[NOVA]: मैं NOVA हूँ।

[ALLOY]: मैं ALLOY हूँ, और ये है AgentStack Daily।

[NOVA]: आज की उपयोगी AI कहानी आठ डॉलर के बोर्ड से शुरू होकर लिक्विड-कूल्ड आठ-GPU सर्वर तक जाती है। बीच में, Codex ChatGPT डेस्कटॉप ऐप में Chat और Work के बगल में आ गया है, GPT-5.6 Sol के साथ जो कॉम्प्लेक्स कोडिंग के लिए OpenAI का फ्लैगशिप है। Microsoft का एक स्पेशलिस्ट साइबर मॉडल एजेंट्स की सिक्योरिटी टीम के अंदर काम कर रहा है। एक छोटा ओपन मॉडल अब बिना क्लाउड के माइक्रोकंट्रोलर पर सिंपल रिक्वेस्ट का जवाब दे सकता है। और नए लोकल कोडिंग मॉडल मिलियन-टोकन कॉन्टेक्स्ट को उस हार्डवेयर पर धकेल रहे हैं जो कंपनियाँ खुद रख सकती हैं।

[ALLOY]: हम इन रिलीज़ को उन चीज़ों से जोड़ेंगे जो लोग असल में बना सकते हैं: प्राइवेट डॉक्यूमेंट असिस्टेंट, वॉइस इंटरफेस, स्मार्टर सेंसर, साइंटिफिक टूल्स, एज सर्विसेज, और रोबोट जिन्हें फैक्ट्री टीमें बिना सॉफ्टवेयर रीराइट किए ट्यून कर सकती हैं। फिर हम नीचे की इन्फ्रास्ट्रक्चर और पॉलिसी देखेंगे—नई चिप्स, डेटा सेंटर्स के लिए पावर लिमिट्स, फेडरल साइंस फंडिंग, ओपन-वेट रूल्स, और स्क्रैपिंग लॉ सuit ने क्या तय किया और क्या नहीं। चौदह कहानियाँ, सीधी भाषा, और हर एक के पीछे का प्रैक्टिकल मतलब।

[NOVA]: ...

[NOVA]: Microsoft ने MDASH में MAI-Cyber-1-Flash नामक एक मॉडल जोड़ा है, जो सॉफ्टवेयर vulnerability को खोजने और ठीक करने के लिए उसका मल्टी-एजेंट सिस्टम है। अहम आइडिया है स्पेशलाइजेशन। एक एजेंट कोड इंस्पेक्ट कर सकता है, दूसरा आकलन कर सकता है कि फ्लॉ कितना खतरनाक है, और तीसरा पैच तैयार करने में मदद कर सकता है। नया मॉडल उस टीम के अंदर फास्ट सिक्योरिटी स्पेशलिस्ट बनने के लिए है, जनरल चैटबॉट बनकर सिक्योरिटी प्रोडक्ट का दिखावा करने के लिए नहीं।

[ALLOY]: ये उन कंपनियों के लिए मायने रख सकता है जिनके हज़ारों रिपॉजिटरीज़ हैं। एक ब्रॉड फ्रंटियर मॉडल काबिल हो सकता है, लेकिन हर अलर्ट और हर पुल रिक्वेस्ट पर उसका इस्तेमाल महंगा पड़ सकता है। Microsoft कहता है उसका स्पेशलिस्ट vulnerability के काम में लीडिंग मॉडल्स से मैच कर सकता है लगभग आधी कीमत पर, जबकि MDASH अपने टास्क सुइट पर नब्बे प्रतिशत तक पहुँचता है। ये Microsoft के आँकड़े हैं, तो ये शुरुआती दावा है, स्वतंत्र फैसला नहीं।

[NOVA]: व्यावहारिक इस्तेमाल की कल्पना करें: एक छोटी सिक्योरिटी टीम सैकड़ों findings के साथ सुबह उठती है। सिस्टम डुप्लिकेट्स को ग्रुप करता है, गंभीर वालों को स्पेशलिस्ट के पास भेजता है, एक रिपेयर प्रपोज करता है, और इंसान को कोड चेंज और उसके पीछे का सबूत देता है। ये सिक्योरिटी इंजीनियर को खत्म नहीं करता। ये इंजीनियर को शोर छाँटने से हटाकर ये तय करने की तरफ ले जाता है कि प्रपोज्ड फिक्स मर्ज करने के लिए काफी सुरक्षित है या नहीं।

[ALLOY]: गायब प्रूफ ये है कि messy प्राइवेट कोड पर क्या होता है, Microsoft के टास्क सुइट पर नहीं। टीमों को पता होना चाहिए कि किस मॉडल ने बग पाया, उसने क्या सबूत इस्तेमाल किया, और आखिर पैच ने वो एक्सैक्ट लाइन्स ही बदली क्यों। अगर MDASH वो ट्रेल संभालता है, तो ये एजेंट्स के रियल सिक्योरिटी वर्कफ्लो बनने का उपयोगी उदाहरण है। अगर ये सिर्फ कॉन्फिडेंट जवाब तेज़ी से देता है, तो कम कीमत इसे नहीं बचा पाएगी।

[NOVA]: ...

[NOVA]: esp32-ai नाम का ओपन-सोर्स प्रोजेक्ट एक 28.9-मिलियन-पैरामीटर भाषा मॉडल को ESP32-S3 माइक्रोकंट्रोलर पर रखता है जिसकी कीमत लगभग आठ डॉलर है। यह चिप फैमिली पहले से ही कम-लागत वाले सेंसर, स्मार्ट लाइट्स और hobby robots के अंदर छिपी हुई है। रिपॉजिटरी MIT-लाइसेंस्ड है, इसलिए एक बिल्डर इसका अध्ययन कर सकता है, बदल सकता है, और इसके आसपास एक डिवाइस बेच सकता है। इसके लॉन्च ने Hacker News पर सैकड़ों वोट भी खींचे, जो बताता है कि tiny-model का विचार लैबरेटरी की जिज्ञासा से आगे बढ़ गया है।

[ALLOY]: इतना छोटा कुछ वास्तव में क्या कर सकता है? नॉवेल लिखना या कानूनी केस पर रीजन करना नहीं। यह एक छोटा कमांड समझ सकता है, सेंसर रीडिंग को सरल स्पष्टीकरण में बदल सकता है, कुछ डिवाइस एक्शन में से चुन सकता है, या बिना सर्वर से संपर्क किए एक संकीर्ण सवाल का जवाब दे सकता है। एक workshop टूल बता सकता है कि तापमान अलार्म क्यों बजा। एक क्लासरूम रोबोट छात्र के जवाब दे सकता है। एक फार्म सेंसर बता सकता है कि उसकी मिट्टी रीडिंग ने सीमा पार कर ली है।

