∞ 华为昇腾950 AI加速器实物图曝光
华为新一代昇腾950 AI加速器实物图日前首次曝光，展示了公司自研芯片与自研高带宽存储器（HBM）的封装形态。这款芯片将华为首代自研HBM与新一代AI加速单元集成在同一封装之中，定位面向大规模算力集群，通过系统规模和集群密度来参与竞争，而不是单颗芯片性能“硬刚”英伟达等对手。
华为此前已宣布，昇腾950系列计划于2026年初正式推出，将至少包含两个型号。
报道显示，昇腾950系列中，950PR版本集成了128 GB华为自研HBM，带宽约为1.6 TB/s；而950DT版本则将容量提升至144 GB，并将带宽大幅提升至接近4 TB/s。两款芯片的算力目标均为单卡1 PetaFLOPS级FP8性能、2 PetaFLOPS级FP4性能，面向当前主流大模型推理与训练场景。华为在整体策略上更强调高密度封装与高效互连网络，通过在机柜和数据中心层面提升算力与互联效率，来抵消单芯片性能上的差距。
在制造工艺方面，文章指出目前尚无官方确认的制程节点信息，但业界普遍预计昇腾950极有可能采用中芯国际最新的N+3工艺，这一工艺被归类为5 nm级别节点。中芯国际此前已经宣布，其N+3节点已在不依赖EUV设备的情况下实现量产，而首个公开客户正是搭载麒麟9030 SoC的华为终端产品。在此背景下，作为华为战略级AI加速产品，昇腾950采用同一节点被视为“顺理成章”的推断。
从实物图观察，昇腾950采用多芯片封装设计，核心为两个计算芯片裸片，并搭配额外两块疑似I/O与网络相关的芯片裸片，共同构成一个多芯片模块（MCM）。这些I/O与网络芯片被认为负责将加速卡连接到更大规模的SuperPoD和SuperCluster集群中，通过新一代“灵渠（Lingqu）”互连协议和光互连技术，实现数十万张昇腾950卡的高带宽互联。在裸片周围分布的一圈封装结构外观上类似“LPDDR/HBM混合形态”的模组，被推测为华为自研HBM封装，极有可能以独立封装形式生产，再在系统级封装中堆叠集成到加速器基板上。
整体来看，昇腾950的设计路线与英伟达Blackwell等高端GPU有一定相似之处，均通过双芯片封装在单卡上叠加更多算力，并依托高带宽HBM与专用互连协议构建大规模算力集群。不同之处在于，华为在当前阶段更加突出“规模取胜”的思路，希望通过密集封装、多卡互联和超级集群方案，在数据中心与AI云算力市场中形成可替代性方案，同时强化本土供应链的自主可控能力。
∞ SK海力士预测通用内存供给紧张将持续到2028年
据外媒报道，SK海力士近日在一次内部会议上向员工通报了最新内存供需展望，认为面向大众市场的通用DRAM将在未来数年持续处于供应紧张状态，这一情况可能一直延续到2028年。
受影响的产品包括DDR4、DDR5，以及广泛用于显卡的GDDR6、GDDR7和移动端使用的LPDDR5X、LPDDR6等，这些都是PC和游戏主机等设备的关键组成部分，意味着全球数以百万计的玩家和普通消费者都可能面临内存价格明显上涨的压力。
报道指出，SK海力士认为本轮供给紧张的特征，与以往“需求上来—厂商扩产—价格回落”的周期性行情明显不同。公司预计，在现有供应商库存逐步被消化的背景下，业界整体产能并不会像过去那样迅速扩张来对应需求，从而导致长时间的供不应求而非短暂性紧缺。
值得注意的是，SK海力士同时强调，此次预期中的供应紧张并不包括其最先进的存储产品，如高带宽存储器HBM以及SOCAMM等解决方案。这些面向数据中心和人工智能应用的高端产品反而将在未来获得额外的产能扩张，其供给不会被列入“紧张阵营”。公司指出，这类高端存储器目前需求极其旺盛，且单个系统所消耗的容量往往远高于传统PC和游戏设备，因为它们大多集成在AI加速卡、GPU和服务器等高附加值产品中。
为应对AI和高端存储市场的增长，SK海力士已经启动新一轮设备投资，近期开始加装更多EUV曝光机，并计划在未来两年内陆续安装20台Low-NA EUV设备。这些新设备将主要用于HBM以及高端存储产品生产线的扩产，而非传统通用DRAM产能，意味着新增的产能增量几乎全部投向数据中心和AI相关业务，而不是PC和消费级内存市场。
与此同时，业内并非所有厂商都采取与SK海力士相同的策略。报道称，部分竞争对手如三星正在考虑或已经着手将部分HBM产线产能重新分配给普通DRAM产品，以缓解后者的市场供给压力。这一做法体现出不同厂商在AI浪潮与传统市场之间的取舍思路存在差异，也为未来数年内存价格和供应走向增添了更多不确定性。
