ITPub博客

作者：Jianhua Li、Yun Xing、Girisha De Silva、Ryan Flint、Kai Yuan、Sean Suchter 对GPU加速机器学习推理日益增长的需求，暴露了集中式GPU基础设施的局限性，包括高成本、弹性有限以及在资源受限情况下等待时间长。与此同时，基于Apple Silicon的现代macOS设备配备了强大的GPU，而这些GPU在日常使用中大部分时间处于闲置状态。本文提出了Minions，一种动态分布式虚拟GPU云，它聚合了macOS设备上闲置的Apple Silicon GPU，以执行大规模机器学习推理工作负载。Minions使团队能够利用现有硬件，而无需额外采购GPU。该系统提供灵活的GPU推理任务执行、容错能力和高效的资源利用。

作者：Hala Almaghout、Christian Federmann、Qin Gao 大语言模型（LLM（大语言模型））被认为是机器翻译（MT）评估中比人工判断更高效、更具成本效益的替代方案。由于机器翻译评估涵盖大量语言对、领域和标注粒度级别，在将 LLM 可靠地用作人工评估的替代方案之前，必须沿这些维度对其进行全面评估。在本文中，我们针对两种重要的机器翻译质量评估方案——多维质量指标（MQM）和错误片段标注（ESA），通过比较 LLM 与人工标注者之间的一致性来评估 LLM 的表现。我们展示了在包含 70 个语言对的长上下文测试集以及公开可用的 WMT23 和 WMT25 数据上的结果，考察了多种语言对和领域下的分数与错误片段标注一致性。

有线电视技术 宽带 固定无线接入（FWA） 无线 新闻 ANSpect Technologies 开发了一种在有线电视频谱低端运行专有同频信道的方法，可从 DOCSIS 上行中额外挖掘高达 80 Mbit/s 的容量。 有线电视的 DOCSIS 网络一直是非对称的——下行容量大，上行容量小。这种非对称特性源于每个方向分配的频谱量不同，并且在很大程度上遵循了宽带使用模式，因为下行数据的使用量持续远超上行。 尽管下行与上行的使用差距依然存在，但近年来的使用趋势清楚地表明，增长正在向上行倾斜。

发布于 2026 年 8 月 16 日，作者 Nolan Lawson，分类于软件工程。标签：AI。 AI 编程有一个古怪的方面，我一直试图弄清楚，我想就是这个：现在你基本上可以直接决定你想让你的软件有多少个 bug。 我们最初是在安全领域发现这一点的，因为安全漏洞当然是最不容妥协的。但我认为一旦漏洞末日过去，我们会开始把注意力转向其他类型的 bug：正确性、性能、可访问性、可靠性等等。 我们中的一些人已经在这么做了。例如，我发现自己这些天花了大量时间在代码审查上，使用诸如我的 triple-agent code review skill 以及 Geoffrey Litt 的 explain-diff skill 之类的工具。

最新版本的 Astro 中引入了一些新的默认空白处理方式！ 我注意到，当我将我的博客模板（就是这个博客！就在这里！）更新到新的 Astro 7.0 时，很多单词和间距以奇怪的方式被拆开了。 原来，在全新的 Rust 编译器中，有一些非常具体的 JSX 变更。以前，如果你有两个相邻的元素，像这样： 它会在页面上渲染为“Howdy y’all”。 但是，在 7.0 版本中，它会渲染为“Howdyy’all”，没有空格。 如果你想修复它，你需要这样做： 这非常像 React 和其他类似框架中的 JSX 风格。 这对我来说是一个有点烦人的变更，因为我的博客模板在几个组件中有这样的行，现在渲染不正确了： 但是！如果你不想编辑所有的组件和模板（像我一样），这里有一个解决方案。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 实际上，尤其是对于物联网而言，并非一旦构建了分析模型，它就会永远以相同的准确率给出结果。数据模式会随时间变化，因此从新数据中学习并改进/重新校准模型以获得正确结果至关重要。下面的文章解释了物联网分析中这种持续改进的现象。 在这篇文章中，我们讨论如何在物联网系统中实现持续改进和持续学习。持续改进是一个众所周知的概念（例如来自 Kaizen 或 Six Sigma）。对于物联网，我们提出要实现持续改进，就必须实现持续学习。

由 Lyft 的 Rohit Channe 和 Simran Mirchandani 撰写。 在 Lyft，数据不仅仅是一种资源——它融入我们所做的一切。指标驱动关键预测、指导运营决策，并检验我们最大胆的假设。但随着 Lyft 规模扩大、产品发布与演进、团队成员更替，我们发现不同团队可能对同一指标使用不同定义，这带来了风险。“指标 ABC”到底是什么意思？答案往往取决于你问的是哪个团队以及其具体场景和应用。 后果是可以预见的。没有集中式版本控制或共享标准，过时的指标定义就会悄然渗入决策过程。 我们的解决方案是构建内部指标语义层（Metric Semantic Layer，MSL）：一个集中式仓库，作为每个指标定义的唯一权威来源——既提供清晰的自然语言描述，也提供最终确定的 SQL 代码。

