谷歌称Starship需发射1800次才能支撑太空数据中心
谷歌发射首颗搭载Tensor Processing Unit (TPU)的轨道计算卫星，并发表关于轨道数据中心的同行评审论文。该研究指出，为实现具有成本效益的太空数据中心，SpaceX的Starship火箭需在十年内完成约1800次发射，将每公斤发射成本降至200美元左右。谷歌认为其芯片能在太空中承受辐射并处理推理负载，但大规模训练仍面临挑战。
#部署/工程
#部署/工程
今日 3 条TechCrunch · AIAI 评分7373 AWS Machine Learning BlogAI 评分4242 AWS 使用上下文多臂老虎机优化 Amazon Payments 转化漏斗
Amazon Payments 在 Amazon SageMaker AI 上部署多目标上下文多臂老虎机（MAB）以个性化产品获取漏斗。七周 A/B 测试显示，特定客户群体最终转化率提升高个位数百分比，但另一群体无改善，表明瓶颈在于内容而非模型。该方案采用 LinUCB 算法，基于行为信号向量进行实时决策与探索平衡。
AWS Machine Learning BlogAI 评分3232 AWS 实现 Claude Platform on AWS 多环境访问指南
AWS 发布指南，演示如何在生产、开发及外部环境中配置 Claude Platform on AWS (CPonAWS) 的多环境访问。方案采用专用 AI Services 账户架构，通过跨账户 SigV4、工作区级 API Key 及 OIDC 联合认证三种模式，实现单一订阅下的流量隔离与安全推理调用。
AWS Machine Learning BlogAI 评分2525 uniopen 定制 Amazon Nova 2 Lite 实现零售内容审核生产部署
uniopen 通过监督微调将 Amazon Nova 2 Lite 适配至其零售审核策略，并在 Amazon SageMaker AI 中完成训练与部署。该方案结合提示词优化，在包含 737 个对话窗口的测试集上评估行为分类与主体识别性能。架构采用人工验证反馈闭环，利用硬/软门控机制控制模型晋升，确保生产环境下的合规性与稳定性。
NVIDIA BlogAI 评分2626 NVIDIA AI 工厂如何通过高产出、长寿命与通用性最大化投资回报
NVIDIA AI 工厂通过提升每兆瓦吞吐量、延长硬件使用寿命及支持多类型工作负载来最大化 ROI。Vera Rubin NVL72 系统较 GB300 NVL72 在 DeepSeek V4 Pro 模型上实现超 30 倍吞吐提升，成本降低至 1/45。CUDA 平台跨代兼容性及持续软件优化确保 A100 等旧款 GPU 长期保持经济价值。
MIT Technology Review · AIAI 评分2424 HPE 提出将 AI 从消费支出转为自有资产的经济模型
HPE 指出当 AI 工作负载稳定且规模化时，企业应评估从按量付费转向拥有算力基础设施。Deloitte 数据显示 2025 年员工 AI 访问率上升 5%，预计六个月内至少 40% 项目进入生产环境的企业比例将翻倍。决策关键在于确定维持产能利用率以优化成本与可预测性的临界点。
NVIDIA BlogAI 评分1212 NVIDIA 验证工程师 Sakeena Fiza 助力硬件规模化成功
NVIDIA 数据中心系统工程师 Sakeena Fiza 通过严格的验证流程，确保 Rubin GPU 等硬件在量产前具备高可靠性。她致力于在从托盘到机架的复杂环境中排查故障，保障 AI 工厂基础设施的稳定运行。
Mistral AIAI 评分2525 Mistral 与 Cloudera 合作，为企业数据提供主权 AI
Mistral 与 Cloudera 宣布合作，将模型集成至混合数据平台，支持在私有云、本地及全隔离环境中运行推理。企业可利用专有数据训练自定义模型并保留所有权，实现数据、智能与计算完全受控的主权 AI 部署。
Mistral AIAI 评分5050 Mistral 推出区域推理端点、优先层级并支持 GLM-5.2 等第三方开源模型
Mistral 正式推出 Mistral Regional Endpoints 和处于公开预览阶段的 Mistral Priority Tier，提供欧洲或美国区域选择及 SLA 保障。平台开始支持 Z.ai 的 GLM-5.2 等第三方开源模型，使其运行于相同的区域控制与服务承诺下。Mistral 还组建联盟锁定长期算力，计划到 2030 年建成高达 1 GW 容量以强化 AI 主权。
Berkeley AI Research精选AI 评分6262 Berkeley AI Research 提出 K-Search MLX 后端实现 CUDA 到 Apple Silicon 的内核优化迁移
Berkeley AI Research 与 IBM Research 合作扩展了 K-Search 框架，新增 MLX 后端以自动将 CUDA 内核优化知识迁移至 Apple Silicon。
推荐理由：原文展示了通过结构化翻译层将 CUDA 内核知识迁移至 Apple Silicon 的方法，并给出了在 Attention 和 Mamba SSM 内核上的具体性能提升数据。