[NOVA]: ऑफ़लाइन हिस्सा असली फीचर है। हर रिक्वेस्ट के लिए कोई क्लाउड बिल नहीं, Wi-Fi गिरने पर कोई मृत डिवाइस नहीं, और कमरे से बाहर जाने वाला बहुत कम निजी डेटा। यह बदलता है कि कौन से प्रोडक्ट आर्थिक रूप से व्यवहार्य हैं। एक कंपनी एक उपकरण, खिलौने, या इंडस्ट्रियल मॉनिटर पर प्लेन-लैंग्वेज इंटरफ़ेस लगा सकती है बिना परमानेंट सब्सक्रिप्शन के। यह डेवलपर्स को मॉडल की सीमाओं को सिखाने का एक अद्भुत दृश्य तरीका भी देता है, क्योंकि सीमाओं को छिपाना असंभव है।

[ALLOY]: और वे सीमाएं मायने रखती हैं। रिस्पॉन्स छोटे होंगे, मेमोरी छोटी है, और मॉडल लैपटॉप असिस्टेंट की तरह व्यवहार नहीं करेगा। इसे एक व्यक्ति और कुछ सेंसर या कंट्रोल के बीच कन्वर्सेशनल ग्लू के रूप में सोचें। यह अभी भी एक बड़ा बदलाव है। लोकल AI अब केवल विशाल ग्राफ़िक्स कार्ड वाले वर्कस्टेशन का मतलब नहीं है; अब यह सस्ती वस्तुओं तक पहुंचता है जो सालों तक चुपचाप एक उपयोगी काम कर सकती हैं।

[NOVA]: ...

[NOVA]: Nanbeige ने Nanbeige4.2-3B नाम का एक तीन-बिलियन-पैरामीटर मॉडल Apache लाइसेंस के तहत जारी किया है, जो कमर्शियल उपयोग की अनुमति देता है। तीन बिलियन पैरामीटर एक उपयोगी मध्यम रास्ता है: माइक्रोकंट्रोलर मॉडल से कहीं अधिक सक्षम, लेकिन अभी भी एक अच्छे लैपटॉप या कॉम्पैक्ट वर्कस्टेशन के लिए काफी छोटा। यह Ollama, LM Studio, MLX, और llama.cpp जैसे परिचित लोकल टूल्स के साथ काम करता है। इसमें टूल कॉल करने के लिए टेम्पलेट्स भी शामिल हैं और एक बड़ा कॉन्टेक्स्ट विंडो जो लंबे दस्तावेज़ों या substantial कोड को समा सकती है। यह व्यावहारिक प्राइवेट बिल्ड्स बनाता है: एक कॉन्ट्रैक्ट असिस्टेंट जो वकील की मशीन पर रहता है, एक मेंटेनेंस हेल्पर जो सालों के मैनुअल खोजता है, या एक कोडिंग असिस्टेंट जो उसे अपलोड किए बिना रिपॉजिटरी का अधिक हिस्सा देख सकता है। पब्लिशर कहता है कि Nanbeige छह benchmarks पर बड़े Qwen मॉडलों को मात देता है, लेकिन उस दावे की अभी स्वतंत्र जांच होनी बाकी है। बेहतर सवाल यह है कि यह टूल का उपयोग कितनी विश्वसनीय रूप से करता है, लंबे सत्र में निर्देशों का पालन करता है, और quantization के बाद कितना उपयोगी रहता है। अगर कम्युनिटी के नतीजे बने रहे, तो यह रिलीज़ लोकल बिल्डर्स को सर्वर-स्केल हार्डवेयर की मांग किए बिना एक सक्षम नया विकल्प देता है।

[ALLOY]: मुझे साइज़ पसंद है क्योंकि यह ईमानदार प्रोडक्ट डिज़ाइन को मजबूर करता है। तीन-बिलियन-पैरामीटर मॉडल हर टास्क में सबसे अच्छा नहीं होगा, इसलिए विजेता एप्लिकेशन इसे सही दस्तावेज़, टूल्स का छोटा सेट, और एक स्पष्ट काम देंगे। एक रिपेयर शॉप के लिए on-premises असिस्टेंट की कल्पना करें। यह मशीन मैनुअल पढ़ता है, वर्तमान पार्ट इन्वेंट्री देखता है, एक सर्विस नोट ड्राफ्ट करता है, और कुछ ऑर्डर करने से पहले एक इंसान से पूछता है। व्यापार को प्राइवेसी और अनुमानित लागत मिलती है; मॉडल को एक संकीर्ण वातावरण मिलता है जहां वह सफल हो सकता है। यह हर लोकल रिलीज़ को छोटे फ्रंटियर चैटबॉट के रूप में मानने से कहीं अधिक उपयोगी है। जो हमें अगले चाहिए वह एक और benchmark ग्राफ़िक नहीं है। हमें Ollama, MLX, और llama.cpp में इसे उपयोग करने वाले लोगों की रिपोर्ट्स चाहिए: इसे कितनी मेमोरी चाहिए, यह कितनी जल्दी जवाब देता है, और जब बातचीत लंबी होती है तो इसके टूल कॉल विश्वसनीय रहते हैं या नहीं।

[NOVA]: ...

[NOVA]: NVIDIA कहता है कि उसका Vera CPU पहले से ही भविष्य के NVIDIA चिप्स को डिज़ाइन करने के काम में मदद कर रहा है। Cadence और Synopsys, प्रोसेसर को लेआउट और वेरिफाई करने के लिए उपयोग की जाने वाली बहुत सारी सॉफ्टवेयर के पीछे की दो कंपनियां, Vera के लिए अपने टूल्स को ट्यून कर रही हैं। NVIDIA अपने CPU का आंतरिक रूप से भी उपयोग कर रहा है। यह एक प्रभावशाली लूप बनाता है: एक नया चिप इंजीनियरों को उसके बाद आने वाले चिप्स को सिमुलेट और वेरिफाई करने में मदद करता है। इस काम में विशाल डिज़ाइन फाइलें और लंबी गणनाएं शामिल हैं जो बार-बार डेटा को मेमोरी के माध्यम से ले जाती हैं, इसलिए CPU स्पीड और मेमोरी बैंडविड्थ डिज़ाइन विचार और सत्यापित परिणाम के बीच समय कम कर सकती हैं।