OpenAI和Anthropic的代表告诉英国议会听证会，自愿承诺已不足以确保安全，应引入新法律，这加深了它们与Google DeepMind和Meta之间的公开分歧，后两家公司均拒绝支持新立法。 商业、创新、科学和贸易委员会由跨党派议员小组组成，于周二举行了一次证据会议，出席者包括四家前沿AI公司、四名转为举报人的前员工以及英国高级公务员。 当被问及公司是否认为AI安全现在需要一个法定框架时，Anthropic欧洲负责人Liam Booth-Smith告诉委员会：“规则应该具有约束力。”他说，该公司“一直认为应该对公司制定具有约束力的规则，而自愿承诺是不够的。” OpenAI副总裁Tom Duff Gordon更为谨慎，但仍表示支持，支持法定框架和国际公约。

AI与机器学习 监管与政治 新闻稿 拟议中的《云与AI发展法案》（CADA）于2026年6月宣布，专门聚焦于确保欧盟拥有维持技术自主所需的能力、基础设施和治理机制。#pressrelease Omdia最新报告《数字主权：AI与云政策及监管框架》的分析显示，各国在实现技术独立的方式上正在发生转变。 然而，政策制定者日益认识到，由于供应链本质上是全球性的，AI和云主权不可能实现完全的技术自给自足，而应着眼于实现战略自主权和知情决策。 Omdia的报告强调，尽管主权问题已出现在许多政府的议程上，但关于AI和云主权要求的明确指导方针在很大程度上仍然缺失。 拟议中的《云与AI发展法案》（CADA）于2026年6月宣布，专门聚焦于确保欧盟拥有维持技术自主所需的能力、基础设施和治理机制。

PostgreSQL（开源关系型数据库） 核心团队成员 Peter Eisentraut 撰写了一篇博客文章，反思了自 beta 阶段开始以来，即将发布的 PostgreSQL 19 版本中"异常大量的功能"被移除的情况。 一些被回退的功能存在重大的架构缺陷，在 beta 阶段很难快速修复。但还有一长串相对无害的问题，涉及各种边缘情况。在过去，其中许多问题要到很久以后才会暴露出来，我们会在随后的五年里逐步修复。但借助 LLM（大语言模型） 辅助代码审查，这类问题可以更快地被发现，然后你就面对着一份大约四十个缺陷报告的清单。即使平均每个缺陷只需要三行代码的修复，处理每一个缺陷都有固定的开销，然后你的时间就不够了。

我们将 Shop 应用从 React Native 迁移到了 Swift 和 Kotlin。在 AI 的辅助下，团队仅用 12 周时间就从概念验证阶段推进到完全重建的原生应用并发布到应用商店。 作为全球增长最快的移动应用之一，Shop 应用服务于数亿客户和数百万商家。自 2020 年推出以来，Shop 应用一直处于 Shopify 对 React Native 广泛投资的前沿，从框架诞生之初就采用了它。这一决策对 Shop 应用来说效果良好，但我们在使用编码智能体进行开发方面的能力不断增强，使得 Shop 能够完全转向原生开发，使用 Swift 和 Kotlin 构建。 我们曾深入撰文讨论过转向原生开发的决定，但简而言之，编码智能体的进步改变了维护共享移动代码库背后的权衡。

由 Lyft 的 Sagar Baronia 撰写。 大多数入职旅程都遵循一条熟悉的轨迹：入职培训、福利登记、设置笔记本电脑，并在最初几周内逐渐找到自己的立足点。我的经历也遵循了这条轨迹，但从一开始就有一条额外的线索与之并行。 我于 2026 年 3 月加入 Lyft，担任营销、业务与广告团队的高级数据科学家——算法方向，带来了近十年的数据科学经验，先是在 Oracle，之后在 Amazon 工作了四年。从我与管理层 Ravi Chandra Babu Ginjipalli 的第一次对话开始，就很清楚我的入职将有一个额外的维度。除了标准的新员工流程外，我还将承担一个真实的生产项目：一个旨在通过实际交付来教我了解 Lyft 系统的项目。

周二，Google 将其新旗舰模型 Gemini 4 Argon 通过 Google AI Studio 在 Gemini API（应用程序编程接口） 的付费层级向开发者开放，同时也在该公司的其他多个开发者和消费者工具中提供。 Google 于 9 月 30 日发布了该模型。最初的外部访问仅限于其 Fairwind Program 中的选定网络防御人员和其他受信任的测试者；Google 员工也在内部使用它。 Google 为该模型定了一个有竞争力的价格。在 11 月 30 日之前，开发者将支付每百万输入 token 2 美元和每百万输出 token 10 美元的 introductory 价格，输入和输出合计共享 100 万 token 的预算。这与 OpenAI 的 GPT-6.1 Sol 价格相同。

