Cég · Üzlet · ellenőrizve 46 napja
Nvidia
Amerikai félvezetőgyártó, amely a mesterséges intelligencia számítási hátterét adó grafikus és AI-gyorsítóchipek piacvezetője.
Más néven: NVIDIA Corporation, NVDA
Az Nvidia 1993-ban alapított amerikai technológiai vállalat, amely eredetileg grafikus processzorok (GPU-k) fejlesztésével foglalkozott videojátékok és számítógépes grafika céljára. Az évek során a GPU-k párhuzamos számítási képességei kulcsfontosságúvá váltak a gépi tanulás és a mély neurális hálózatok tréningezéséhez, így a vállalat fokozatosan a mesterséges intelligencia infrastruktúrájának egyik legmeghatározóbb szereplőjévé vált.
A cég CUDA nevű szoftverplatformja lehetővé teszi, hogy fejlesztők általános célú számításokra használják a GPU-kat, ez az ökoszisztéma pedig szorosan összefonódott a modern AI-kutatással és -fejlesztéssel. Az Nvidia adatközponti GPU-i (például a H100 és utódaik) a nagy nyelvi modellek és más mélytanulási rendszerek betanításának és futtatásának alapvető hardverei, emellett a vállalat hálózati technológiákat, szoftvereket és teljes AI-szervermegoldásokat is kínál.
Az Nvidia piaci súlya és technológiai befolyása miatt az AI-ipar egyik legfontosabb infrastrukturális szállítójának számít: termékei nélkülözhetetlenek a nagy technológiai vállalatok, kutatóintézetek és startupok AI-fejlesztései szempontjából, ezáltal a cég sorsa és üzleti döntései szorosan összefonódnak az AI-terjedés ütemével és irányával.
Nvidia a hírekben
-
Az Nscale brit AI-infrastruktúra cég 3,5 milliárd dolláros tőkebevonásra készül tőzsdére lépés előtt
A Bloomberg pénteki jelentése szerint a mindössze két éve alapított brit Nscale 1,5 milliárd dollárnyi átváltható kötvényt akar eladni befektetőknek, miközben további 2 milliárd dollárt kérne az Nvidiától. A cég akár már ezen a hónapon tőzsdére léphet. Az Nvidia korábban is részt vett az Nscale márciusi, 1,1 milliárd dolláros Series B körében, amelyet a cég Európa legnagyobb ilyen köreként aposztrofált, a 2024 decemberi Series A pedig 155 millió dollárt hozott. Az Nscale nemrég közel 45 milliárd dolláros szerződést kötött az Anthropickel, és a The Information értesülése szerint a cég befektetőknek mintegy 103 milliárd dolláros bevételt vetített előre – ez azonban nem tényleges árbevétel, hanem az aláírt ügyfélszerződések alapján készült projekció.
-
Deepseek eddigi legnagyobb Huawei-chipklaszterét építi Belső-Mongóliában
A Bloomberg értesülése szerint a Deepseek legalább 160 000 darab Huawei Ascend-950DT chipet tervez telepíteni egy belső-mongóliai adatközpontba, amely a jelenleg ismert legnagyobb Huawei-chipklaszter lenne. A jelentés szerint ezek a processzorok kizárólag következtetési feladatokat végeznének, a tanításhoz a Deepseek továbbra is Nvidia-hardvert használ. A The Decoder szerint a Huawei a gyártási korlátok és a memóriachip-hiány miatt feltehetően több mint egy évig nem tudja teljesíteni a teljes megrendelést, bár a kínai CXMT nemrég kis tételben megkezdte a HBM3E memória gyártását, miközben a versenytársak már HBM4-et gyártanak tömegesen. A projekt a kínai kormány szélesebb törekvésének része, hogy csökkentse az ország Nvidia-függőségét.
-
AWS és NVIDIA: automatizált AI-gyártósor fizikai robotoknak
Az AWS hivatalos technikai blogja szerint a NVIDIA Cosmos 3 nevű nyílt, omnimodális világmodelljével és az Amazon SageMaker HyperPod infrastruktúrával úgynevezett Physical AI modellgyárat lehet építeni robotok és autonóm járművek számára. A leírás szerint a rendszer folyamatos hurokban generál szintetikus adatot, utótanítja az érzékelési és irányítási modelleket, majd zárt hurkú szimulációban értékeli őket, egyetlen Kubernetes-alapú klaszteren, elkerülve a külön GPU-kapacitást igénylő szakaszos gyakorlatot. Az AWS bemutatja a Cosmos 3 Mixture-of-Transformers architektúráját, valamint egy nyilvános DROID adathalmazon futtatott robotirányítási utótanítási példát, a kód pedig elérhető GitHubon. A cég szerint a kulcsfontosságú mutató nem az egyes feladatok csúcsteljesítménye, hanem a lefoglalt GPU-órákra vetített hasznos GPU-goodput.
-
NVIDIA: kompakt nyílt AI-modellek futnak a Jetson edge-eszközökön
Az NVIDIA technikai blogja szerint a 2026-ban megjelent kompakt nyílt modellek, mint a Nemotron 3.5 Lightning (mixture-of-experts, 30 milliárd paraméter, tokenenként 3 milliárd aktív) és a Qwen3.8-27B (sűrű modell, mind a 27 milliárd paraméter aktív), már helyben futtathatók az NVIDIA Jetson platformon. A vállalat állítása szerint az NVFP4 kvantálás és a spekulatív dekódolás kombinációja a BF16-hoz képest akár 6,28-szoros dekódolási sebességnövekedést biztosít. A cikk szerint a leggyorsabb spekulatív dekódolási módszer modellenként eltér: a Nemotron 3.5 Lightninghoz a DSpark, a Qwen3.8-27B-hez a DFlash2 illik legjobban. Az NVIDIA hangsúlyozza, hogy az általános benchmarkok önmagukban nem garantálják a konkrét munkaterheléshez szükséges viselkedés megőrzését, ezért alkalmazásspecifikus tesztelés szükséges.
