NVIDIA 刚开源了个牛逼的东西—— SkillSpector 最近 AI 圈最值得关注的工具之一。 ---- 每 20 个公开的 AI agent 技能包里，就有 1 个是恶意 ——你装进去那一刻，它就能读你的密钥、偷你的数据、悄悄往外发。 NVIDIA SkillSpector 专治这个。 它是个安全扫描器，在你装任何 skill 之前先回答一个关键问题：这东西跑起来安全吗？ 它支持： - GitHub 链接 - 压缩包 - 本地文件夹 - 单个 .md 文件 它会做一次快速静态分析（识别危险模式、注入、数据外泄等等）， 并把依赖实时比对漏洞库（ 还可以选用 LLM 复核意图，减少误报。 最后给你一个 0 到 100 的风险分 + 一句明确结论：能装 / 当心 / 千万别装。 Apache 2.0 开源， 已支持 Claude Code、Codex CLI 和 Gemini。 下次再看到那种"神器"skill，先扫一遍。

SpaceX携手NVIDIA推出Starmind AI1：太空数据中心级AI计算卫星 SpaceX宣布与Nvidia合作开发Starmind AI1卫星计算载荷，每颗卫星将搭载NVIDIA Rubin GPU和Vera CPU，实现数据中心级太空AI计算。 卫星采用巨型太阳能翼阵（翼展75米），峰值功率达250kW，利用太空无重力散热和持续太阳能优势，显著降低AI计算的冷却能耗。 项目计划在Bastrop建设Gigasat工厂，从2027年底大规模生产卫星，通过Starship发射并用激光链路连接Starlink向地球传输AI结果。

手上有 NVIDIA DGX Spark的話，先把 agent 安裝起來。叫它去讀 @MiaAI_lab 的 sparkDash，再叫它在機器上寫一個、或改一個 model switcher、service switcher。 Switcher 實際怎麼設 一份 registry。每個 serving stack 一張卡。現在七張。 每張卡帶：它在哪台機器、要探的 IP 加 port、它該回報的 model id、以及啟動跟關掉的兩支腳本。 四張在 head，`:8888`、`:8889`，loopback 探。三張在 worker，27B 在 `:8888`、TTS 在 `:8010`、MiniMax 在 `:8000`，走 CX7 探。啟動關掉走 ssh，因為腳本在 worker 上。 兩台都用 8888 這個 port。所以不能用 port 當鑰匙。要用 host 加 port，再加上它回報的 model id。Head 跟 worker 能同時掛在同一塊面板上、又不會認錯，就靠這對。 活著沒有，靠便宜的探針。OpenAI 那種 stack 打 models 那個端點。 沒有 id 清單的卡，就只看探針回不回。 切換順序是寫死的，不是聰明的。先停掉全部。兩台都把 page cache 丟掉。UMA 上這步不能省，否則下一包權重要進記憶體時，空閒檢查會過不了。再跑目標自己的 start 腳本。輪詢到 API 肯回答。Dashboard 不自己發明啟動參數。它叫操作員寫好的腳本。 畫面上一個 stack 一張卡。亮著的那張綠點。節點、host:port、現在活著的 model id。Start、Stop、Switch。連到它的 console。切換進行中，進度從 operation log 流下來。 旁邊那些附屬服務另開一區，不算進 UMA 預算。`:8814` 那個檔案上傳。普通的 node process，記住 pid。要開再開，要關再關。模型切走，它還在。 我們活在最好的時代,能想出來就可能創造出來. 我剛做完，現在在用。

1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下? 不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 —— 訓練留在雲端,推論回到本地。 2/ 關鍵突破一:FP4 改寫遊戲規則 70B 參數的模型,用 FP16 要 140GB 記憶體; 換成 FP4 → 只要 35GB。 一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。 精度損失?用 QAT(量化感知訓練)幾乎可以忽略。 3/ 關鍵突破二:Memory Wall 正在被打破 LPDDR5X 頻寬不夠? •Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s •LPDDR6(2027)頻寬再翻倍 •NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構 桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。 4/ 關鍵突破三:你根本不需要 data center Data center 解決的是: ✅ 訓練 frontier model(兆級參數) ✅ 服務全球數十億用戶並發 個人需要的是: ✅ 一個跑得動 70B–200B 模型的本地大腦 ✅ 隱私、低延遲、不用月費 這兩件事根本是不同問題。 5/ 投資啟示 💡 •HBM 仍是訓練端王者(SK Hynix、Micron) •但邊緣推論晶片 + 高頻寬 LPDDR/統一記憶體會是下一個十年的新戰場 •NVIDIA DGX Spark、Apple Silicon、AMD Strix Halo、高通 X Elite —— 都在卡位 未來不是雲端 vs 桌面,是雲端做訓練,桌面做你的 AI。