有线电视技术 监管与政治 金融 宽带 新闻 Cable One 请求纽约法院解除对其待完成的 4.8 亿美元交易的临时限制令，该交易旨在收购 Mega Broadband 剩余股份。Cable One 声称其贷款方 CoBank 正试图“破坏”这笔交易。 Cable One 与 Mega Broadband 的纠纷再添变数，Cable One 已请求纽约联邦法官改变立场，解除对其待完成的收购 Mega Broadband Inc.（MBI）剩余股份的临时限制令。 Cable One 今日提交的简报（可在此处获取删节版）出炉仅数天前，法官暂时阻止了 Cable One 与 MBI 的协议，此前 Cable One 的贷款方之一 CoBank 寻求（并获得）紧急限制令以推迟这笔 4.8 亿美元的交易。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在 Kaggle 举办的机器学习挑战赛中，超过一半的获胜解决方案都使用了提升决策树，并且只需最少的调参。我们评估了两个流行的树提升软件包：XGBoost 和 LightGBM，并总结了 4 个重要经验。 作者：Miguel Fierro、Mathew Salvaris、Guolin Ke 和 Tao Wu，均来自 Microsoft。 据 KDnuggets 报道，在 Kaggle 举办的机器学习挑战赛中，超过一半的获胜解决方案都使用了提升决策树。除了卓越的性能外，这些算法还具有实际吸引力，因为它们只需最少的调参。

Anthropic 的 Frontier Red Team 花费约 825 美元，搭建了一个由 15 台杂牌 Android TV 盒子组成的集群，以每秒 0.39 个 token 的速度运行一个 AI 模型——对于聊天机器人来说慢得令人痛苦，但对于那些无处可去、无人等待的软件来说却没问题。 这一实验为 Anthropic 研究员 William Zhou 和 Daniel Freeman 于周一发布的新研究奠定了基础，该研究表明，小型开放权重模型可能只需数月时间，就能在廉价的、联网的硬件上自我复制，而无需依赖数据中心。 研究人员尚未构建出能够在公共互联网上自行传播的 AI 蠕虫，他们的实验是在受控环境中进行的，并使用了简化复制的捷径。但结果表明，剩余的几个技术障碍可能只是暂时的。

更新于美国东部时间2026年10月13日20:46 人工智能安全软件提供商Pluto Security Inc.今日宣布已筹集4200万美元资金。 该公司通过由TLV Partners领投的种子轮融资筹集了约五分之一的资金。其余资金来自Jump Capital领投的A轮投资。后者还包括其他几家投资方的出资，其中包括与Point Software Technologies Ltd.联合创始人Shlomo Kramer有关联的基金Skinos。 手动识别企业网络中的每一个AI智能体往往耗时过长。因此，管理员可能会忽略那些构成网络安全风险的智能体。总部位于特拉维夫的Pluto提供了一个旨在解决这一挑战的平台。它可以自动绘制出员工端点、云基础设施和软件即服务应用程序中的智能体分布图。

数据中心芯片 服务器 基础设施 供应链 评论 小芯片正在重塑CPU设计，使数据中心能够在不增加空间或功耗的情况下实现更多功能。 自50多年前微处理器问世以来，CPU通常被制造为单块硅片。因此，服务器以及容纳它们的数据中心在很大程度上都是围绕这一模式设计的。 然而，这种情况正在开始改变。小芯片——可组合在单个处理器封装中的小型模块化裸片——的日益普及，正在为芯片制造商提供一种构建CPU的新方式。通过提高制造灵活性并实现更专业化的处理器设计，小芯片可能不仅会重塑服务器架构，还会改变数据中心处理计算密度、能效和基础设施规划的方式。 小芯片是一种小型集成电路，旨在在更大的处理封装中执行特定功能。根据设计不同，小芯片可以处理计算、输入/输出（I/O）、缓存、内存连接或特定工作负载加速，例如AI加速。

我们今天发布了多项 GitHub Apps 改进，帮助开发者摆脱经典 PAT，改善 GitHub App 管理，并请求更少的敏感权限。我们还让仓库管理员更容易使用其管理员已批准的应用程序，并在计划的工作负载联合功能之前更新了 GitHub App 凭据管理 UI。 新增了两个仓库细粒度权限，适用于细粒度 PAT 和 GitHub Apps。 repository_creation:write ：允许调用者在被授予权限的账户中创建仓库。 installation_repositories: write ：允许调用者在组织中的安装中添加或移除该仓库。

当你不再追求与生产环境完全一致时，沙箱测试才能发挥最佳效果。了解环境漂移的实际代价，以及哪些部分值得修复。 沙箱从未与生产环境完全匹配过。你的没有，任何人的都没有。一个配置变量的设置不同。一个数据库种子数据跳过了真实用户实际拥有的旧格式记录。一个上游服务上周四部署了新的响应模式，但没有人更新模拟。这些不是边缘情况——它们出现在每个环境、每个团队、每种规模中。这种差距是结构性的，是与生俱来的。当你接受这一点时，改变的是你把维护工作放在哪里。 漂移之所以累积，是因为生产环境和沙箱按照不同的时间表、由不同的触发条件发生变化，而没有人足够刻意地去协调两者。 生产环境持续演进。应用部署、基础设施更新、上游服务 API（应用程序编程接口） 变更、数据库模式迁移、第三方集成更新——每一项都在某个维度上推动生产环境向前发展。