-
NVIDIA PAIR: helyi hálózaton osztja szét az AI-számításokat
Az NVIDIA saját közlése szerint bemutatta a Personal AI Router (PAIR) nevű nyílt forráskódú eszközt, amely a helyi hálózaton lévő kompatibilis gépek között osztja el a független AI-következtetési feladatokat, hogy tehermentesítse a több ügynökből álló munkafolyamatokat. A vállalat állítása szerint a rendszer a meglévő Ollama és LM Studio felületekkel is működik, így az ügynök-keretrendszereken nem kell módosítani. Az NVIDIA egy öt-alügynökös demonstrációt is közölt: egy háromeszközös PAIR-klaszter 8 perc 48 másodperc alatt végzett el egy feladatot, míg egyetlen RTX Spark laptopon ugyanez 18 percet vett igénybe. A router mDNS-alapú párosítást, MTLS titkosítást és élő ütemezést használ; a beta Windows, macOS és Linux rendszerekre elérhető, a támogatott hardverek közé pedig RTX 20-as és újabb GPU-k, RTX PRO munkaállomások, DGX Spark és Apple M4+ chipek tartoznak.
-
NVIDIA bemutatja a modern CUDA eszköztárat: akár 300-szoros gyorsulás
Az NVIDIA hivatalos technikai blogja egy lépésről lépésre bemutatott optimalizálási példán keresztül ismerteti a modern CUDA eszköztárat egy képfeldolgozó pipeline-on. A vállalat állítása szerint a CCCL könyvtár modern indexelési modellje és a Compute Sanitizer segítségével kiszűrhetők a memóriahibák, a CUB algoritmusok bevezetése pedig a számítási időt 2,1 másodpercről 773 mikroszekundumra, azaz 2717-szeresére gyorsította képenként. Az NVIDIA szerint a pool-alapú memóriakezelés 2,6-szoros, a pinned host-memória pedig 10-szeres gyorsulást hozott az adatátvitelben, míg a stream-enkénti párhuzamosítással a teljes futásidő 6,8 másodpercről 23 milliszekundumra, összesen 300-szorosára csökkent. A cikk kódpéldákkal és Google Colab notebookkal is szolgál a bemutatott technikák kipróbálásához.
-
NVIDIA útmutatót ad az AI-inferencia GPU-igényének méretezéséhez
Az NVIDIA saját technikai blogján közölt útmutatót arról, hogyan méretezhetők pontosan a GPU-erőforrások AI-inferencia feladatokhoz és hogyan optimalizálható a teljes birtoklási költség. A vállalat szerint az inferencia-terheléseket négy fő kategóriába (chatbotok, AI-ügynökök, tartalomgenerálás, fordítóalkalmazások) sorolva eltérő tokenmintázatok rajzolódnak ki, amelyek meghatározzák a memória- és számításigényt. Az NVIDIA egy úgynevezett „core-and-flex” modellt javasol, amely helyi vagy foglalt felhő-GPU-kat kombinál a rugalmas, csúcsidőszaki felhőkapacitással. A cég állítása szerint a Model Optimizer eszközükkel végzett FP8 utólagos kvantálás újratanítás nélkül 43,5%-kal csökkentette a Llama-3.1-8B modell memóriaigényét, míg egy Qwen3-8B modellből metszéssel és desztillációval mintegy 6 milliárd paraméteres kisebb modellt hoztak létre.
-
NVIDIA BioNeMo Agent Toolkit: AI-ügynökök fehérjeszerkezet-predikcióhoz
Az NVIDIA hivatalos közleménye szerint a BioNeMo Agent Toolkit több mint egy évtizednyi BioNeMo modellt, könyvtárat és munkafolyamatot csomagol ügynök-hívható képességekbe biológiai, kémiai, genomikai és gyógyszerkutatási feladatokhoz, a Claude Science-szel és NVIDIA NIM mikroszolgáltatásokkal integrálva. A cég saját belső benchmarkja szerint a Seh1 monomer és a Seh1–C1HCX1 heteromer predikciójánál az OpenFold3 és a Boltz-2 modell is magas interfész-megbízhatóságot ért el (iPTM 0,85 és 0,82) többszörös szekvenciaillesztéssel, ám ez nélküle 0,14 és 0,19 értékre esett. Az NVIDIA szerint ez igazolja, hogy az evolúciós szekvenciaillesztés kulcsfontosságú bemenet az interfész-predikcióhoz; független megerősítés a kivonatban nem szerepel.
-
Nvidia 3,5 milliárd dollárt fektet a MediaTekbe az AI-chippiac megtartásáért
Az Nvidia 3,5 milliárd dolláros befektetést jelentett be a tajvani MediaTeknél, amelynek keretében a MediaTek hozzáférést kap az Nvidia NVLink Fusion technológiájához. Ez lehetővé teszi, hogy a MediaTek olyan egyedi chipeket tervezzen AI-cégek és hyperscalerek számára, amelyek közvetlenül illeszthetők az Nvidia-alapú adatközpontokba. A háttérben az áll, hogy olyan nagy szereplők, mint az Amazon, a Google, a Microsoft, az OpenAI és az Anthropic saját chipeket fejlesztenek, hogy csökkentsék függőségüket az Nvidia GPU-itól. Az Nvidia vezetője, Dion Harris szerint a cég ezzel a lépéssel engedi, hogy egyedi chipek is teret nyerjenek, miközben megőrzi domináns szerepét az adatközponti infrastruktúrában. A cég egy hete hasonló, de tőkebefektetés nélküli megállapodást kötött az Amazon Web Servicesszel is, amely 2 millió további Nvidia GPU-t telepít.