[ALLOY]: कहानी NVIDIA से आगे जाती है क्योंकि चिप डिज़ाइन सॉफ्टवेयर साझा इन्फ्रास्ट्रक्चर है। अगर Cadence और Synopsys अपने टूल्स को Vera पर मापनीय रूप से तेज़ बनाते हैं, तो एक ही प्रोडक्ट्स का उपयोग करने वाली दूसरी चिप कंपनी बिना नया वर्कफ़्लो इन्वेंट किए लाभ उठा सकती है। जब इंजीनियर पूरे दिन इसे दोहराते हैं और जब एक छूटा हुआ दोष महीनों का खर्च कर सकता है, तो वेरिफिकेशन रन में एक скромное снижение भी मायने रखती है। तेज़ फीडबैक भी एक टीम को महंगी manufacturing क्षमता करने से पहले अधिक डिज़ाइन खोजने देती है।

[NOVA]: जो चीज़ गायब है वो एक सामान्य ग्राहक प्रोजेक्ट का सार्वजनिक परिणाम है। NVIDIA के आंतरिक लाभ दिलचस्प हैं, लेकिन उपयोगी सबूत एक Cadence या Synopsys ग्राहक होगा जो दिखाता है कि किसी वास्तविक सत्यापन कार्य में कैसे बदलाव आया: बचाए गए घंटे, अधिक डिज़ाइन का अन्वेषण, या पहले पाई गई समस्या। फिर भी, दिशा स्पष्ट है। AI हार्डवेयर केवल मॉडल की सेवा नहीं कर रहा। हार्डवेयर और डिज़ाइन टूल एक-दूसरे को तेज करना शुरू कर रहे हैं, जो पूरे चिप-विकास चक्र को कस सकता है।

[NOVA]: ...

[NOVA]: OpenAI ने समर्पित Codex अनुभव को जुलाई के नवें दिन ChatGPT डेस्कटॉप ऐप में ले जाया, जहां यह अब Chat और Work के बगल में बैठा है। यह ChatGPT का नाम बदलना नहीं है, और Codex "the GPT app" नहीं बना। यह एक समेकन है: बातचीत, लंबे चलने वाला काम, और कोडिंग सत्र एक डेस्कटॉप वर्कस्पेस में रह सकते हैं। GPT-5.6 Sol जटिल कोडिंग, शोध, कंप्यूटर उपयोग, और सुरक्षा कार्यों के लिए फ्लैगशिप है, तो यही सबसे स्पष्ट जगह है जहाँ पूछना चाहिए कि नया मॉडल जेनरेशन व्यवहार में क्या बदलता है।

[ALLOY]: दो क्षमताएं इस बदलाव को एक नए बटन से ज्यादा बनाती हैं। Programmatic Tool Calling Codex को एक छोटा स्क्रिप्ट देने की अनुमति देता है जो कई चरणों को संभालता है इसके बजाय हर छोटे क्रिया पर मॉडल टर्न खर्च करने के। यह मल्टी-स्टेप विश्लेषण को तेज और सस्ता बना सकता है। मल्टी-एजेंट बीटा एक बड़े काम को पैरलल वर्कर्स में विभाजित कर सकता है, ताकि एक सत्र डेटा की जांच कर सके जबकि दूसरा इंटरफ़ेस बनाता है।

[NOVA]: OpenAI की वैज्ञानिक-कंप्यूटिंग रिपोर्ट आठ ठोस उदाहरण देती है। पांच प्रोजेक्ट्स ने केवल Codex का उपयोग किया, और तीन ने Codex का उपयोग Claude Code, टर्मिनल-आधारित AI कोडिंग एजेंट के साथ किया। काम में जीनोमिक्स पाइपलाइन, प्रयोग इंटरफ़ेस, और लंबे डेटा-विश्लेषण काम शामिल हैं। एक cyvcf2 उदाहरण ने GPT-5.5 का उपयोग किया, तो यह सबूत नहीं है कि Sol ने वह परिणाम दिया और इसे Sol बेंचमार्क के रूप में नहीं बेचा जाना चाहिए। व्यापक संकेत यह है कि शोधकर्ता कम हाथ से बनाए गए सॉफ्टवेयर के साथ एक खुरदरे नोटबुक से एक उपयोगी टूल में जा सकते हैं।

[ALLOY]: एक जैव विज्ञानी की कल्पना करें जिसके पास वेरिएंट डेटा है और एक नोटबुक है जिसे केवल उसके लेखक समझता है। एक एजेंट उस नोटबुक को एक दोहराने योग्य पाइपलाइन और एक सरल इंटरफ़ेस में बदलने में मदद कर सकता है जिसका उपयोग लैब कर सकती है। एक शोधकर्ता कई रन की तुलना के थकाऊ हिस्सों को भी सौंप सकता है जबकि वैज्ञानिक निर्णय के लिए जिम्मेदार रहता है। यह सुधार देखने योग्य है: "AI अकेले विज्ञान नहीं करता," लेकिन वैज्ञानिक फ़ाइलों और स्क्रिप्ट को एक साथ जोड़ने में कम समय बिताते हैं। अगला प्रमाण OpenAI के बाहर से आना चाहिए, जिसमें यह शामिल है कि आउटपुट को कितने विशेषज्ञ समीक्षा की जरूरत पड़ी।

[NOVA]: ...

[NOVA]: ऊर्जा विभाग की प्रशांत नॉर्थवेस्ट नेशनल लैबोरेटरी और Amazon Web Services बिजली ग्रिड के लिए AI निर्णय-सहायता उपकरणों की खोज कर रहे हैं। वे उन पलों पर ध्यान केंद्रित कर रहे हैं जिनसे ऑपरेटर डरते हैं: गंभीर मौसम, अप्रत्याशित मांग में तेजी, या साइबर या भौतिक हमला जो महत्वपूर्ण उपकरणों को ऑफ़लाइन कर देता है। लक्ष्य लोगों को तेज़ी से समझने देना है कि क्या हो रहा है और विकल्पों का बेहतर सेट देना जबकि वास्तविक स्विचिंग निर्णयों पर मनुष्यों को नियंत्रण में रखना।

[ALLOY]: यह अंतर सुकूनदायक है। यह स्वायत्त मॉडल नहीं है जो सबस्टेशन की चाबियां पा रहा है। यह योजना और सत्यापन काम है। PNNL ग्रिड के बड़े हिस्सों को मॉडल कर सकती है और नियंत्रित परिस्थितियों में सॉफ्टवेयर को हार्डवेयर से जोड़ सकती है। AWS कई विफलता परिदृश्यों का अनुकरण करने के लिए आवश्यक कंप्यूटिंग क्षमता प्रदान करता है। एक साथ वे पूछ सकते हैं कि क्या AI सुझाव अभी भी समझदार दिखता है जब एक विफलता किसी क्षेत्र में दूसरी को ट्रिगर करती है।

