据CNBC称，MGX完成490亿美元AI基金，为算力与模型投资注入巨资。

据CNBC称，二季度市值增2万亿美元，受AI芯片需求推动。

据@CNBC称，拉方特押注英伟达与GPU供给及数据中心扩张。

据@CNBC称，英伟达、微软与博通或因AI相关催化与业绩迎来大波动。

据@CNBC称，SpaceX向Reflection提供高达63亿美元算力。

据FoxNewsAI称，奥利里警告美国延误或让中国在AI基础设施上领先。

据@satyanadella称，Azure与Nvidia协作实现最大规模最快训练。

据X用户@_avichawla称，Flash KMeans消除GPU内存瓶颈，较cuML快33倍、较FAISS快200倍。

据@CNBC，高盛称英伟达等AI龙头仍有上行空间。

据Sawyer Merritt称，谷歌与SpaceX达成每月9.2亿美元算力协议，含11万块NVIDIA GPU。

据SawyerMerritt称，SpaceX将以每月9.2亿美元采购谷歌云算力与11万块NVIDIA GPU。

据TheRundownAI称，英伟达市值达5.5万亿美元，黄仁勋称增长“不可避免”。

据@SoumithChintala称，正招募超算工程师支持实时模型与大规模训练。

据FoxNewsAI，凯文奥莱利称犹他AI数据中心将提升美国算力以抗衡中国。

据@gdb称，GPT‑5.5擅长编写GPU内核，提升高性能计算代码生成。

根据 @_avichawla 在 Twitter 的介绍，FlashAttention 通过在芯片上使用SRAM缓存中间结果，减少对HBM的冗余读写，相比标准注意力可实现最高7.6倍加速。根据 Dao 等人的 FlashAttention 论文（斯坦福）报道，其面向IO的分块算法将QKV保留在快速SRAM中，缓解内存带宽瓶颈并提升GPU吞吐。依据论文基准结果，FlashAttention 加速Transformer训练与推理，在生产环境中带来更低时延、更高每秒生成token数及更低单token成本。对企业而言，这有助于优化RAG检索生成流程、提升流式回复体验，并在不牺牲精度的前提下提高GPU利用率，以上信息均据原论文与工程说明所述。

According to Kye Gomez（转引The Kobeissi Letter与麦肯锡）的信息显示，全球由AI驱动的数据中心资本开支预计到2030年将达5.2万亿美元，其中IT设备3.3万亿美元、数据中心基础设施1.6万亿美元、发电相关3000亿美元。根据The Kobeissi Letter援引麦肯锡的数据，情景区间为3.7万亿（新增78吉瓦）至7.9万亿美元（新增205吉瓦），基准假设新增125吉瓦容量，相当于约125座核反应堆的用电量。依McKinsey通过The Kobeissi Letter的解读，增长动力来自生成式AI普及、企业级集成、巨头竞赛与政府基建投入，这为GPU供应商、服务器OEM、液冷与配电厂商、电网与发电项目开发商以及托管与同址运营商带来显著市场机会。

据Sawyer Merritt与特斯拉10-Q文件，特斯拉FSD月活订阅数达45.6万，月度订阅收入超4500万美元，显示高毛利软件订阅规模化潜力（来源：Sawyer Merritt；特斯拉10-Q）。据Sawyer Merritt，FSD每日行驶里程达2880万英里，三个月翻倍，为端到端自动驾驶提供更丰富的真实驾驶数据，助力长尾场景学习。据其报道，特斯拉计划在2026年二季度将GPU训练能力近乎翻倍，意味着对视频大模型与端到端感知控制的训练基础设施大幅扩容。根据被Sawyer Merritt引用的特斯拉10-Q，特斯拉已签署最高20亿美元的AI硬件收购协议，其中约18亿美元与服务和业绩里程碑挂钩，凸显向AI硬件纵向整合的战略。另据其称，FSD v15将运行于AI4，Cybercab不受每年2500台自动驾驶上限限制，若获监管放行，有望更大规模商用化。与此同时，特斯拉将自7月起把柏林工厂Model Y产量提升20%并新增1000名员工，且一季度订单积压创两年多来Q1新高，为持续AI投入提供现金流支撑（来源：Sawyer Merritt）。

据 Google DeepMind 在 X 平台披露，Decoupled DiLoCo 探索通过解耦加速器间的严格同步，实现在单卡故障时仍可持续推进的大规模训练。根据 Google DeepMind 的信息，前沿模型训练常因一次全局同步受阻而整体停滞；Decoupled DiLoCo 旨在在保持吞吐的同时容忍节点掉线与延迟。据 Google DeepMind 报道，该方法通过放宽锁步协调、允许异步前进与故障切换，可显著减少停机时间并提升多节点 GPU 或 TPU 集群利用率；对企业而言，这意味着更高训练效率、更少重启与更低每次训练成本，适用于大语言模型与多模态模型的超大规模集群场景。

据Google DeepMind在X平台表示，其新研究展示了可跨地域、跨算力规模与异构芯片的分布式训练架构，突破地理与硬件束缚。根据该推文链接的DeepMind研究文章，系统通过弹性调度、拓扑感知通信与容错聚合，在多数据中心与多种加速器上协同训练，维持高利用率并稳定成本。依据Google DeepMind的技术说明，该方法支持GPU与专用加速器的供应商无关训练，使企业可整合闲置产能、缩短训练周期、并降低大型作业排队与宕区风险。正如Google DeepMind所述，这将带来更高吞吐、更强区域故障韧性，以及按区域与芯片类型优化的性价比提升。