-
Az Nvidia előnye a GPU-n túl: teljes rendszerekben gondolkodik a cég
A TechCrunch beszámolója szerint a piac eddig azt a narratívát követte, hogy az Nvidia GPU-monopóliuma megszűnik, mivel az Amazon és a Google is saját chipeket fejleszt. A lap szerint a szerdai negyedéves eredmények után új kép bontakozott ki: az Nvidia előnye nem csak a GPU-kban rejlik, hanem az azokat körülvevő teljes rendszerekben is. A cikk példaként a most piacra kerülő Vera Rubin architektúrát említi, amely a Rubin GPU-t Vera CPU-val, Groq 3 LPX inferencia-gyorsítóval, valamint tárolási és hálózati elemekkel párosítja. Az Nvidia egyik alelnöke, Jason Hardy szerint a Vera CPU az adatok orchestrálását végzi, mivel egyetlen szerverbe csak korlátozott memória fér el.
-
NVIDIA új eszközzel egyszerűsíti a nyílt AI-modellek C++ integrálását
Az NVIDIA saját közleménye szerint elérhetővé tette a TensorRT Model Connect nevű eszközt, amely nyílt AI-modellek natív C++ alkalmazásokba történő beépítését egyszerűsíti le. A vállalat állítása szerint a folyamat két lépésre bontható: előbb egy Python parancssori eszközzel egy Hugging Face modellazonosítóból telepítési csomag épül, majd ezt egy C++ alkalmazás futásidőben betöltve futtatja, PyTorch vagy Python interpreter nélkül. Az NVIDIA szerint két API-szint áll rendelkezésre: egy feladatszintű szemantikus felület, illetve egy modulszintű, tenzor- és komponensvezérlést lehetővé tevő verzió, továbbá TVM FFI-n keresztül egyéni GPU-kernelek is beépíthetők a pipeline-ba. A cég közlése szerint a fejlesztés AI-alapú kódolóügynökökkel és éjszakai kiadásokkal zajlik, hogy lépést tartson a nyílt modellökoszisztémával.
-
NVIDIA MPS technológiával 75%-kal csökkenthető a beszédfelismerés GPU-igénye AWS-en
Az AWS, az NVIDIA és a Heidi Health közös blogbejegyzése szerint az automatikus beszédfelismerés (ASR) GPU-kihasználtsága rendkívül alacsony: egyetlen kérés a Parakeet TDT 0.6B V2 modellel az NVIDIA L40S GPU kapacitásának mindössze 15-20 százalékát használja ki, a CUDA alapértelmezett időosztásos ütemezése miatt a kapacitás 80 százaléka kihasználatlan marad. A vállalatok állítása szerint az NVIDIA CUDA Multi-Process Service és a Triton Inference Server kombinálásával az Amazon EC2 GPU-példányokon a kiszolgáláshoz szükséges GPU-k száma 16-ról 4-re csökkenthető, miközben a rendszer 92,1 kérést dolgoz fel másodpercenkénti GPU-nként, egy másodperc alatti késleltetés mellett. A Heidi Health hetente 2,4 millió klinikai konzultációt dolgoz fel 190 országban, ami indokolta a hatékonyabb kiszolgálási architektúra kidolgozását.
-
Nyílt AI-modellek piaca: Nvidia állítólag 13 milliárdért venné meg a Hugging Face-t
A TechCrunch szerint még nem hivatalos, de a Valley-ben már mindenki arról beszél, hogy az Nvidia 13 milliárd dollárért felvásárolná a Hugging Face-t, a nyílt súlyú AI-modellek vezető megosztóplatformját, amelyet a lap a GitHub AI-kori megfelelőjeként ír le. Ez az üzlet azután kering, hogy az Nvidia 6 milliárd dollárért megállapodott a Poolside nyílt modelleket fejlesztő céggel, a Stripe pedig két héttel korábban több mint 7 milliárd dollárért megszerezte az OpenRouter nyílt modell-szolgáltatót. A TechCrunch értelmezése szerint az Nvidia így csökkentené a nagy AI-laboroktól és felhőszolgáltatóktól való függését, miközben olyan cégek, mint az OpenAI vagy a Google saját chipeket fejlesztenek. A lap egy Ramp-felmérésre hivatkozva megjegyzi, hogy jelenleg a vállalatok mindössze 6 százaléka használ nyílt súlyú modellt, jelezve, hogy a szektor még korai szakaszban van.
-
Nvidia állítólag 12,9 milliárd dollárért felvásárolná a Hugging Face-t
A The Information értesülésére hivatkozva több nemzetközi lap – köztük az Ars Technica, a The Decoder és a TechCrunch – arról számolt be, hogy az Nvidia mintegy 12,9 milliárd dollárért megvásárolná a nyílt AI-modelleket tároló Hugging Face platformot. A megállapodás a beszámolók szerint még nincs aláírva, és a TechCrunch szerint a tárgyalások akár meg is szakadhatnak. A Hugging Face CEO-ja, Clem Delangue állítása szerint a cég éves szinten mintegy 150 millió dollár bevételt termel, és közel áll a nyereségességhez, ez alapján az Nvidia a bevétel nagyjából nyolcvanszorosát fizetné. Az elemzők szerint a lépés azért stratégiai, mert az OpenAI, az Anthropic és a Google saját chipfejlesztésekkel próbálja csökkenteni az Nvidia-függőségét, a nyílt modellek ökoszisztémájának erősítése pedig hosszú távon az Nvidia hardvereire épülő piacot tarthatja életben.