[NOVA]: यहाँ व्यावहारिक तस्वीर है। हीटवेव के दौरान, मांग बढ़ जाती है जबकि एक ट्रांसमिशन लाइन क्षतिग्रस्त हो जाती है। एक ऑपरेटर के पास यह समझने के मिनट हैं कि कौन से पड़ोस, अस्पताल और कारखाने जोखिम में हैं। एक उपयोगी सहायक मौसम, उपकरण और मांग डेटा एक साथ ला सकती है, फिर कई संभावित प्रतिक्रियाएं और प्रत्येक के संभावित परिणाम दिखा सकती है। ऑपरेटर अभी भी फैसला करता है, लेकिन पांच सिस्टम में खोजने की जरूरत नहीं है जबकि स्थिति बिगड़ती जा रही है।

[ALLOY]: ग्रिड रेज़ीलिएंस यूटिलिटीज़, राज्यों और रेगुलेटर्स को पार करती है, इसलिए एक नेशनल लैब ऐसी परिस्थितियों को टेस्ट कर सकती है जिन्हें कोई छोटा ऑपरेटर अकेले रीप्रोड्यूस नहीं कर सकता। अगला अहम आउटपुट पब्लिक सिनेरियोज़ और मेज़रमेंट्स होंगे जिन्हें दूसरे एक्सपर्ट्स रिव्यू कर सकते हैं। तब तक, कोई इसे फिनिश्ड कंट्रोल-रूम प्रोडक्ट के तौर पर नहीं खरीद सकता। यह अभी भी मायने रखता है कि क्रिटिकल-इन्फ्रास्ट्रक्चर AI ब्रॉड प्रॉमिसेज़ से आगे बढ़कर स्ट्रक्चर्ड एक्सरसाइज़ में जा रही है जहां कोई बैड रिकमेंडेशन असली ग्रिड तक पहुंचने से पहले एक्सपोज़ हो सकती है।

[NOVA]: ...

[NOVA]: Black Forest Labs ने Self-Flow पब्लिश किया है, एक रिसर्च प्रोजेक्ट पब्लिक कोड के साथ जो यह पूछता है कि क्या एक फाउंडेशन मॉडल कई तरह का मीडिया जेनरेट करना सीख सकता है इसके बजाय हर एक के लिए अलग स्पेशलिस्ट पर निर्भर रहने के बजाय। उपयोगी सारांश सीधा है: आज के मल्टीमॉडल प्रोडक्ट में अक्सर एप्लायंसेज़ से भरे कैबिनेट जैसा लगता है। एक मॉडल इमेजेस संभालता है, दूसरा ऑडियो संभालता है, तीसरा वीडियो संभालता है, और सॉफ्टवेयर की एक लेयर उनके बीच काम ट्रांसफर करती है। Self-Flow एक्सप्लोर करता है कि क्या उसका ज़्यादातर हिस्सा एक एडेप्टेबल सिस्टम के अंदर रह सकता है। यहां कुछ भी फिनिश्ड प्रोडक्ट नहीं है, और किसी नॉर्मल टीम के लिए वर्किंग मीडिया स्टैक को रिसर्च कोड से बदलने का कोई कारण नहीं है। लेकिन दिशा मायने रख सकती है। एक यूनिफाइड मॉडल प्रोजेक्ट के टेक्स्ट से इमेजेस और दूसरे आउटपुट में जाने पर आइडियाज़ को ज़्यादा लगातार प्रिज़र्व कर सकता है, और यह सर्विसेज़ की संख्या कम कर सकता है जिसके लिए बिल्डर को पे करना और मेंटेन करना पड़ता है। एक छोटी स्टूडियो के बारे में सोचें जो प्रोडक्ट कैंपेन बना रही है: एक ब्रीफ कॉपी, विज़ुअल्स और शॉर्ट मोशन पीसेस बन जाता है बिना हर स्टेप को अनरीलेटेड टूल्स के बीच ट्रांसलेशन जैसा महसूस कराए। पब्लिक कोड रिसर्चर्स को डेमो पर फेथ एक्सेप्ट करने के बजाय अप्रोच इंस्पेक्ट करने देता है।

[ALLOY]: सावधानी यह है कि "एक मॉडल सब कुछ करता है" का मतलब यह भी हो सकता है कि एक मॉडल बस हर चीज़ में ज़रा-ज़रा सा एडिक्वेट है। स्पेशलाइज़्ड टूल्स वहां जीतते रह सकते हैं जहां क्वालिटी सबसे ज़्यादा मायने रखती है। तो कहानी यह नहीं है कि मल्टीमॉडल स्टैक अचानक एक सिंगल डाउनलोड में सिमट गए हैं। यह है कि एक सीरियस जेनरेटिव-AI लैब एक सिम्पलर फ्यूचर टेस्ट कर रही है और अपना काम दिखा रही है। बिल्डर्स को उस फॉलो-अप के लिए नज़र रखनी चाहिए जो रिसर्च को असली रिलीज़ में बदलता है, फिर आज के स्पेशलिस्ट पाइपलाइन के खिलाफ कॉस्ट, कंसिस्टेंसी और कंट्रोल की तुलना करनी चाहिए। अगर वह रिलीज़ आती है, तो यह छोटी टीमों के लिए रिच मीडिया क्रिएशन आसान बना सकती है। अगर नहीं आती, तो भी प्रोजेक्ट हमें सिखाता है कि यूनिफाइड जेनरेशन कहां ब्रेक डाउन होता है।

[NOVA]: ...

[NOVA]: ServeTheHome ने ASRock Rack सर्वर पर एक हैंड्स-ऑन लुक पब्लिश किया है जो चार-रैक-यूनिट चेसिस में आठ NVIDIA HGX B300 एक्सेलरेटर्स फिट करता है। यही वह मशीन है जो सीरियस मॉडल ट्रेनिंग और बहुत बड़े इंफरेंस जॉब्स के लिए इस्तेमाल होती है। रिव्यू की वैल्यू अन्य स्पीड चार्ट नहीं है। यह "AI सर्वर" वाक्यांश के पीछे की फिज़िकल रियलिटी दिखाता है: डेंस पावर डिलीवरी, GPU के बीच फास्ट लिंक्स, कूलिंग हार्डवेयर और नेटवर्क कैपेसिटी सबको एक सिस्टम की तरह काम करना होता है।

