据 Google DeepMind 在 X 上发布的信息，Decoupled DiLoCo 将可异步调度异构芯片的 Pathways 与可大幅降低跨站点带宽占用的 DiLoCo 结合，实现在多数据中心进行大规模模型训练（来源：Google DeepMind，2026年4月23日）。根据 Google DeepMind 的说明，Pathways 负责跨加速器的节奏解耦与任务编排，DiLoCo 则减少梯度同步通信，从而缓解带宽与“慢节点”瓶颈，提升大模型训练的可扩展性与弹性。对企业而言，这意味着更低训练成本、更高容错与跨区域弹性容量调度，为超大语言模型与多模态模型训练、分布式 MLOps、跨云区域资源池化带来新的商业机会。

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。

据Google DeepMind在X平台披露，团队在低带宽网络下将12B规模的Google Gemma模型分布在美国四个地区完成训练，并验证了在TPU6e与TPUv5p等异构硬件上无性能下降的混合训练能力。根据Google DeepMind的说明，这一跨区域编排为企业带来新的算力策略，包括跨区域算力池化、提升容灾与弹性、以及盘活闲置算力；同时，代际混用能力可降低硬件迭代成本与迁移阻力，为分布式大模型训练与推理的商业部署提供更高的灵活性。

根据@krea_ai在推特发布的信息，2025年旧金山Infra Talks活动将由Chroma CTO (@HammadTime) 和 Krea CTO (@asciidiego) 主讲，重点讨论AI GPU基础设施，包括分布式训练、提升GPU利用率、加速推理路径及强化学习高并发系统的架构。活动面向AI基础设施、系统工程和后端开发领域专业人士，旨在分享如何高效管理GPU集群、优化模型推理速度，并支持大规模AI部署的实用经验和商业机会。（来源：@krea_ai，Twitter，2025年11月14日）