涵蓋以自研芯片T2 Ultra 為核心打造的元碁HyperIntelliX 超智融合計算系統、國產 AI4S 計算平臺、輕量化國產AI算力終端元碁AI工作站、面向企業與開發者的桌面級AI產品元碁Mini Station等等，全方位展示其在國產算力的硬核實力。其中，元碁 HyperIntelliX為面向AI4S的全國產智算+超算融合計算平臺，可支撐萬億參數大模型訓推與AI4S科學計算雙重需求。
國產自研的 AI4S 計算平臺聚焦氣象預測、生物醫藥、量子力學、化學材料、流體力學等前沿科學領域；以自研異構眾核 AI 芯片作為算力底座，打造覆蓋硬件、基礎組件、加速庫、模型框架、開發套件的全棧原生科研解決方案，為我國科學智能研究提供國產化算力支撐。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.