∞ 机器学习团队打造出全球最大的三维建筑地图
德国科研团队近日发布了名为“GlobalBuildingAtlas（全球建筑图谱）”的全新数据集，构建出迄今为止最为详尽的全球三维建筑地图，覆盖了地球表面约97%的建筑物，总量超过27.5亿栋，以细小的三维多边形形式呈现人类建成环境的空间分布。
该成果被视为在城市规划、气候研究以及人类发展监测等领域的一项重要基础设施，有望长期用于追踪全球城市化进程与居住条件变化。
这一项目由慕尼黑工业大学的朱晓香（Xiaoxiang Zhu）领衔的团队开展，依托高分辨率卫星影像、深度学习算法以及用于推算建筑高度的激光扫描技术构建数据集。研究人员首先选取了来自欧洲、北美和大洋洲168座城市的资料作为参考，对算法进行训练，随后向系统输入约80万张拍摄于2019年的卫星图像，要求模型自动预测每一栋建筑的高度、体积与占地面积。GlobalBuildingAtlas 的空间分辨率达到3米×3米，并被设计为可定期更新，从而形成一个动态演进的全球建筑数据库。
新发布的数据已经开始揭示不同地区建筑结构的显著差异。一项发表在《Earth System Science Data》期刊上的研究指出，亚洲约占全球建筑“总量”的一半，建筑数量约为12.2亿栋，同时也是全球建筑总体积最大的大陆，总体积约为1.27万亿立方米，这在很大程度上反映了中国、印度等人口大国快速城市化带来的高密度、高体量建筑集聚。非洲在建筑数量上位居第二，约有5.4亿栋建筑，但总建筑体积仅约1170亿立方米，显示出以更矮小、低层建筑为主的格局。
借助三维建筑数据，研究人员还可以更精细地分析人口密度、经济发展与建筑体量之间的关系，从而在同一大洲内对不同国家进行可比性更强的横向研究。相关分析显示，芬兰的建筑总体积约为希腊的6倍，而尼日尔的人均建筑体积则比全球平均水平低约27倍，这类差异在传统的二维地图上难以准确量化和呈现。三维建筑图谱因此被视为理解全球居住空间供给、基础设施分布以及城市形态差异的关键工具。
多名长期关注城市化与交通发展的学者对 GlobalBuildingAtlas 表示欢迎，认为这一成果有望成为研究全球城市扩张与空间结构演变的新基础。来自澳大利亚布里斯班昆士兰大学的城市规划研究者表示，该数据库可以帮助其更好地追踪城市区域随时间变化的形态；而澳大利亚墨尔本蒙纳士大学的交通与城市规划专家则指出，在许多缺乏可靠统计的地区，这一工具将为评估城市增长提供前所未有的全球尺度视角。目前，该数据集已向公众开放，为学术界、政府部门及产业界提供了一个可检索、可更新、可拓展的全球三维建筑基底。
∞ 微软测试新诊断工具 计划加速Windows 11中复杂Web应用的性能
微软正在为 Windows 11 中日益增多的 Web 应用界面寻找提速之道，并在内部测试一项名为“延迟消息计时”（Delayed Message Timing）的新 API，重点针对 Outlook 等依赖复杂 Web 架构的应用，帮助开发者找出性能瓶颈，从而提升体验。
近年来，Windows 11 越来越多系统组件和应用采用基于 WebView2 的网页式界面，例如通知中心中新上线的 Agenda 视图就被发现是通过 WebView2 承载的 Web 应用组件，而并非原生界面。 微软并未有意引导内部团队或第三方开发者“弃用” Web 技术，而是试图通过更精细的诊断工具，让复杂 Web 应用在现有架构下跑得更快。
根据微软在 GitHub 上公开的技术说明，“延迟消息计时”被定位为一项诊断功能，用于测量 Web 应用在不同执行上下文之间通过 postMessage() 传递消息时的耗时，并将这些数据以“delayed-message”条目的形式暴露在 Performance API 中。 这一机制可适用于所有 Web 应用，包括在 Windows 11 上通过 WebView2 嵌入的应用，因此覆盖 Outlook、WhatsApp 等广泛依赖嵌入式 Edge/Chromium 引擎的客户端。
