OpenAI发布了两款开放权重AI推理模型gpt-oss-120b和gpt-oss-20b，具备与o系列相似的推理能力。这是OpenAI自五年前GPT-2以来首次发布开放模型。两款模型在多项基准测试中表现优异，其中120b版本可在单个英伟达GPU上运行，20b版本可在16GB内存的消费级笔记本上运行。模型采用Apache 2.0许可证发布，支持商业化使用。

德国斯图加特 —— 工业4.0已经充分融入到生产制造的过程中，且成效显著。过去四年来，博世集团在工业4.0应用领域的销售额已累计超过15亿欧元，并计划最早于2022年实现工业4.0相关业务的年销售额突破10亿欧元。

英国公司Ocado表面上是一家在线百货零售商，实际上却是全世界最具创新能力的科技企业之一。Ocado成立于2000年，只提供在线服务，因此从未在线下开设直营门店。面对日均逾58万客户，Ocado开始构建起有效、高效且极具竞争力的软件与硬件组合。

SD-WAN市场可谓前景广阔。根据最新统计，目前全球各国市场共有60多家不同规模的SD-WAN解决方案供应商。这些企业会很快开始合并，并最终留下六、七家市场中坚力量。

2025年上半年见证了AI领域的重大突破。Meta投资143亿美元成立超级智能实验室，微软声称其AI诊断准确率比医生高4倍。四大AI力量正在重塑社会：计算成本下降25倍但GPU供应仍然紧张；合成数据市场预计2030年达37亿美元；50个主要模型发布打破算法极限；特斯拉等公司准备在2025年末商业化人形机器人。这些力量相互放大，为准备充分的企业创造机遇，给未准备者带来威胁。

这项由EPFL和Google联合完成的研究提出了WilliamT，一种创新的低成本自动化程序修复工具。与传统的寻找漏洞根本原因的方法不同，WilliamT专注于"崩溃点修复"，直接在程序崩溃位置添加防护代码，有效阻止漏洞被利用。通过模板引导的补丁生成技术，WilliamT将令牌成本降低了99.7%，与顶级工具CodeRover-S结合使用时，能以45.9%更低的成本修复29.6%更多的漏洞。更令人惊讶的是，WilliamT甚至可以在普通Mac Mini上与小型语言模型有效运行，展示了其在资源受限环境中的卓越适应性。

在2016年度6家网盘企业纷纷关停与网络安全问题导致用户备份意识提升，NAS存储以便捷、安全、稳定等优势，市场出现大幅增长，逐渐成为家庭与企业用于共享备份的新宠。

这位大牌公司的高管探讨了为每一位受众设计、涉足元宇宙以及化繁为简的话题。

微软一直在秘密地对其云服务以及基于Azure的Teams的运营方式进行调整，以满足新冠疫情大流行期间的需求。下面是一些详细情况。

这是赋能企业快速安全构建混合多云业务数据平台和工业互联网就绪大数据平台，通过DataIQ对非结构化数据智能分类、标记、归档、检索，能够加速数据变现速度。

不只是“性能更强的个人电脑”，在AI模型的开发和部署上，工作站也有它的用武之地。

为推动中国企业加速云转型，共创繁荣新格局，“2023 SAP大中华区合作伙伴峰会”在大连盛大召开。300多位合作伙伴代表齐聚一堂，其中云伙伴数量再创新高，同时也有一批志在助力中国企业云转型的新伙伴加入。

近日，Rambus宣布推出由PHY和控制器IP组成的PCI Express（PCIe）6.0接口子系统。Rambus PCIe 6.0接口子系统可通过一流的延迟、功耗、面积和安全性，支持下一代数据中心对性能的要求。

半导体分析师David Kanter已经确定了关于英特尔Optane DIMM的六大未解难题，而这些问题的答案将决定这款新产品的最终命运。

日本国家先进工业科学与技术研究所（AIST）计划安装其第三代AI桥接云基础设施3.0（AI Bridging Cloud Infrastructure 3.0）超级计算机。而且正如大家所想象，这套系统将包含数千张英伟达最新一代“Hopper”H200 GPU加速器。

在经历了一个艰难的夏天之后，思科终于在上周实现了反弹，该公司靓丽的财报超出了此前的预期，因此，股票价格上涨了8%。上个季度，思科的高管们将全年营收指导值设定为同比下降10%的时候，预期可以说是一片悲观。

所谓创业，就是对既有规则和既定思维的打破。而驻扎芯片圈三十多年、还曾担任过英特尔总裁的Renee James，就是这样一位勇于突破固有格局的人，她所创立的Ampere Computing（安晟培半导体），写出了与传统剧本不一样的故事。

在7月14日召开的“首届分布式存储产业发展论坛”上，《分布式存储发展白皮书（2022年）》（以下简称“白皮书”）由中国信息通信研究院正式发布

最近Amazon Bedrock也入选了2023年世界人工智能大会九大“镇馆之宝”。亚马逊云科技生成式AI产品研究院院长Sherry Marcus说，基础模型拥有巨大的潜力，但我们仍处在初级阶段。

要实现超强的AI能力，需要超大规模的模型，要训练超大规模的AI模型，需要数千，甚至上万的GPU协同工作。这就带来几个问题：更多的GPU造成的高能耗，计算卡与计算卡之间的通信延迟，计算集群与计算集群之间的通信延迟和算力损耗。那么，如果用光来计算，用光来传输，会怎么样？