字节造AI芯片7年仍未大规模落地：流片后性能不及预期，负责人离职
相关推荐
部分开发预算不再直接取决于ADA价格，Cardano财库已管理2.0167亿枚ADA、2610万枚USDCx与480万枚USDM
Odaily星球日报讯 Intersect 在 10 月 9 日周报中表示，Cardano 2026 财库储备智能合约迄今已管理 2.0167 亿枚 ADA、2610 万枚 USDCx 与 480 万枚 USDM，使部分开发预算不再直接取决于 ADA 价格。此前 10 月 2 日，Intersect 表示，两笔预算已通过 Moneta Digital 铸为美元稳定币 USDM 并存入智能合约：治理与技术托管预算为 450.5955 万枚 USDM，排期至 2027 年 7 月 29 日；Se7en Labs 的 Daedalus 钱包项目预算为 31.625388 万枚 USDM，排期至 2027 年 9 月 29 日。USDCx 由 Circle 的 xReserve 以 USDC 全额支撑，销毁 USDCx 后可释放以太坊上的 USDC，通常需要约 2 至 4 小时；Circle、Input Output 与 Midgard 均可暂停该桥。Moneta 发行的 USDM 直接兑美元须持有通过身份、反洗钱与制裁审查的账户，目前仅向 20 个美国州的居民开放。
谷歌把4颗TPU送上太空，10月1日坐SpaceX升空
动察 Beating AI 快讯，谷歌准备把「太空 AI 数据中心」研究项目 Project Suncatcher 的首颗实验卫星送入低轨。它将搭乘 SpaceX 的 Transporter-18 任务升空，首次把 TPU 带到真实太空环境测试。 这颗卫星由 Planet 参与打造，约冰箱大小，搭载 4 颗 TPU。它还不是完整的「太空数据中心」，主要测试芯片能否扛住发射震动、太空辐射和极端温度。 太空里没有空气，散热也是难点。TPU 每次只能连续运行约 15 分钟，之后需要停下来散热。 Project Suncatcher 的长期目标，是把大量搭载 TPU 的卫星送入太空，再用激光高速互联，组成一个分布式 AI 数据中心。谷歌计划 2027 年再发射两颗卫星测试星间连接。
Seedance2.5给AI视频「抽卡」降价：480P先试，满意再出1080P
动察 Beating AI 快讯，字节跳动给 Seedance 2.5 API 上线 Draft（样片）模式。用户可以先用 480P 低成本生成样片，确认构图、动作、对白和运镜，满意后再把选中的样片生成 1080P 成片。即梦也已经加入「Seedance 2.5（样片模式）」。 它和普通的「低清试 prompt，再用同一个 prompt 重抽高清」不太一样。生成 1080P 时，模型会关联原来的样片 ID，复用提示词、参考素材、seed、画幅和时长等参数重新推理，尽量保住原来的结构、构图和动作。局部纹理、小字和人群数量仍可能变化，所以它不是逐帧复刻，也不是简单把 480P 超分到 1080P。 官方测算，一段 5 秒 1080P 视频，在不含视频输入、平均抽 4 次才能选中满意结果的情况下，Draft 可以节省 57% 成本，整体生成速度提升近一倍。如果要抽 20 次才能选中一条，成本最多可省 77%。 类似 Draft 此前已经出现在 Seedance 1.5 Pro。这次是把这套低成本试错流程接进 Seedance 2.5，并让选中的样片可以继续生成对应的 1080P 成片。AI 视频最烧钱的往往就是前面反复「抽卡」，这次压的正是这部分成本。
张一鸣亲自盯字节世界模型：Seedance底座实时生成可交互世界
动察 Beating AI 快讯，彭博援引知情人士称，字节跳动正在开发一款实时空间视频模型，最快 10 月发布，由创始人张一鸣亲自督导。模型建立在 Seedance 之上，目标是边生成边响应用户的声音和动作，实时形成可交互的虚拟世界。 这套模型计划与 Pico 头显结合。知情人士称，它可在云端以约 20 帧/秒生成内容，延迟约 0.05 秒。把主要计算放到云端，可以降低头显本身的算力要求。除了 VR，字节还准备把它用于直播、短剧和游戏。 这并不是字节突然转向世界模型。36 氪今年 6 月就披露，世界模型是字节 2026 年 AI 四大重点之一，目标年底前至少发布一版，对标 Google Genie 3。Genie 3 已能以 20–24 帧/秒生成 720p 可交互世界，并连续运行数分钟。
Adaption把造训练集交给AI：不用原始数据，描述目标就能生成
动察 Beating AI 快讯，Adaption 推出训练数据生成工具 Invent a Dataset。普通合成数据工具主要负责生成样本，Invent a Dataset 连训练集怎么设计也一起做了。 用户只要描述希望模型学会什么，它会自己设计数据结构，再生成可以直接拿去训练的样本。不需要先准备原始数据、设计字段格式，也不用提前写详细的标注规则。 比如你可以要求模型学会「按照公司的标准总结商业文件」，或者「把客服请求分到不同部门」。Invent a Dataset 会根据目标决定需要哪些训练数据，再批量生成对应样本。 生成的数据还能直接交给 Adaption 的 AutoScientist。它会继续调整训练数据和训练参数，反复训练、评测，直到效果基本不再提升。这样从一句任务描述开始，就能一路生成训练集，再训练出针对这个任务的模型。
Google TPU 导入英特尔 EMIB，联发科深化合作
火星财经消息，据 DIGITIMES 报道，台系半导体供应链透露先进封装技术正走向多元化，英特尔 EMIB 成为关键选项。Google TPU 已确定导入 EMIB 封装，首款采用该技术的 TPU 良率已达标，涵盖技术、成本与产能表现均符合 Google 原定标准，未来几代 TPU 继续使用 EMIB 的可能性大幅上升。在台积电 CoWoS 产能持续紧张背景下，只要 EMIB 良率与技术维持达标，Google 将持续采用。联发科作为相关 ASIC 合作对象，其美国团队部分主管具有英特尔背景，双方合作更为顺畅；联发科虽仍以台积电为绝对主力，但与英特尔在 TPU 上的成功有助于巩固 Google 信任、争取更多专案，并向云端客户提供多元封装方案。台积电此前在法说会呼吁更多供应商投入先进封装以分担压力，供应链普遍认为其自家扩产不会无上限，因此对英特尔等封装路径的多元布局成为必要方向，相关测试设备与接口业者也有望受益。