文章指出，如今许多 Windows 11 应用（包括新 Outlook）底层都与 Chromium 绑定，不论是通过 WebView2 还是 Electron，叠加多窗口、iframe、worker 线程等复杂结构，容易造成启动迟缓和界面“卡住”的主观体验。 微软希望借助“延迟消息计时”帮助开发者识别 Web 层内部 postMessage() 处理中过长的等待或阻塞，从而对症优化，缓解用户在点击通知后 Outlook 界面迟迟无响应等问题。
报道同时提到，目前这项 API 本身并不会像“魔法加速器”那样直接提升性能，而是更多扮演“体检仪”的角色：当 UI 已经渲染但交互迟钝时，开发者可以通过该 API 追踪消息传递链路上具体的延迟源头。 微软已经在利用该工具分析 Outlook 的表现，并暗示未来版本有望在启动速度和响应流畅度方面有所改善，尤其是在 Windows 11 这一高度依赖 WebView2 的环境下，让复杂 Web 应用运行得更轻快。
∞ 佛州中学封校风波：AI将单簧管识别成枪支
美国佛罗里达州奥维耶多市的一所中学本周发生了一起由人工智能武器识别系统误报引发的“红色代码”锁校事件，一名学生手中的单簧管被系统误判为枪支，校园随即进入紧急封校状态，校方和警方迅速响应，最终确认并无真实威胁。 这一乌龙事件不仅让家长虚惊一场，也再次把校园中日益普及的AI安防系统的准确性与监管问题推上风口浪尖。
事件发生在劳顿·奇尔斯中学，校内部署的AI威胁检测平台通过监控摄像头扫描实时画面，将学生携带的单簧管“识别”为潜在枪械，引发系统报警。 校方随即启动最高级别的“红色代码”锁校程序，封锁校园并通知执法部门到场，直至确认所谓“武器”其实只是乐器后，封锁才得以解除。 校长随后在发给家长的通知中强调，校园当时并不存在真实安全威胁，但仍提醒家长与子女沟通，不要在校园内做出“假装持有武器”的危险举动。
据介绍，该校所在的塞米诺尔郡学区使用的是总部位于宾夕法尼亚州的ZeroEyes公司提供的云端枪械检测服务，合同金额达25万美元，系统通过接入现有监控摄像头，利用计算机视觉算法识别画面中可能出现的枪支轮廓与特征。 官方资料称，其AI模型经过上百种枪械图像训练，一旦系统“认为”发现武器，相关画面会被传送到ZeroEyes监控中心，由人工分析员进行复核，再决定是否向学校或执法机构发出警报。 然而在此次事件中，这一“人工二次确认”机制显然未能阻止误报演变为全校封锁。
ZeroEyes的平台目前已在全美43个州落地，并进入佛州多个人口稠密学区，企业将其定位为一种“预防性”安保手段，希望通过更快的威胁识别来缩短应对校园枪击的反应时间。 但公司对外公开的性能数据极为有限，几乎没有关于识别准确率、误报率以及成功阻止真实威胁案例的详尽统计，这也让外界难以评估其实际效果。 塞米诺尔郡安全与安保部门在回应媒体询问时，仅笼统地将该系统描述为“有效威慑”，没有给出任何经证实的威胁拦截数据，也未说明类似误报发生的频率。
家长和安全专家因此普遍呼吁提高透明度与问责机制，有家长直言，对系统是否“物有所值”心存疑虑，希望学区拿出具体统计证明这套昂贵方案的成效，并质问若曾成功发现真实威胁，为何从未向公众公开。 独立技术分析人士指出，目前几乎看不到对ZeroEyes的第三方评估，公开报道的观点也较为分化，一些公共安全领域专家担心，这类系统可能更多提供的是“安全感的幻象”，而非经过验证的风险降低。
在政策层面，ZeroEyes还通过注册说客推动多州立法，在部分州获得了类似“指定供货商”的地位，使其成为校园安防采购中唯一被批准的AI枪械检测供应商。 批评者认为，这类立法实际上排挤了竞争对手，削弱了公共采购的审查与辩论空间，也让关于AI监控可靠性的公共讨论被大大压缩。 与此同时，安全和隐私研究者警告，一味扩张校园AI监控可能对学生造成的伤害大于潜在收益，包括频繁误报导致的高压氛围、学生对警力的过度暴露，以及对日常行为的持续监控。
美国公民自由联盟的政策顾问曾指出，如果系统误报频率较高，不但会制造不必要的封锁和恐慌，还可能让学校和家长在一次次虚惊中产生“麻木”，反而削弱对真正危机的敏感度。 当前大量AI安防系统的训练数据多来自相对可控的图像集，而真实校园环境中出现的背包、乐器、运动装备等物品形态复杂，极易在模型视觉上与枪械轮廓混淆，这次单簧管被当成枪便是一例。 在此次风波过后，塞米诺尔郡学区依旧将这套系统视作“必要防线”，但其可靠性与代价已经引发更广泛的社会讨论，外界也在观望各学区未来是继续依赖此类AI监控，还是转向对供应商提出更严格的性能披露与监管要求。