[ALLOY]: HGX एक्सेलरेटर्स को आठ साधारण एड-इन कार्ड्स से काफी टाइट कनेक्ट करती है। यह उन्हें एक बड़े कंप्यूटर के पार्ट्स की तरह काम शेयर करने देती है, लेकिन सिर्फ तब जब डेटा काफी तेज़ी से मूव कर सके। अगर GPU के बीच या स्टोरेज तक लिंक्स स्लो हैं, तो महंगे चिप्स अपना टाइम वेटिंग में गंवाते हैं। इसीलिए आसपास का फैब्रिक एक्सेलरेटर पर लोगो जितना ही मायने रखता है।

[NOVA]: फिर गर्मी की बात है। एक ऑप्शन चिप्स के करीब लिक्विड भेजता है और गर्मी को ऑफिशिएंटली हटाता है, लेकिन डेटा सेंटर को इसके लिए पाइपलाइन बिछानी पड़ती है। दूसरा ऑप्शन कन्वेंशनल रूम में इंस्टॉल करना आसान है लेकिन फैसिलिटी कूलिंग पर ज़्यादा बोझ डालता है। कोई भी चॉइस बिल्डिंग, पावर बजट और अगले रैक में क्या फिट हो सकता है, इसे प्रभावित करती है। प्राइवेट AI प्लान करने वाली कंपनी के लिए, यह खरीदारी का ऑर्डर बदल देता है। पहले तय करें कि साइट कितना पावर, कूलिंग और नेटवर्क सपोर्ट कर सकती है। फिर वह मॉडल और एक्सेलरेटर सिस्टम चुनें जो फिट हों। प्रैक्टिकल लेसन बहुत अनग्लैमर्स है: इस स्केल पर, सर्वर रूम AI आर्किटेक्चर का हिस्सा है, और प्रीमियम GPU का ढेर कोई फिनिश्ड प्रोडक्ट नहीं है।

[NOVA]: ...

[NOVA]: Verizon खुद को फोन कंपनी से ज़्यादा के तौर पर पिच कर रहा है जिसमें छोटे डेटा सेंटर्स को Google डार्क फाइबर के लगभग एक अरब डॉलर के एग्रीमेंट के साथ जोड़ा गया है। डार्क फाइबर बस ऑप्टिकल केबल है जो पहले से बिछा हुआ है लेकिन अभी सिग्नल नहीं ले जा रहा। कोई कंपनी कच्चे तार किराए पर लेती है और अपने उपकरणों से उन्हें जगमगाती है, जिससे उसे रूट, कैपेसिटी और कॉस्ट पर सामान्य फिनिश्ड बैंडविड्थ खरीदने से ज़्यादा कंट्रोल मिलता है।

[ALLOY]: यह AI से कैसे जुड़ता है? कुछ एप्लिकेशन हर रिक्वेस्ट के दूर के रीजनल क्लाउड तक जाकर वापस आने का इंतज़ार नहीं कर सकते। रियल-टाइम वॉयस, लाइव वीडियो समझ, फ्रॉड डिसीज़न, और रोबोट कंट्रोल सब बिगड़ जाते हैं जब देरी बढ़ती है। अगर कंप्यूट कस्टमर के पास की छोटी सुविधा में है, तो कैरियर को उस सुविधा को बाकी नेटवर्क से जोड़ने के लिए तेज़, भरोसेमंद फाइबर चाहिए। वेरीज़ोन के पास पहले से सड़कें, इमारतें, और नेटवर्क ऑपरेशंस हैं; डार्क फाइबर हाई-कैपेसिटी पाथ को भरता है।

[NOVA]: एक उपयोगी उदाहरण एक स्टोर है जो खाली शेल्फ या सुरक्षा समस्या को पहचानने के लिए कई कैमरों का उपयोग करता है। हर वीडियो स्ट्रीम को देश भर में भेजना महंगा और धीमा है। पास के मिनी डेटा सेंटर स्ट्रीम का विश्लेषण कर सकते हैं, केवल प्रासंगिक इवेंट आगे भेज सकते हैं, और जब दूर का क्षेत्र कंजेस्टेड हो तो जवाब देना जारी रख सकते हैं। यही पैटर्न फैक्ट्री, अस्पताल, या इंटरैक्टिव वॉयस सर्विस को सपोर्ट कर सकता है।

[ALLOY]: बिलियन-डॉलर का समझौता अभी भी एक इन्फ्रास्ट्रक्चर बेट है, यह प्रमाण नहीं है कि ग्राहक लाइन में लगे हुए हैं। अगला सबूत Google के नाम वाले डिप्लॉयमेंट और उन लिंक्स पर Google क्या ले जाना चाहता है इसके विवरण होने चाहिए। लेकिन यह दिखाता है कि एज-AI प्रतिस्पर्धा कहां जा रही है। मॉडल की गुणवत्ता अभी भी मायने रखती है, फिर भी कंपनी जो पास के कंप्यूट और उसके रास्ते पर कब्जा रखती है वह तय कर सकती है कि कोई प्रोडक्ट तुरंत, सस्ता, और भरोसेमंद महसूस हो।

[NOVA]: ...

[NOVA]: रोबोटिक्स स्टार्टअप Enigma ने Index Ventures और Ribbit Capital के नेतृत्व में इक्यावन मिलियन डॉलर का सीड राउंड जुटाया है। इसका पिच देखना ताज़गी देने वाला आसान है: एक रोबोट कितना खुद तय करता है इसे बदलना ऑटोनॉमी सॉफ्टवेयर फिर से लिखने से ज़्यादा स्लाइडर मूव करने जैसा महसूस होना चाहिए। एक गोदाम सुपरवाइज़र रोबोट से नए प्रोडक्ट लॉन्च के दौरान असामान्य बक्सों पर मंज़ूरी के लिए रुकने को कह सकता है, फिर प्रक्रिया स्थिर होने पर ज़्यादा स्वतंत्रता की अनुमति दे सकता है।

[ALLOY]: यह एक असली बॉटलनेक को संबोधित करता है। इंडस्ट्रियल रोबोट शक्तिशाली हो सकते हैं, लेकिन व्यवहार में बदलाव अक्सर एक छोटी इंजीनियरिंग टीम से होकर गुज़रता है। नया पैकेज शेप, ग्रिपर, या सुरक्षा नियम दूसरा ट्यूनिंग चक्र शुरू कर सकता है। अगर फ्लोर मैनेजर सिस्टम के रिकॉर्ड में बदलाव के साथ ऑटोनॉमी के स्तर को समायोजित कर सकता है, तो एक फैक्ट्री तेज़ी से अनुकूल हो सकती है बिना यह मानते हुए कि हर कर्मचारी एक रोबोटिक्स इंजीनियर है।