-
OpenAI bemutatta a Jalapeño AI-chip friss teljesítményadatait
Az OpenAI a Hot Chips konferencián mutatta be első saját, Broadcommal fejlesztett inferencia-chipjét, a Jalapeñót, amely kizárólag AI-modellek futtatására szolgál, tanításra nem. A vállalat szerint a chip a SemiAnalysis InferenceX benchmarkján 1,5–1,9-szer több AI-munkát végez wattonként, és 1,7–3,6-szor alacsonyabb végpontok közötti késleltetést ér el, mint az Nvidia GB200/GB300 rendszerei GPT-OSS 120B, DeepSeek R1 és Kimi K2.5 1T modelleken. Az adatokat az OpenAI szolgáltatta, a SemiAnalysis csak néhány futtatást ellenőrzött helyszínen. A vállalat szerint a Jalapeño a frissebb Nvidia Vera Rubin platformnál is több kimeneti tokent termel megawattonként. OpenAI hardveres alelnöke, Richard Ho szerint a chip idén kis mennyiségben áll üzembe, a nagyobb volumenű gyártás 2027-re várható.
-
Ethernet-hálózatok újragondolása AI-gyárak számára: NVIDIA és Meta bejelentése
Az NVIDIA saját közleménye szerint Spectrum-X Ethernet nevű architektúrája hardveres gyorsítású adaptív útvonalválasztással, célzott torlódáskezeléssel és NIC-alapú terheléselosztással old meg olyan problémákat, amelyekkel a hagyományos Ethernet nem birkózik meg óriási GPU-klaszterekben. A vállalat saját mérései szerint hibaátállásnál 2,68 ezredmásodperces a késleltetés a hagyományos Ethernet 1,08 másodpercéhez képest. Ezzel párhuzamosan a Meta bejelentette a MetaRoCE nevű, saját fejlesztésű RDMA-átviteli protokollját, amelyet milliós GPU-számú AI-infrastruktúrára terveztek, és amelynek specifikációját, referencia-implementációját az Open Compute Projecten keresztül teszi elérhetővé.
-
NVIDIA: a Vera Rubin akár 30-szor hatékonyabb agentikus AI-feladatokban
Az NVIDIA szerint előzetes tesztek alapján az új Vera Rubin NVL72 rendszer megawattonként akár 30-szor nagyobb AI-factory áteresztőképességet ér el, mint a jelenlegi GB300 NVL72. Az eredmények a SemiAnalysis AgentX nevű, nyílt forráskódú benchmarkjából származnak, amely valós kódoló-ügynökök munkameneteit játssza le, figyelembe véve a hosszú kontextusú előfeldolgozást és a KV-cache újrahasznosítást. A cég szerint a GB300 NVL72 nagy, kevert szakértős (MoE) modelleknél, például a Kimi K3 2.8T-nél, akár 80-szoros hatékonyságnövekedést mutatott a H200 NVL8-hoz képest. Fontos hangsúlyozni, hogy ezek NVIDIA saját, előzetes (preview) mérései, nem független validált eredmények.
-
Nvidia 30 milliárd dollár feletti értékelésen fektetne be a Perplexitybe
A The Information értesülése szerint, amelyet a The Decoder ismertetett, az Nvidia tárgyalásokat folytat a Perplexity keresőmotor-cégbe történő befektetésről, több mint 30 milliárd dolláros értékelés mellett, ami több mint 50 százalékkal haladná meg a tavalyi finanszírozási kör értékelését. A Perplexity éves szintre vetített bevétele a jelentés szerint 250 millió dollárról 750 millió dollár fölé nőtt, amit részben a Perplexity Computer nevű automatizált AI-ügynök hajtott. Az Nvidia korábban egy úgynevezett acqui-hire ügyletet is fontolgatta a Perplexity technológiájának és csapatának megszerzésére, a cég pedig márciusban csatlakozott az Nvidia Nemotron Coalíciójához. Az Nvidia hasonló, portfóliócégeket érintő befektetéseket kötött korábban a Poolside, a Groq és az Enfabrica esetében is.
-
Memóriahiány miatt akár 15 százalékkal drágulnak az Nvidia AI-szerverek
A Bloomberg értesülése szerint az Nvidia AI-chipjeit tartalmazó szerverek ára sok esetben több mint 15 százalékkal emelkedik a tartós memóriahiány miatt, ami a Vera Rubin és a Grace Blackwell rendszereket is érinti. A drágulás fő oka a Samsung, az SK Hynix és a Micron által gyártott DRAM-modulok emelkedő ára, és az áremelés a jövő év eleji szállításokra vonatkozik. A Microsoftnak, a Google-nek és az Oracle-nek szervereket gyártó bérgyártók már jelezték ezt ügyfeleiknek, az Nvidia egyelőre nem kommentálta a hírt. A számlát végül olyan nagy felhőszolgáltatók és AI-laborok állják, mint az Amazon, a Microsoft, a Google, a Meta, az OpenAI és az Anthropic, amelyek saját chipfejlesztéseik ellenére még mindig nagyban függenek az Nvidiától.