Leopold 的Situational Awareness基金的13f已经公布。整个组合的变化已经可以从“主题表达”上升到“市场阶段判断”。 此前市场对 Situational Awareness LP 的理解，更接近一个高确信度 AI infrastructure long-only 风格组合：集中押注电力、GPU 云、数据中心、矿企转型和光通信，逻辑核心是 AI 带来的基础设施瓶颈会持续恶化，从而驱动相关资产长期重估。 但最新 filing 显示，基金虽然并未放弃这一长期 thesis，却明显开始调整表达方式。减仓列表高度集中于此前涨幅最大、估值扩张最明显、且最依赖 AI 资本开支持续加速的资产。这说明管理人当前更关注的，已经不是“AI 是否继续增长”，而是“市场对 AI 增长的定价是否已经过度线性化”。 这一点在 CoreWeave 上尤其明显。 CoreWeave 普通股与 call option 同时大幅下降，意味着基金不仅降低了现货风险敞口，也降低了对进一步爆炸性上涨的杠杆暴露。此前 CoreWeave 是整个 AI infrastructure trade 中最具“金融杠杆属性”的资产之一：它本质上是 NVIDIA GPU scarcity 的衍生表达，估值高度依赖 hyperscaler 持续外包 AI 算力需求，以及资本市场持续愿意为 GPU 扩张融资。 因此，减持 CoreWeave 的意义，并不只是简单止盈，而更像是对整个 AI capex acceleration trade 的风险再评估。基金可能认为，市场此前默认的“AI 投资会无限制持续加速”这一叙事，已经开始进入边际验证阶段。一旦 hyperscaler 开始讨论 ROI、推理成本、模型商业化效率或 capex 回报率，CoreWeave 这类高杠杆 AI 基础设施资产的估值弹性就可能显著下降。 Bloom Energy 的减仓则透露出另一层信息。 Bloom Energy 原本是 AI 电力短缺 thesis 中最纯粹的受益标的之一，因为市场逻辑非常直接：AI 数据中心需要电，而传统电网无法快速扩容，因此分布式供电和天然气燃料电池将获得结构性需求。然而，这种逻辑的问题在于，它很容易被市场进行过度线性外推。 从仓位变化来看，基金并未完全放弃 Bloom，而是降低仓位权重。这更像是一种“长期逻辑仍成立，但短期定价已明显前置”的处理方式。换句话说，管理人可能开始认为，市场已经提前交易了未来数年的 AI 电力需求增长，而实际订单兑现、项目建设周期、燃气供应链以及数据中心上线节奏，未必能够匹配当前估值所隐含的增长曲线。 类似逻辑也适用于 CORZ、IREN、APLD、RIOT 等资产。 这些公司此前最大的重估逻辑，在于市场逐渐接受： 拥有电力、土地、冷却系统和高功率接入能力的矿企， 本质上已经是 AI 数据中心的潜在基础设施供应商。 这个方向本身并未失效。但问题在于，这一交易在过去几个季度已经迅速从“非共识”演变成“高度拥挤”。一旦市场开始普遍接受“矿企转 AI 数据中心”的逻辑，资产价格就会从基于现实现金流，转向基于远期 AI 基础设施想象空间进行定价。 而当估值主要依赖远期叙事时，波动率通常会明显上升。 这也是为什么这份 filing 中，大量新增 put 与存储链上的双边期权结构非常重要。它意味着基金正在从“单边 AI beta”转向“AI 波动率交易”。 这一变化的核心，并不是基金不再相信 AI，而是基金开始认为： AI 基础设施资产未来最大的特征， 可能不是稳定上涨， 而是剧烈重定价。 这与当前市场环境其实高度一致。 在这个阶段，资产价格往往会开始对边际变化异常敏感。 因此，基金当前的行为更像是在主动降低“线性乐观敞口”，同时提高“非线性收益敞口”。减仓高 beta AI 基础设施股票、降低 call 暴露、增加 put、以及在存储方向配置双边期权，本质上都指向同一个判断： AI 超级周期仍然存在，但市场对这一周期的定价，已经进入高波动、高拥挤和高预期阶段。

如果想入门机器人，可以学习英伟达的开源资料。 NVIDIA Isaac Sim™ is an open-source application on NVIDIA Omniverse for developing, simulating, and testing AI-driven robots in realistic virtual environments.