[NOVA]: यह विचार आकर्षक है; सार्वजनिक सबूत अभी भी कमज़ोर हैं। रिपोर्टिंग में पायलट ग्राहकों, सपोर्टेड रोबोट हार्डवेयर, या सटीक रूप से कौन से व्यवहार कंट्रोल बदल सकता है उनका नाम नहीं है। फिजिकल सिस्टम सॉफ्टवेयर से भी कठिन सवाल उठाते हैं: जब रोबोट कुछ अप्रत्याशित करता है तो कौन ज़िम्मेदार है? Enigma को स्पष्ट सीमाओं, ऑडिट ट्रेल, और कंट्रोल को सुरक्षित रूप से किसी व्यक्ति को वापस सौंपने का तरीका चाहिए। फंडिंग इंटरफ़ेस विचार के लिए एक मज़बूत वोट है, यह प्रमाण नहीं है कि प्रोडक्ट ने उन समस्याओं को हल कर लिया है। फिर भी, यह रोबोटिक्स में एक व्यापक बदलाव की ओर इशारा करता है। अगली लहर सबसे स्मार्ट ऑटोनॉमी मॉडल से नहीं, बल्कि उस प्रोडक्ट से जीती जा सकती है जो साधारण ऑपरेशंस टीमों को कोड बदलने के हफ़्तों इंतज़ार किए बिना उस इंटेलिजेंस को समझने और आकार देने देती है।

[NOVA]: ...

[NOVA]: ऊर्जा विभाग का जेनेसिस मिशन अब बीस संघीय विभागों और एजेंसियों को शामिल करता है, जिसमें NASA, नेशनल इंस्टीट्यूट्स ऑफ़ हेल्थ, और नेशनल साइंस फाउंडेशन जैसे समूह भाग ले रहे हैं। व्यावहारिक वादा साझा पहुंच का है। एक शोधकर्ता आमतौर पर एक एजेंसी के ग्रांट सिस्टम के भीतर प्रतिस्पर्धा करता है और उस एजेंसी के डेटा और कंप्यूटिंग नियमों के तहत काम करता है। एक समन्वित कार्यक्रम नेशनल-लैब कंप्यूटिंग, वैज्ञानिक डेटासेट, और उन सीमाओं के पार फंडिंग को जोड़ सकता है। यह एक छोटी यूनिवर्सिटी टीम को मटेरियल्स, जलवायु, मेडिसिन, या खगोल विज्ञान के लिए AI टूल को एक संभावित प्रोटोटाइप से राष्ट्रीय स्तर के प्रयोग में बदलने में मदद कर सकता है। पहले पुरस्कार शुरू हो गए हैं, तो यह सिर्फ समिट घोषणा से ज़्यादा है, लेकिन कठिन काम अभी शुरू हो रहा है। विभिन्न मिशनों के लिए एकत्र किया गया डेटा स्वचालित रूप से संरेखित नहीं होगा। एजेंसियाँ प्राथमिकताओं, गोपनीयता, क्रेडिट, और सूचना की सफाई के लिए कौन भुगतान करता है इस पर असहमत होंगी। सबसे स्पष्ट संकेत यह होगा कि भविष्य के पुरस्कार वास्तव में एजेंसी लाइनों को पार करते हैं या बस परिचित परियोजनाओं पर एक साझा बैनर रखते हैं।

[ALLOY]: यहां एक सार्वजनिक-हित का अवसर भी है। प्राइवेट फ्रंटियर लैब्स सबसे अच्छे AI इन्फ्रास्ट्रक्चर को नियंत्रित करती हैं, जबकि नेशनल लैबोरेटरीज़ में असाधारण वैज्ञानिक उपकरण और डेटा है। जेनेसिस शोधकर्ताओं को एक वैकल्पिक रास्ता दे सकता है उपयोगी टूल बनाने के लिए बिना इस बात पर निर्भर हुए कि हर प्रोजेक्ट किसी कमर्शियल प्लेटफॉर्म पर निर्भर हो। एक जलवायु समूह की कल्पना करें जो सैटेलाइट ऑब्ज़र्वेशन, ग्रिड डेटा, और नेशनल लैब सिमुलेशन को जोड़ता है, या एक मेडिकल टीम जो संस्थाओं में मॉडल का मूल्यांकन करने के लिए पर्याप्त कंप्यूट पाती है। यह रोमांचक है, लेकिन केवल अगर पहुंच व्यापक हो और परिणामों की जांच की जा सके। हमें साझा डेटासेट, प्रकाशित माप, पुन: प्रयोज्य मॉडल, और संवेदनशील जानकारी के बारे में स्पष्ट नियम देखने चाहिए। स्लाइड पर बीस लोगो राजनीतिक पहुंच दिखाते हैं। स्थायी कहानी यह होगी कि क्या वैज्ञानिक जो पहले इन संसाधनों तक नहीं पहुंच सकते थे अब वह काम कर सकते हैं जो हमारे ज्ञान को बदलता है।

[NOVA]: ...

[NOVA]: Anthropic ने खुले-वज़न मॉडल पर अपना आधिकारिक रुख प्रकाशित किया है—ऐसे रिलीज़ जिनके प्रशिक्षित पैरामीटर डाउनलोड करके दूसरे लोग चला सकते हैं। कंपनी यह तर्क नहीं दे रही कि हर खुला मॉडल गायब हो जाना चाहिए। यह लाभों को स्वीकार करती है: स्वतंत्र शोधकर्ता व्यवहार की जांच कर सकते हैं, स्टार्टअप हर अनुरोध के लिए फ्रंटियर लैब को भुगतान किए बिना बना सकते हैं, और संगठन संवेदनशील काम को अपने हार्डवेयर पर रख सकते हैं।

[ALLOY]: Anthropic की चिंता क्षमता सीमा के बिल्कुल ऊपर तक है। इसका रुख यह है कि सबसे शक्तिशाली वज़न जारी करने से सुरक्षा और भू-राजनीतिक जोखिम पैदा हो सकते हैं जिन्हें वापस लाना मुश्किल है, क्योंकि डाउनलोड किया गया मॉडल होस्टेड सर्विस की तरह रिकॉल या सीमित नहीं किया जा सकता। मुख्य कार्यकारी Dario Amodei इस चिंता को संयुक्त राज्य और चीन के बीच प्रतिस्पर्धा से भी जोड़ते हैं। यह इसे एक नीति तर्क बनाता है, न कि किसी नए उत्पाद प्रतिबंध या कानून।