-
Nvidia: a szoftveres keret dönti el az AI-ügynök sikerét, nem a modell
Az Nvidia péntek óta ismert kutatása szerint hosszú távú, sok lépésből álló feladatoknál nem a modell, hanem a köré épített szoftveres keret (harness) a döntő tényező. A cég állítása szerint egy egyedi, memóriakezelésre optimalizált és „felügyelő” komponenssel ellátott keretben a Claude Opus 5 modell 100%-os eredményt ért el az ARC-AGI-3 benchmarkon, amely instrukció nélküli 2D-s játékokból áll. Ugyanez a modell harness nélkül csak 30%-ot ért el, ami így is a legjobb eredmény volt a tesztelt modellek között. Az Nvidia szakembere szerint az ügynök valójában nem csak a modellből áll, hanem az eszközökből, a futásidőből és a hozzáférhető könyvtárakból is, amelyek együtt adják a tényleges teljesítményt. A cikk kontrasztként megemlíti a Microsoft áprilisi kutatását is, amely szerint 19 nagy nyelvi modell mindegyike hibázott hosszú dokumentumszerkesztési feladatoknál.
-
NVIDIA nyílt eszközzel méri, mennyit javítanak az AI-ügynökökön a beépített skillek
Az NVIDIA saját közlése szerint nyílt forráskódú SkillEvaluator eszközt épített, amely három lépésben – statikus ellenőrzés, megkülönböztethetőségi elemzés és élő feladatvégrehajtás izolált környezetben – méri, hogy az úgynevezett verified skillek mennyit javítanak az AI-ügynökök teljesítményén. A vállalat állítása szerint több mint 300 hitelesített skillt teszteltek 30-nál több NVIDIA terméken, két ügynök-keretrendszerben, és a skillek használatával átlagosan 31 pontos javulást mértek a helyesség, felfedezhetőség, hatékonyság és eredményesség terén, a biztonsági kategóriát kihagyva pedig 39 pontosat. Az NVIDIA szerint a javulást inkább a termékdomén és az értékelési módszertan befolyásolja, mint az ügynök-keretrendszer. Az eredmények kizárólag a vállalat saját méréséből származnak, független validálásról a közlemény nem szól.
-
Föderált tanulás vizuális-nyelvi modellekhez: NVIDIA FLARE és FedUMM
Az NVIDIA hivatalos blogbejegyzése bemutatja, hogyan koordinálja a FLARE keretrendszer a vizuális-nyelvi modellek föderált tanítását olyan esetekben, ahol az adatok nem centralizálhatók intézmények között. A megoldás nagyméretű objektumok kiszervezésével, tenzor-streameléssel és lemezalapú aggregációval kezeli a hálózati és memóriakorlátokat. A William & Mary egyetemmel közösen fejlesztett FedUMM csak könnyű LoRA-adaptereket cserél egy fixen tartott BLIP-háttérmodell felett, ami a vállalat állítása szerint kísérleteiben 28,6 GB-ról 0,094 GB-ra csökkentette a kliensenkénti kommunikációt, miközben a teljesítmény közel maradt a centralizált alapmodellekhez. A FedUMM-ot az NVIDIA akadémiai grantprogramja támogatta, és díjat kapott egy szakmai workshopon.
-
Kína kis tételben engedélyezi az Nvidia H200 chipek beszerzését
A Financial Times értesülése szerint Peking kis mennyiségben engedélyezi az Nvidia H200 chipjeinek behozatalát a szárazföldre, hogy a hazai AI-cégek lépést tarthassanak az amerikai versennyel. A The Decoder cikke szerint a ByteDance és a Tencent egyenként mintegy 10 000 H200 processzort kapott, és további vállalatok is követhetik őket, bár a vásárláshoz az NDRC tervhivatal jóváhagyása is szükséges. A H200 már legalább két generációval elmarad az Nvidia legerősebb, exportkorlátozás alá eső chipjeitől, az USA pedig cégenként legfeljebb 100 000 darabot engedélyez. Kína eközben inkább saját gyártóit, például a Huaweit igyekszik erősíteni, a Hongkongba irányuló szállítást pedig a helyi adatközpont- és energiahiány korlátozza. A cikk szerint a kínai AI-laborok technikailag közelítenek az amerikai szinthez, de a rendelkezésre álló inferencia-kapacitásban jelentősen lemaradnak riválisaiktól.
-
NVIDIA: több GPU-s UMAP-számítás 870 GB-os adathalmazon 8 perc alatt
Az NVIDIA saját technikai blogja szerint a cuML és cuVS könyvtárak 25.06-os verziója már több GPU-n is támogatja az UMAP dimenziócsökkentő algoritmus legköltségesebb lépését, az összes szomszédot kereső kNN-gráf felépítését. A vállalat állítása szerint a módszer az adathalmazt kiegyensúlyozott klaszterekre osztja, ezekhez külön-külön számol lokális kNN-gráfot, majd ezeket globális gráffá egyesíti, elkerülve a teljes körű GPU-k közötti kommunikációt. Az NVIDIA mérései alapján a MIRACL és Wiki adathalmazokon nyolc H100 GPU-val akár 74-szeres gyorsulást értek el a becsült CPU-s futásidőkhöz képest, és 870 GB-nyi vektort mindössze 8 perc alatt dolgoztak fel, az elmondásuk szerint a beágyazások pontosságának megőrzése mellett. A korábbi megoldásban csak a transzformációs lépés futhatott több GPU-n, a tanítás egyetlen GPU-ra korlátozódott.
