标签
一个开源方案展示了如何在单个 Google TPU 上对 Gemma 4 E2B 进行多轮智能体强化学习训练,在经过 100 步 GRPO 训练后,将其在一款需要调用工具的棋盘游戏中的胜率从 9.4% 提升至 95%。
Google 和 Blue Origin 宣布,New Glenn 将在 2029 年第一季度把搭载 Google TPU 的卫星送入太阳同步轨道,这是 Project Suncatcher(在太空建设 AI 数据中心)计划的一部分。
Meta 超级智能实验室的研究人员推出了 Fuse-All MoE,这是一种融合式 Pallas TPU 内核,可协同优化 MoE 推理中的专家计算、输出通信和负载均衡。与 Megablox EP16 基线相比,该方法将推理服务吞吐量最高提升了 34.5%,将解码内核延迟最高降低了 21.3%,并显著改善了预填充阶段的负载均衡。
谷歌近期密集推出的一系列 AI 产品与技术汇总,涵盖 Gemini 4 Carbon 和 Hydrogen 模型、Antigravity 开发工具、A2UI 1.0、Gemini 眼镜硬件以及新款 TPU 芯片,彰显谷歌整个 AI 技术栈的强劲发展势头。
谷歌首颗数据中心卫星现已在轨上线,配备四个张量处理单元(TPU),功率最高可达1千瓦,用于测试太空中的大规模推理工作负载。不过,受TPU功率限制,它每次只能运行一块芯片,持续约20分钟。
谷歌“阳光捕手”(Project Suncatcher)项目的原型卫星首次传回了由在轨数据中心级 TPU 生成的 AI 响应,在一次经过地面站上空的通信窗口期间,利用星载 Gemma 4 开放模型成功创作了一首俳句。这一里程碑为评估 TPU 在太空环境下的性能迈出了一步,为计划于 2027 年开展的双卫星任务做准备。
谷歌分享了首个来自太空的 AI 生成回复——一首由搭载在绕地运行的原型卫星上、已启动的 TPU 创作的俳句,标志着“逐日者计划”(Project Suncatcher)取得了早期里程碑式进展。这项雄心勃勃的研究计划旨在探索利用太空中充沛的太阳能为机器学习提供动力。
Google 报告称,其四块 TPU 成功在轨道上运行,验证了该 AI 硬件在被送入太空后能够正常启动、处理提示词,并将响应传回地球。
谷歌的 Suncatcher 项目成功向一颗在轨原型卫星发送了指令,启动了 TPU,运行了一条提示词,并在地球上收到了由大语言模型生成的完整俳句回复——这是在太空中运行 AI 模型的一个里程碑。
Google的Project Suncatcher卫星成功在太空启动TPU,机载Gemma 4模型生成了首条来自太空的回应(一首俳句)。这为2027年实现双星互联奠定了基础,最终目标是在太空中部署AI数据中心。
桑达尔·皮查伊宣布,谷歌的 Project Suncatcher 项目达成了一个“Hello World”里程碑:成功向一颗在轨原型卫星发送指令,启动其 TPU,并在地球上收到完整回复(一首俳句)。埃隆·马斯克仅回复了一个字:“酷”。
Google 的 Project Suncatcher 太空 AI 数据中心登月计划完成首次 "hello world" 测试:在约 500 英里高的自研 TPU 系统上成功运行 Gemma 模型,并收到了一段关于太空的俳句响应,验证了在轨 AI 计算的可行性。
谷歌“捕日者”(Suncatcher)太空数据中心原型卫星搭乘 SpaceX 猎鹰 9 号火箭发射后,已上线并与地面建立通信。该卫星在星载 TPU 上运行谷歌 DeepMind 的 Gemma 4,在轨执行推理任务。此次测试将评估芯片应对太空辐射和热应力的能力,另有两颗卫星计划于 2027 年发射。
谷歌的 TPU 将首次在谷歌之外的超大规模云平台上运行,甲骨文将从 2027 年起部署相关算力。谷歌强调第八代 TPU 的性能提升,以及其用于兼容 PyTorch 的开源 TorchTPU 技术栈,推动 TPU 销售扩张,直接参与超大规模云市场的竞争。
Google 与 Meta 合作开发 TorchTPU,这是一个面向 Google TPU 的开源原生 PyTorch 后端,支持开箱即用的运行、eager 模式以及与 torch.compile 的集成,性能具有竞争力,取代了 PyTorch/XLA 的诸多限制。
Google 将 TorchTPU 作为开源项目发布,让开发者无需重写代码即可在其 TPU 上运行原生 PyTorch 应用,与 Amazon 的 TorchNeuron 一同向 Nvidia 在 AI 芯片软件工具领域的主导地位发起挑战。
Google 与 Meta 联合发布开源项目 TorchTPU,为 Google TPU 提供原生 PyTorch 后端,支持真正的 eager 执行与 torch.compile 集成,并在 Llama 3 405B 和 Qwen 3 MoE 上实现近线性扩展。
Google 开源了 TorchTPU,这是其 TPU 的原生 PyTorch 后端,支持自定义 ATen 内核、XLA 编译缓存、torch.compile() 集成以及分布式训练,并提供了 Llama、Qwen 和 ResNet 等模型的示例。
Hugging Face 宣布 Transformers、Diffusers 和 Kernels 原生支持 TorchTPU,使 TPU 成为 PyTorch 中的一个普通设备选项,无需再依赖 torch_xla 或 Optimum TPU。
Francois Chollet 表示,他一直在尝试使用 KerasHub、JAX 和 TPU 进行大语言模型后训练,并可能将部分成果开源。