[NOVA]: किसी के लिए अभी एक लोकल मॉडल चुनना, रातोंरात लगभग कुछ नहीं बदलता। व्यावहारिक सवाल अभी भी लाइसेंस है, मॉडल कहां होस्ट होगा, वह कौन सा डेटा छूएगा, और क्या हार्डवेयर या एक्सपोर्ट नियम लागू होते हैं। छोटे और विशेषज्ञ खुले मॉडल संभवतः आते रहेंगे। असहमति इस बारे में है कि "पर्याप्त शक्तिशाली जो खतरनाक हो" कहां से शुरू होता है, उस क्षमता को कौन मापता है, और क्या हर कंपनी को एक ही रेखा खींचनी चाहिए।

[ALLOY]: वह रेखा तय करेगी कि बिल्डर्स क्या मालिकाना हक में रख सकते हैं बनाम किराए पर ले सकते हैं। बहुत नीचे, और खुली शोध और लोकल डिप्लॉयमेंट बिना जरूरत सीमित हो सकते हैं। बहुत ऊपर, और कोई समझने से पहले वास्तव में खतरनाक क्षमता फैल सकती है। Anthropic ने एक फ्रंटियर लैब का रुख रिकॉर्ड पर रख दिया है, जो सरकारों और प्रतिस्पर्धियों को चुनौती देने के लिए कुछ ठोस देता है। अगला महत्वपूर्ण कदम कोई और राय पृष्ठ नहीं है; यह है कि क्या उद्योग स्पष्ट रिलीज़ स्तर विकसित करता है और मॉडल को एक स्तर से दूसरे स्तर पर ले जाने के लिए विश्वसनीय साक्ष्य।

[NOVA]: ...

[NOVA]: Google की SerpApi के खिलाफ मुकदमा खारिज कर दिया गया, एक सेवा जो डेवलपर्स के लिए सर्च रिजल्ट्स को स्ट्रक्चर्ड डेटा में बदलती है। आकर्षक हेडलाइन "स्क्रैपिंग जीता" है, लेकिन अदालत ने यह तय नहीं किया। Google ने Digital Millennium Copyright Act के एक हिस्से के तहत दावा किया, और अदालत ने कहा कि Google ने यह नहीं दिखाया कि उसके पास संबंधित सामग्री का स्वामित्व, अनन्य लाइसेंस, या प्रतिनिधित्व है। कानूनी भाषा में, Google के पास उस दावे के लिए दर्जा नहीं था।

[ALLOY]: तो जज ने यह नहीं फैसला किया कि स्क्रैपिंग व्यापक रूप से कानूनी है, और यह गहरा सवाल तय नहीं किया कि क्या SerpApi ने संरक्षित एक्सेस कंट्रोल को बायपास किया। Reddit से एक समान मामला अभी भी अदालत में चल रहा था। दो मुकदमे एक ही कंपनी से हो सकते हैं और फिर भी अलग-अलग चरणों में हो सकते हैं क्योंकि वादी, सामग्री, अनुबंध, और तकनीकी बाधाएं समान नहीं होतीं।

[NOVA]: बिल्डर्स को कई विचारों को अलग करने की जरूरत है जो अक्सर एक ही शब्द में मिला दिए जाते हैं। Robots.txt एक सिग्नल है जो अनुपालन करने वाले क्रॉलर्स को बताता है कि साइट कहां नहीं जाना चाहती; यह खुद तकनीकी लॉक या स्वचालित कानून नहीं है। सेवा की शर्तें एक अनुबंध सवाल हैं। कॉपीराइट इस बात पर निर्भर करता है कि कौन सी सामग्री कॉपी की गई और उसका स्वामित्व किसके पास है। प्रमाणीकरण, दर सीमाएं, और अन्य बाधाएं अलग मुद्दे पैदा कर सकती हैं। एक गेट पर जीतना या हारना दूसरों को तय नहीं करता।

[ALLOY]: यह सर्च टूल्स, रिट्रीवल उत्पादों, प्रतिस्पर्धी खुफिया, और ट्रेनिंग-डेटा पाइपलाइन के लिए मायने रखता है। सुरक्षित निष्कर्ष "कुछ भी स्क्रैप करो" नहीं है, और यह भी नहीं है कि "सभी स्क्रैपिंग खत्म है।" यह है कि अधिकार और एक्सेस को स्रोत-दर-स्रोत मूल्यांकन करना होगा। SerpApi की खारिजी इस विशेष Google मामले को संकुचित करती है जबकि बड़ी कानूनी लड़ाई अनसुलझी छोड़ती है। वेब डेटा पर बनाने वाले किसी भी व्यक्ति को अभी भी अनुमति, उत्पत्ति, और यह समझने की स्पष्ट समझ की आवश्यकता है कि स्रोत वास्तव में वह डेटा कैसे उपलब्ध कराता है।

[NOVA]: ...

[NOVA]: OpenAI ने शोध प्रकाशित किया है कि लोग काम पर ChatGPT का उपयोग कैसे करते हैं, और सबसे दिलचस्प निष्कर्ष कोई सरल प्रतिस्थापन कहानी नहीं है। श्रमिक अक्सर इसका उपयोग अपनी औपचारिक भूमिका की सीमाओं को पार करने के लिए करते हैं। एक मार्केटिंग कर्मचारी एक ही दोपहर में कॉपी ड्राफ्ट कर सकता है, एक छोटा डेटासेट एनालाइज कर सकता है, एक हल्का स्क्रिप्ट लिख सकता है, और एक क्लाइंट ईमेल तैयार कर सकता है। एक डेवलपर ग्राहकों को एक फीचर समझा सकता है हर वाक्य को संचार टीम को सौंपने के बजाय। ChatGPT उन कार्यों के बीच की सीमाओं को सुगम बना सकता है, खासकर छोटे संगठन में जहां विशेषज्ञ हमेशा उपलब्ध नहीं होते। इससे पता चलता है कि उत्पादों को एक पूरी नौकरी में घूमने वाले व्यक्ति का समर्थन करना चाहिए, हर काम की श्रेणी के लिए एक नया ऐप और संदर्भ थोपने के बजाय। यह भी सुझाव देता है कि मैनेजर मिश्रित काम की समीक्षा में अधिक समय बिता सकते हैं और छोटे टुकड़ों को अलग-अलग लोगों को सौंपने में कम समय।