-
Nvidia 1,5 milliárd dollárt fektet az OpenAI ohiói adatközpontjába
A TechCrunch által ismertetett SEC-dokumentumok szerint a Nvidia bejelentette, hogy 1,5 milliárd dollárt fektet az SB Energybe, a SoftBankhoz és az OpenAI-hoz köthető adatközpont-fejlesztőbe. A befektetés biztosítja, hogy a Nvidia legyen a kizárólagos infrastruktúra-beszállító az OpenAI Cincinnati melletti Ports-Pike adatközpontjában, amelyhez a chipgyártó akár 105 milliárd dollár hitelkeretet is nyújt. A létesítmény 4,25 gigawattról 8 gigawattra bővülhet, a helyszínen pedig egy 9,2 gigawattos, 33 milliárd dollár értékű földgáz erőmű is épül egy korábban katonai uránjátás területén. A TechCrunch szerint a földgázerőmű-építés költsége két év alatt 66 százalékkal nőtt, ami a beruházás árát is felhajtja. Az OpenAI saját közleménye csupán azt erősíti meg, hogy csatlakozott a Ports-Pike projekthez, amely dél-ohiói munkahelyeket és közösségi fejlesztéseket is támogat.
-
Nvidia 1,5 milliárd dollárt fektet az OpenAI ohiói adatközpontjába
A Nvidia hétfőn bejelentette, hogy 1,5 milliárd dollárt fektet az SB Energybe, amely a SoftBankhoz és az OpenAI-hoz köthető adatközpont-fejlesztő. A TechCrunch által ismertetett SEC-dokumentumok szerint a befektetés biztosítja, hogy a Nvidia legyen a kizárólagos infrastruktúra-beszállító az OpenAI Cincinnati melletti Ports-Pike adatközpontjában, amelyhez akár 105 milliárd dollár hitelkeretet is nyújt, és amely 4,25 gigawattról 8 gigawattra bővülhet. A telephelyen egy 9,2 gigawattos, 33 milliárd dolláros földgáz erőmű is épül olyan területen, amely korábban az amerikai atomfegyver-programhoz szolgáltatott dúsított uránt. Az OpenAI saját közleménye csak azt erősíti meg, hogy csatlakozott a Ports-Pike projekthez, bővítve közösségi beruházásait és több ezer dél-ohiói munkahelyet támogatva.
-
A Groq 350 millió dollárt vont be neocloud-átállásához, felére csökkent értékeltség mellett
A Groq startup 350 millió dollár friss tőkét szerzett, miközben tovább folytatja átalakulását saját AI-chipeket gyártó cégből Nvidia-alapú GPU-kat kínáló, úgynevezett neocloud-szolgáltatóvá. A kört a Disruptive vezette, Nvidia tervezett részvételével, és a Groq-ot 3,5 milliárd dollárra értékelte, ami jóval elmarad a tavaly szeptemberi 6,9 milliárd dollártól. A cég szóvivője a TechCrunch-nak azt állította, ez nem down round, hanem az Nvidia-licencszerződés utáni új Groq értékelése. A vállalat júniusban már bevont 650 millió dollárt a pivot elindítására, és jelenleg 13 adatközpontot üzemeltet, több millió fejlesztőt kiszolgálva. A cikk szerint nyitott kérdés, hogy a neocloud-modell hosszú távon elég jövedelmező lesz-e a hatalmas beruházások megtérüléséhez.
-
NVIDIA NVFP4-re tömöríti a Nemotron 3.5 Lightning modellt, elérhető AWS-en is
Az NVIDIA technikai blogja szerint kvantálás-tudatos disztillációval (QAD) készült el a Nemotron 3.5 Lightning NVFP4 verziója, amely a teljes pontosságú, 66 GB-os BF16 modellhez képest 22 GB-ra zsugorodik, és a vállalat állítása szerint akár négyszeres áteresztőképességet ér el, közel a BF16 pontosságával. A módszer PTQ-val indul, majd a diákmodellt a fagyasztott tanárhoz igazítja KL-divergencia veszteséggel, ami a cég mérései szerint jobb pontosságmegtartást ad, mint a puszta PTQ. Az AWS bejegyzése szerint a Nemotron 3.5 Lightning – egy 30 milliárd paraméteres, de csak 3 milliárd aktív paramétert használó MoE modell – az Amazon SageMaker JumpStartban is elérhető, nagy volumenű AI-ágensekhez optimalizálva.
-
Francia startup szoftveres trükkökkel gyorsítaná a GPU-alapú AI-következtetést
A francia Kog startup azt állítja, hogy szoftveres optimalizálással jelentősen felgyorsítható az AI-következtetés meglévő adatközponti GPU-kon, például AMD MI300X és Nvidia H200 kártyákon. Májusi technológiai bemutatójuk a Hacker News címlapjára is felkerült, és a vezérigazgató, Gaël Delalleau szerint azóta mintegy 200 konkrét üzleti érdeklődő jelentkezett. A demóban 3000 token/másodperc sebességet értek el, de ezt egy célzottan épített, mindössze 2 milliárd paraméteres kis modellel, a Laneformer 2B-vel mutatták be, amelyet azóta nyílt forráskódúvá tettek. A cég szerint ugyanez a módszer nagy nyelvi modelleknél is működne, ez azonban egyelőre igazolatlan ígéret, mivel az erre optimalizált verzió még fejlesztés alatt áll. Az összefoglaló kizárólag a Kog és vezetője állításain alapul, független mérés nem szerepel a forrásban.
