让 AI 成为资产而非开支：企业自建 AI 容量的经济性拐点
HPE 提出企业应从按 token 消费转向自建 AI 容量，当需求稳定且规模足够时，拥有容量的单位成本可能低于逐次购买。Deloitte 2026 企业 AI 报告显示，2025 年员工 AI 使用率上升 5%，至少 40% AI 项目投产的公司比例预计半年内翻倍。企业需按实际工作负载测算交叉点，并通过采用、治理和用例扩展保持容量产出。
#部署/工程
#部署/工程
今日 0 条MIT Technology Review · AIAI 评分1212
Simon WillisonAI 评分3030 Simon Willison 回顾 2026 年 LLM 进展：从 Claude Opus 4.5 到 OpenClaw
Simon Willison 在 WeAreDevelopers World Congress North America 的主题演讲中，按时间线梳理了 2026 年 LLM 的关键进展。
Latent SpaceAI 评分7474 TypeSafe 发布 Jev：面向代码的 System 1 模型与 RLCD 训练路线
TypeSafe AI 发布首个大型可编程模型 Jev，定位为面向代码消费的 System 1 模型，按每美元智能优化，官方称上线后日处理 token 已超过一万亿。
NVIDIA BlogAI 评分3636 NVIDIA 谈 AI 安全：如何在 Agent 栈的每一层解决这一工程问题
NVIDIA 提出 AI 安全是工程问题，需在 Agent 栈每一层落实可执行边界、明确责任人和验证证据。其开源安全运行时 NVIDIA OpenShell 在智能体可控范围之外强制执行策略并提供沙箱执行，Cisco DefenseClaw 在其上增加治理层，JFrog 则集成 OpenShell 扫描并校验智能体技能。
Hugging Face BlogAI 评分2222 GPU 管理：为什么闲置 GPU 正在成为新的停飞飞机
Hugging Face 博客指出，AI 的下一个真正约束不是智能而是利用率：GPU 按日历小时计费，产出却只按计算小时累积，两家 GPU 预算相当的公司会因硬件实际使用率而拉开差距。文章以航空业为类比，称即便集群 GPU 满载也可能浪费大部分潜力，因为 GPU 全天运行而需求并非如此，基础设施必须按峰值配置。
Berkeley AI ResearchAI 评分3434 智能免费之后怎么办？面向 AI 智能体、由智能体运行、由智能体构建的数据系统
伯克利 AI 研究提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不足 $1、部分厂商低于 $0.10，数据系统面临三大新挑战：为智能体设计（Data Systems For Agents）、由智能体运行（Of Agents）、由智能体构建（By Agents）。
Hugging Face BlogAI 评分2626 超越 LLM：为何可扩展的企业级 AI 落地依赖 Agent Logic
Hugging Face 博客指出，企业级 AI 规模化落地的关键不在 LLM 本身，而在 agentic layer 中的 agent logic——知识图谱、算法、程序分析库等软件原语，可引导 LLM 聚焦企业工作流、压缩上下文空间。
Hugging Face BlogAI 评分2828 中国开源 AI 生态的架构选择：超越 DeepSeek 之后
中国开源模型已几乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均采用该路线，以在成本约束下兼顾能力与灵活部署。0.5B–30B 小模型成为本地运行与微调主力，Apache 2.0 接近默认许可证。DeepSeek-V3.2-Exp 获华为昇腾与寒武纪 day-zero 支持，蚂蚁 Ling 用国产芯片训练 1 万亿 token 成本降约 20%。
Hugging Face Blog精选AI 评分6565 Hugging Face 博客：全球算力格局正在如何变化
Hugging Face 发布博客《On the Shifting Global Compute Landscape》，梳理中国开源权重模型与国产芯片互相牵引的现状：过去几个月，华为昇腾、寒武纪等芯片已开始承载部分高性能开源模型的推理，部分模型开始用国产芯片训练。
推荐理由：梳理中国开源模型与国产芯片互相牵引的路径，帮助读者理解算力受限如何影响模型架构与部署选择。
Hugging Face BlogAI 评分1212 Hugging Face 金融业机器学习负责人洞察：RBC 与 Moody's Analytics 专家谈 ML 落地挑战
Hugging Face 发布“机器学习负责人洞察”系列金融版，邀请来自 U.S. Bank、Royal Bank of Canada、Moody's Analytics 及前 Bloomberg AI 研究科学家的专家分享金融业 ML 落地经验。
Hugging Face BlogAI 评分1515 Hugging Face 工程师 Lewis Tunstall 谈 transformers 库与 ONNX 导出优化
Hugging Face 机器学习工程师 Lewis Tunstall 在访谈中介绍了他为 transformers 库开发的功能：将 PyTorch 模型导出为 ONNX 格式，只需一行代码即可完成转换，从而获得更低的延迟和更高的吞吐量。他还与 Leandro von Werra 合著了《NLP with Transformers》一书，并谈到大规模模型评估等话题。
Hugging Face BlogAI 评分2222 大语言模型：新的摩尔定律？
Hugging Face 发文质疑微软与 NVIDIA 发布的 Megatron-Turing NLG 530B 这类超大模型趋势，指出复现该实验需花费近 1 亿美元，且训练 BERT 的碳排放已相当于一次跨美飞行。文章主张改用预训练模型、更小模型（如 DistilBERT 保留 97% 语言理解能力、体积小 40%、速度快 60%）和微调等务实方案。
Hugging Face BlogAI 评分2222 Hugging Face：机器学习即代码的时代已经到来
Hugging Face 发文称机器学习正走向“代码化”，主张用软件工程与 DevOps 的成熟实践（版本管理、可复用、可测试、自动化、部署与监控）来构建生产级 ML 系统，即 MLOps。