[ALLOY]: लेकिन व्यापक गतिविधि बेहतर आउटपुट के समान नहीं है। OpenAI ने एक पैटर्न पाया; इसने साबित नहीं किया कि ChatGPT ने पैटर्न, गुणवत्ता में सुधार, या नौकरियों की आवश्यकता में कमी का कारण बना। जो लोग पहले से ही भूमिका की सीमाओं को पार करना पसंद करते हैं वे सिर्फ इस उपकरण का उपयोग करने की अधिक संभावना रखते हैं। और OpenAI को अपने उत्पाद की व्यापक व्याख्या से लाभ होता है, इसलिए यह स्वतंत्र कार्यस्थल शोध के साथ एक डेटा पॉइंट होना चाहिए। एक असली कंपनी के अंदर पूछने योग्य सवाल ठोस है: क्या लोग उपयोगी काम पूरा कर रहे हैं जो वे पहले नहीं कर सकते थे, और क्या विशेषज्ञ अभी भी महत्वपूर्ण गलतियों को पकड़ते हैं? अगर जवाब हां है, तो AI नौकरी की गिनती बदलने से पहले नौकरी के डिज़ाइन को बदल सकता है। टीमें विवेक, जिज्ञासा, और विषयों को जोड़ने की क्षमता के लिए भर्ती कर सकती हैं, जबकि अपरिचित क्षेत्र में पहला प्रयास करने के लिए मॉडल का उपयोग कर सकती हैं। यह "एक बॉट एक टाइटल की जगह लेता है" से कहीं अधिक समृद्ध कहानी है।

[NOVA]: ...

[NOVA]: तीन रिपॉजिटरी इस स्लेट के विचारों को जोड़ती हैं। Hugging Face का speech-to-speech स्टैक OpenAI के Realtime API के लिए WebRTC सपोर्ट जोड़ता है, जिससे एक एजेंट को जीवित आवाज इंटरफ़ेस संलग्न करना आसान हो जाता है बिना स्ट्रीमिंग ट्रांसपोर्ट को शुरू से बनाए। Microsoft का agent-governance-toolkit मूल नीति रनटाइम सत्रों को जोड़ता है, जो टूल-उपयोग करने वाले एजेंटों को अनुमतियां लागू करने और एक सत्र सीमा बनाए रखने की जगह देता है। एक साथ वे फ्रंट डोर और गार्डरेल को कवर करती हैं: एक व्यक्ति एजेंट से कैसे बात करता है, और एजेंट अनुरोध सुनने के बाद कैसे सीमित है।

[ALLOY]: CheapSecurity भौतिक दुनिया को कवर करता है। यह एक Linux सिंगल-बोर्ड कंप्यूटर और USB वेबकैम को प्राइवेसी-फर्स्ट कैमरा सिस्टम में बदल देता है जिसमें स्थानीय रिकॉर्डिंग, मोशन डिटेक्शन, अलर्ट, और वैकल्पिक Telegram डिलीवरी है। एक बिल्डर इसके मोशन इवेंट का उपयोग एक स्थानीय एजेंट के ट्रिगर के रूप में कर सकता है, फिर उस एजेंट के संदेश भेजने या दूसरे टूल को छूने से पहले एक गवर्नेंस पॉलिसी लागू कर सकता है। तीन अलग-थलग रिपॉजिटरी से यह कहीं अधिक दिलचस्प है: वॉइस, पॉलिसी, और स्थानीय सेंसिंग एक समझने योग्य उत्पाद बना सकती हैं बिना क्लाउड सर्विलांस प्लेटफॉर्म की आवश्यकता के।

[NOVA]: ...

[NOVA]: OpenRouter के माध्यम से Qwen3.7 Flash एक मिलियन-टोकन कॉन्टेक्स्ट विंडो और विज़न-लैंग्वेज रीजनिंग के साथ आया। यह मल्टीमॉडल एजेंट, विज़ुअल कोडिंग, सर्च, और कंप्यूटर इंटरैक्शन के लिए प्रासंगिक है, लेकिन यह हाल ही में कवर किए गए मॉडल परिवार का एक वेरिएंट है न कि कोई नया फ्रंटियर इवेंट। हम इसे वॉच लिस्ट पर रख रहे हैं एक रूटीन लिस्टिंग को मुख्य कहानी में फुलाने के बजाय।

[NOVA]: ...

[ALLOY]: स्थानीय स्पॉटलाइट poolside का Laguna S 2.1 है, 118 बिलियन कुल पैरामीटर वाला कोडिंग मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल और प्रत्येक टोकन के लिए लगभग आठ बिलियन एक्टिव। यह मिलियन-टोकन कॉन्टेक्स्ट विंडो और vLLM, SGLang, TensorRT-LLM, Transformers, और llama.cpp के लिए व्यावहारिक फॉर्मेट सपोर्ट करता है।

[NOVA]: शब्द 'local' के बारे में ईमानदार रहें: यह वर्कस्टेशन- या सर्वर-स्केल है, लैपटॉप मॉडल नहीं। मॉडल के पूर्ण वेट्स क्वांटाइज़ेशन से पहले लगभग 236 गीगाबाइट होते हैं। जो टीम निजी, ऑन-प्रिमाइसेस कोडिंग सहायता चाहती है उसके लिए यह मूल्यांकन करने योग्य है; सामान्य नोटबुक कंप्यूटर के लिए, Nanbeige अधिक यथार्थवादी विकल्प है।

[NOVA]: ...

[NOVA]: तीन त्वरित संकेत: Argonne AI ट्रांसफॉर्मर का उपयोग करके परमाणु रिएक्टर सिमुलेशन को बेहतर बनाता है, जिससे मांग वाली फ्लूइड गणनाओं पर बिताया गया समय कम होता है। Fish Audio ने आवाज़ मॉडल के आठ मिलियन उपयोगकर्ताओं तक पहुंचने के बाद $52M जुटाई, जो दर्शाता है कि संश्लेषित आवाज़ एक बड़े उत्पाद बाज़ार में बन रही है। और PJM 2027 से शुरू होने वाली कमियों के दौरान सबसे बड़े डेटा सेंटरों के लिए अस्थायी बिजली कटौती की योजना बना रहा है।

[ALLOY]: वे एक बाधा कहानी साझा करते हैं। Argonne AI का उपयोग करके दुर्लभ वैज्ञानिक कम्प्यूट संसाधनों को और आगे बढ़ाता है। Fish Audio की वृद्धि के साथ सहमति और लाइसेंसिंग अधिक महत्वपूर्ण हो जाती है क्योंकि आवाज़ का स्केल बढ़ता है। PJM बड़ी AI सुविधाओं को बता रहा है कि ग्रिड एक्सेस बाधित हो सकता है, जिससे ऑपरेटर बैकअप जनरेशन और गंभीर पावर योजना की ओर धकेले जाते हैं।

[NOVA]: ...

[NOVA]: पूरी कहानी सूची और प्राथमिक लिंक शो नोट्स में Toby On Fitness Tech dot com पर उपलब्ध हैं।

[ALLOY]: AgentStack Daily को सुनने के लिए धन्यवाद। हम जल्द ही वापस आएंगे।