-
Alibaba 2,4 billió paraméteres Qwen-modellje NVIDIA GB300 chipeken fut
Az NVIDIA technikai blogja szerint az Alibaba nyílt súlyokkal publikálta a Qwen3.8-2.4T-A95B (Qwen3.8-Max) modellt, eddigi legnagyobb nyílt modelljét: 2,4 billió összparaméterrel, tokenenként 95 milliárd aktivált paraméterrel, finomszemcsés MoE-architektúrával és teljes, illetve lineáris figyelmet vegyítő megoldással, amely akár egymillió tokenes kontextust és 128 ezer tokenes kimenetet kezel. Az NVIDIA saját mérése szerint a modell külön finomhangolás nélkül, FP8 pontosságon már az első napon GPU-nkánt 4000, felhasználónkénti pedig 350 tokent másodpercenként ér el GB300 NVL72 rendszeren. A cég szerint a jövőben tervezett NVFP4 pontosság további teljesítménynövekedést hozhat, ez azonban még csak kilátás, nem mért eredmény.
-
Nvidia bemutatta a gyors, nyílt Nemotron 3.5 Lightning modellt
Az Nvidia kiadta a Nemotron 3.5 Lightning nevű nyílt súlyozású modellt, amely a vállalat közlése szerint 30 milliárd paraméteres Mixture-of-Experts architektúrát használ, de csak 3 milliárd paraméter aktív egyszerre, és az önműködő AI-ügynökök gyors, nagy volumenű végrehajtási feladataira optimalizálták. A modell a Nemotron 3 Nano 30B A3B utódja, megtartva a hibrid Mamba-Transformer felépítést. A független Artificial Analysis benchmarkplatform szerint a Lightning az Intelligence Indexen 24 pontot ér el, ami megegyezik az OpenAI gpt-oss-120b eredményével, negyedannyi paraméterből, és mintegy 670 token/másodperces sebességgel a mért modellek közül a leggyorsabbnak számít. Az Nvidia engedékeny licenc alatt, súlyokkal és tréningreceptekkel együtt adta ki a modellt.
-
Nvidia 500 milliárd dolláros AI-infrastruktúra finanszírozási terve
Az Nvidia szándéknyilatkozatot írt alá hat nagy pénzügyi céggel – Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs és KKR –, hogy évek alatt több mint 500 milliárd dollár külső tőkét mozgósítsanak adatközpontok, chipgyárak és erőművek építésére. A Financial Times szerint a hír nyilvánosságra kerülése után az Nvidia részvénye kb. 1,4 százalékot esett, ami több mint 70 milliárd dollár piaci értéket törölt el. A megállapodás kulcseleme, hogy az Nvidia maga garantálja a beépített chipek maradványértékének akár 25 százalékát, ha azok az elvárt szint alá esnek, így átvállal egy részt az amortizációs kockázatból. Jensen Huang szerint ez az arány jóval alacsonyabb, mint más finanszírozási konstrukciókban, és a hardver hosszú élettartamára, illetve az emelkedő bérleti díjakra hivatkozva cáfolja a lufi-aggodalmakat, amelyeket kritikusok, például Michael Burry, hangoztatnak.
-
NVIDIA NeMo Switchyard: modellek közötti terheléselosztó AI-ügynökökhöz
Az NVIDIA a NeMo Switchyard nevű eszközt ismertette, amely az AI-ügynökök feladatait dinamikusan osztja el különböző méretű és képességű nyelvi modellek között, a feladat jellege, a költség és az infrastruktúra alapján. A vállalat közlése szerint a rendszer szolgáltatófüggetlen SDK-t biztosít, automatikus és testre szabható útválasztási algoritmusokat támogat, és elválasztja az útválasztási logikát a konkrét modellszolgáltatóktól. Az NVIDIA saját tesztjei és a LangChain, illetve a Cognition partnerekkel végzett kipróbálás szerint az útválasztás jelentősen csökkentheti a költségeket a pontosság megtartása mellett, ám ezek az adatok a vállalat saját közléséből származnak, független megerősítés nélkül. A cél, hogy egyetlen nagy, drága modell helyett feladatonként a legmegfelelőbb modellt használják.
-
Meta megjelentette a Muse Glimmer nyílt súlyú AI-ügynökmodellt
Meta kiadta a Muse Glimmer nevű 30 milliárd paraméteres, sűrű architektúrájú modellt, amelynek súlyait Apache 2.0 licenc alatt, nyíltan tette elérhetővé a Hugging Face-en. A vállalat szerint a modellt kifejezetten helyi, folyamatosan futó AI-ügynökök számára optimalizálták: egyetlen fogyasztói GPU-n, akár internetkapcsolat nélkül is képes futni, és több mint 100 nyelven, szöveget és képet is kezel. A The Decoder szerint Meta saját benchmarkjai alapján a Glimmer a Google Gemma és az Alibaba Qwen hasonló méretű nyílt modelljeivel versenyképes ügynöki feladatokban, ám a mérés a vállalat saját, nem független tesztkörnyezetében történt. Ez Meta első nyílt modellje a 2025 tavaszi Llama 4 óta, amelyet gyenge fogadtatás és manipulált benchmarkok miatti kritika ért. NVIDIA és Hugging Face már nap-nulla támogatást biztosít a modellhez több futtatókörnyezetben.
-
NVIDIA kiterjesztette a nyílt súlyú Magpie TTS beszédszintetizátor nyelvi támogatását
Az NVIDIA a Hugging Face blogján bemutatta a Magpie Multilingual TTS legújabb kiadását, egy 364 millió paraméteres, nyílt súlyú szövegfelolvasó modellt, amely kaszkádolt beszéd-AI architektúrába illeszthető. A vállalat állítása szerint a modell mostantól 12 nyelvet támogat, a legújabb frissítés három új nyelvvel – modern standard arabbal, koreaival és brazíliai portugállal – bővítette a palettát, és javította több meglévő nyelv minőségét is frissített tréningadatokkal. Az NVIDIA azzal érvel, hogy a nyílt súlyok és a saját infrastruktúrán futtatás lehetővé teszi a késleltetés finomhangolását és a testreszabást, szemben a zárt, „egy API-hívásos” beszéd-megoldásokkal. A cikk elsősorban vállalati termékbejelentés, amely a Magpie NVIDIA NIM-integrációját hangsúlyozza.