Avarok Cybersecurity 开源了 Atlas，一个用 Rust + CUDA 从零写的大模型推理引擎。它不依赖 Python 和 PyTorch，项目方称 Docker 镜像约 2.5GB，冷启动不到 2 分钟，目前主要面向 NVIDIA DGX Spark 的 GB10 平台优化。 官网模型矩阵显示，Atlas 在单台 DGX Spark 上跑 Qwen3.5-35B-A3B 可到约 130 tok/s，跑 Qwen3.6-35B-A3B 约 71 tok/s。Atlas 官网和 Hugging Face 页面称，在同硬件下，Qwen3.5-35B 平均约 111 tok/s、峰值 130 tok/s，vLLM 约 37 至 38 tok/s。 这组「3 倍 vLLM」数据来自项目方公开基准。GitHub README 写明，测试使用的是「法国首都是哪」这类短 prompt，生成上限不超过 30 个 token，temperature 为 0.1。这个口径更接近短请求、低并发、快速响应场景，也正好对应 Atlas 想打的卖点：用更小镜像、更少依赖和更快冷启动，把本地大模型服务变得更轻。 Atlas 现在仍是早期项目，真实生产场景还要看后续长文本、高并发和复杂工具调用测试。GitHub 上已有用户反馈输出质量和工具调用稳定性问题，相关 Issue 截至 2026 年 5 月 11 日仍处于 Open 状态。对开发者来说，它更像一个值得关注的新推理底座，而不是已经能全面替代 vLLM 的成熟方案。

$SIVE 的想象力空间挺大，跟lite和cohr同赛道，只有10亿市值又计划上市美股。 它在ib上能买的代码是 #2DG# 问gemini问题“Sive分析一下产品在amd，英伟达，等ai巨头的业务产线中的站位和其产品的全球市场规模”，下面上AI回答。 这家在 2026 年 AI 基础设施赛道中因“外部光源（ELS）”和“共封装光学（CPO）”技术备受瞩目的企业，以下是其在英伟达（NVIDIA）、AMD 等巨头业务线中的站位及全球市场规模分析。 一、 产品核心站位：AI 集群的“光引擎”驱动者 在英伟达与 AMD 的 AI 芯片演进中，**互连带宽（I/O）**已取代算力本身成为最大的系统瓶颈。Sive 的产品（主要是 CW-WDM 连续波激光器点阵和 RF 束成形芯片）处于以下关键环节： 1. 英伟达（NVIDIA）生态：Scale-up 网络的关键变量 • 站位： 英伟达从 Blackwell 架构向下一代（如 Rubin 或更高版本）演进时，传统的插拔式光模块（Pluggable Optics）因功耗和延迟瓶颈正向 CPO（共封装光学） 转型。 • 功能： Sive 的多波长激光器阵列作为 ELS（外部光源），被放置在计算模块之外，通过光纤为交换机或 GPU 旁的硅光引擎提供光源。 • 逻辑： 在 NVLink 的 Scale-up 网络中，Sivers 与 Jabil（捷普） 合作开发的 1.6T 及 3.2T 光收发模块，是实现万卡集群乃至十万卡集群低延迟通信的基础。 2. AMD 生态：Chiplet 互联与 Infinity Fabric 的光化 • 站位： AMD 在 Instinct 系列（如 MI350/MI400）中重度依赖 Chiplet（芯粒） 技术。 • 功能： 随着互联距离跨越板卡，光互连（Optical Interconnect）成为替代铜线传输 Infinity Fabric 信号的唯一手段。 • 逻辑： Sive 提供的激光阵列具备极高的波长稳定性，支持 WDM（波分复用）技术，这与 AMD 追求的低功耗、高密度的芯粒间光连接需求高度匹配。 二、 全球市场规模与需求空间 Sive 所处的细分赛道正经历从“边缘科研”到“主流基建”的跨越。 1. 硅光子（Silicon Photonics）核心市场 • 2026年预估值： 全球市场规模约 40.3 亿美元。 • 增长速度： 复合年增长率（CAGR）维持在 24%-25% 左右。 • Sive 份额： 在 ELS（外部光源）这一高壁垒细分环节，Sive 是全球少数能提供符合 CW-WDM MSA 标准的商业化供应商之一，与 Lumentum 和 Coherent 形成竞合关系。 2. AI 光互连总体有效市场 (TAM) • 根据高盛及相关行业报告预测，到 2026-2028 年，受 AI 集群扩容推动，全球 AI 光通信网络 TAM 将从 150 亿美元爆发式增长至 1500 亿美元 以上。 • Scale-up 占比： 其中用于芯片间、服务器间“纵向扩展（Scale-up）”的连接部分占据约 70% 的产值，这是 Sivers 激光器阵列最核心的应用场域。