-
Google DeepMind diffúziós nyelvmodellé alakította a Gemma 4-et
A Google DeepMind technikai jelentést tett közzé a júniusban kiadott DiffusionGemma modellről. A vállalat állítása szerint nem nulláról építették: a meglévő Gemma-4-26B-A4B modellt alakították diffúziós architektúrává, az eredeti tanítási tokenmennyiség kevesebb mint tíz százalékának felhasználásával. A hagyományos, soronként tokeneket generáló modellekkel szemben a DiffusionGemma 256 tokenes blokkokat párhuzamosan finomít, ami Nvidia H100 gyorsítón a cég szerint mintegy 1500 token másodpercenkénti sebességet ad. A jelentés szerint a kétlépéses tanítás, benne az SD·RL nevű megerősítéses tanulás és mintavevő-desztilláció kombinációja, átlagosan tíz ponttal javította a teljesítményt érvelési benchmarkokon, a válaszok pedig mintegy 50 százalékkal rövidebbek lettek.
-
Nvidia és Amazon milliárdokat fektet AI-energiaellátásba
A The Information szerint az Nvidia akár 3 milliárd dollárt fektethet a texasi Lancium energiafejlesztőbe, amely az OpenAI és az Oracle közös adatközpontját is ellátja; egy 2 milliárd dolláros részesedés a cég kb. 20 százalékát jelentené a 10 milliárd dollárra becsült vállalatban. A Lancium már 4 gigawattra kötött szerződést Texasban, és további 15 gigawattnyi kapacitást fejleszt. A New York Times szerint az Amazon egy Pecos megyei gázüzemű erőmű mögé állt be, amely évi akár 33 millió tonna CO2-t bocsáthatna ki, ami az ország legszennyezőbb erőművévé tenné; a 35 turbina akár 7,65 gigawattot termelhetne egy Amazon-adatközpont számára. Az Amazon szóvivője szerint a klímacélok érvényben vannak, de az AI-adatközpontok nehezítik elérésüket.
-
NVIDIA bemutatta az Alpamayo 2 Super önvezető AI-modellt
Az NVIDIA hivatalos bejelentése szerint az Alpamayo 2 Super egy 34 milliárd paraméteres, nyíltan elérhető vizuális-nyelvi-cselekvési modell, amely önvezető autók fejlesztését hivatott egységesíteni. A rendszer a 32 milliárd paraméteres Cosmos 3 Super Reasoner nevű okfejtő komponenst és egy 2 milliárd paraméteres, diffúzió-alapú Action Expert modult kapcsolja össze, megerősítő tanulással utótanítva. A vállalat állítása szerint akár hét kamerából 360 fokos érzékelést biztosít, és egyetlen modellből ad jövőbeli pályát, okfejtési láncot, magas szintű cselekvési predikciót, jelenet-alapú kérdésválaszolást és automatikus adatannotálást. Az NVIDIA saját méréseket közölt, amelyek szerint a modell több benchmarkon – köztük pályaelőrejelzésben és LingoQA teszten – felülmúlja a korábbi megoldásokat, ezek az adatok azonban független validálás nélkül a vállalat saját közlésén alapulnak.
-
NVIDIA: a World Action Modellek felváltják a robotikai VLA-kat
Az NVIDIA technikai blogja szerint a robotpolitikák új generációja, az úgynevezett World Action Model (WAM) videó-alapú világmodellekre épül, nem a megszokott nyelv-látás (VLM) alapú vision-language-action (VLA) rendszerekre. A cég állítása szerint a WAM-ok jobban általánosítanak új feladatokra, robotokra és környezetekre, mert a tanult fizikai dinamikát használják, nem csak szemantikus leképezést. Az NVIDIA saját, nyílt Cosmos 3 modelljét mutatja be alapként, amely Mixture-of-Transformers architektúrára épül, és rendkívül nagy, több száz millió kép-, videó- és akciómintát tartalmazó adathalmazon tanult. A vállalat szerint a Cosmos 3 munkaállomásos és Jetson-alapú, valós idejű futtatást is lehetővé tesz, kevesebb feladatspecifikus adattal érve el jobb teljesítményt. Az állítások az NVIDIA saját blogbejegyzéséből származnak, független megerősítés nélkül.
-
NVIDIA szerint Vera storage-processzora akár 3,67-szer gyorsabb CRC32C integritásellenőrzésben (titkosításnál 1,43-szor)
Az NVIDIA saját technikai blogján közölt benchmarkeredményei szerint a Vera BlueField-4 STX storage-processzor – amely 88 Olympus Armv9.2 magot, Spatial Multithreading technológiát és SOCAMM2 LPDDR5X memóriát integrál – felülmúlja az x86 CPU-kat AI-natív adatplatformok tárolási feladataiban. A vállalat állítása szerint a chip titkosításnál 1,43-szoros, dekódolásnál 1,29-szoros, Reed-Solomon hibajavításnál 3,26-szoros, CRC32C integritásellenőrzésnél 3,67-szoros, tömörítésnél 3,29-szoros sebességtöbbletet ér el. Az NVIDIA szerint ez lehetővé teszi, hogy az agentikus AI-munkafolyamatok alacsonyabb energia- és hűtési igény mellett skálázódjanak. Az adatok kizárólag a vállalat saját, független megerősítés nélküli mérésén alapulnak.