推荐这个测试，Unsloth 对 Kimi K3 的极端量化。 一个 2.8T 参数的模型，压到几百 GB 仍保留大部分准确率。 Unsloth 团队在 7 月 29 日发布了 Kimi K3 的 GGUF 量化版本，并给出了 1-bit 和 2-bit 量化的实测数据。这是目前第一个对 2.8T 参数模型做极端量化的公开结果。 量化效果 | 精度 | 大小 | 准确率 | 对比全精度 | |------|------|--------|-----------| | 全精度 (MXFP4) | 1.56 TB | 100% | — | | Q8 | ~1.6 TB | lossless | — | | Q4 | ~1.1 TB | — | — | | Dynamic 2-bit | 861 GB | ~90% | 45% 更小 | | Dynamic 1-bit | 594 GB | ~78.9% | 62% 更小 | 关键数字：Dynamic 2-bit 在 861 GB 下达到约 90% 准确率，比全精度小了 45%。 即使压到 1-bit（594 GB），仍保留约 78.9% top-1 准确率。 实际意义 594 GB 意味着什么？NVIDIA DGX Station 或多台 Mac Studio 串联 128GB RAM 设备可以运行。Unsloth 团队还在尝试把 1-bit 版本压到 512 GB 以下。 通过 Unsloth Studio 或 llama.cpp 直接加载。 Benchmark 对比 Unsloth 同时给出了官方 benchmark 数据作为参考系：Kimi K3 的 Terminal-Bench 2.1 (88.3) 与 GPT-5.6 Sol (88.8) 几乎持平，BrowseComp (91.2) 超过 Fable 5 (88.0) 和 Sol (90.4)。GPQA Diamond (93.5) 仅次于 Sol (94.1)。 模型： 文档： #KimiK3# #Quantization# #GGUF#

关于黑莓，华尔街日报的这篇值得看看。blcakberry这家曾被认为“已死”的公司早已放弃手机硬件业务，转向软件领域，现在连续四个季度实现盈利（这是智能手机时代以来首次）。QNX 部门已成为公司营收主力，贡献约一半总收入。 核心业务是QNX 操作系统：2010 年收购的 QNX 原本是为手机业务服务，如今却成为公司复兴引擎。它是一种高度可靠的实时操作系统，被形容为“像房子里的管道和电线一样基础”，用户几乎感觉不到它的存在，但它支撑着关键功能。 在汽车领域的深度应用：已装载在 2.75 亿辆汽车 中，主要用于安全关键系统（而非娱乐系统），包括碰撞预警、盲点监测、自适应巡航、行人检测、车道保持等。黑莓不再做“漂亮的表面”，而是做底层“永不失效”的基础软件。 而且在4月底黑莓的QNX 部门最近（2026 年 4 月 20 日）与英伟达（NVIDIA）宣布扩大合作。合作内容聚焦于安全关键的边缘 AI（Edge AI）系统，并非手机或消费级产品，而是针对工业、医疗、机器人等高可靠性场景的底层软件平台。 将 QNX OS for Safety 8.0（QNX 的安全认证实时操作系统）与 NVIDIA IGX Thor 计算平台以及 NVIDIA Halos Safety Stack（安全栈）深度集成。两者结合形成一个统一的安全关键边缘 AI 平台，让开发者能轻松在 NVIDIA 硬件上构建、生产级安全 AI 系统。 1）QNX 提供确定性实时内核（microkernel-based RTOS），负责安全控制、实时性和功能安全认证。 2）NVIDIA 提供加速 AI 计算（包括感知、规划、决策等 AI 能力），加上 Halos Safety Stack 支持混合关键性（mixed-criticality）设计。
 应用场景也要扩展到汽车之外： 1）机器人：自主移动机器人（AMR）、人形机器人等。 2）医疗：手术机器人、医疗成像设备（QNX 已服务全球前十大医疗设备厂商中的九家）。 3（工业：工业自动化、工厂设备等需要高可靠性、实时响应的场景。 这不是第一次合作，而是扩大版。
2025 年中期，QNX 已与 NVIDIA 在汽车领域合作：QNX OS for Safety 8.0 集成到 NVIDIA DRIVE AGX Thor Development Kit，用于自动驾驶和汽车安全系统。
此次扩展是将同一套成熟的安全架构从汽车“搬”到机器人、医疗和工业领域。 对于BB的意义： QNX 一直是 BB 的“隐形引擎”（已在 2.75 亿辆汽车中用于安全系统，如碰撞预警、车道保持等），此次合作进一步打开物理 AI（Physical AI） 的巨大市场。它强化了 BB 从“手机公司”向“安全软件公司”的转型，目标是让 QNX 成为 AI 驱动的机器人/工业/医疗设备里的“看不见的安全基础”。 我看到了边缘AI到物理AI的关键安全平台正在快速发展的信号和BB困境反转的可能性。 仅是个人想法 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」