新聞①：英偉達：計劃於 7 月開源全球最先進的物理引擎 newton
5 月 19 日消息，在今日的台北電腦展 2025 主題演講中，英偉達 ceo 黃仁勛表示，在物理世界中製造機器人“不切實際”，必須在遵循物理定律的虛擬世界中訓練它們。
英偉達與 deepmind 和 disney research 研究合作開發了“全球最先進的物理引擎 newton”，計劃於七月開源。
newton 完全支持 gpu 加速，具有高度可微性和超實時操作能力，能夠通過經驗實現有效學習。其正在將該物理引擎整合進 nvidia 的 isaac 模擬器，這一整合能夠以真實的方式讓這些機器人“活”起來。
it之家從演講獲悉，黃仁勛還公布了 nvdia isaac groot 開放式人形機器人開發平台，包括開源基礎模型等。
黃仁勛還透露，英偉達正在將其 ai 模型應用於自動駕駛汽車，與梅賽德斯在全球範圍內推出一支車隊，使用端到端自動駕駛技術，今年即可實現。
很難想象nvidia會走向開源大軍，但其實這也正常，nvidia若要鞏固其領先地位，自身生態的領先和穩固是最重要的。在美出口限制與nvidia利益相衝突的情況下，軟件上的開源推廣會比硬件的銷售更重要也更易於執行。而現在，nvidia的物理引擎 newton將在7月份正式開源，還公布了 nvdia isaac groot 開放式人形機器人開發平台。在這樣的開源動作下，nvidia的ai影響力可能還會進一步提高。
新聞②：英偉達推出 nvlink fusion：對外授權互聯 ip，支持半定製 ai 基礎設施
5 月 19 日消息，英偉達 ceo 黃仁勛在今日發表的 computex 2025 台北國際電腦展主題演講中宣布推出 nvlink fusion，將已在全英偉達方案 ai 生態內得到廣泛驗證的 nvlink 高速互聯擴展到更廣領域。
nvlink fusion 的出現意味着客戶可構建英偉達 + 第三方的半定製混合 ai 基礎設施，搭載 nvlink fusion ip 的 asic、cpu、加速器能與英偉達第一方硬件無縫通信。
it之家獲悉，英偉達此次列出的 nvlink fusion 合作方包括 aichip（世芯電子，asic 設計企業）、asteralabs、marvell、富士通、聯發科、高通、cadence、synopsys。
黃仁勛特別提到，富士通和高通將設計搭載 nvlink fusion ip、適用於英偉達生態系統的 cpu。
另外，nvidia硬件獨有的高速互聯技術nvlink，也被nvidia放了出來，推出了開放授權的nvlink fusion技術。這意味着nvidia芯片與其他ai芯片的高速互聯成為了可能，而nvidia也宣布富士通和高通將設計搭載 nvlink fusion ip、適用於英偉達生態系統的 cpu，會成為最早的一批合作者，這種技術倒確實是有不小的應用前景啊。
新聞③：英偉達合作推出 fast-dllm 框架，ai 擴散模型推理速度最高飆升 27.6 倍
6 月 3 日消息，科技媒體 marktechpost 昨日（6 月 2 日）發布博文，報道稱英偉達聯合麻省理工學院（mit）、香港大學，合作推出 fast-dllm 框架，大幅提升擴散模型（diffusion-based llms）的推理速度。
擴散模型被認為是傳統自回歸模型（autoregressive models）的有力競爭者，採用雙向注意力機制（bidirectional attention mechanisms），理論上能通過同步生成多個詞元（multi-token generation）加速解碼過程。
不過在實際應用中，擴散模型的推理速度往往無法媲美自回歸模型，每次生成步驟都需要重複計算全部注意力狀態，導致計算成本高昂。此外，多詞元同步解碼時，詞元間的依賴關係易被破壞，生成質量下降，讓其難以滿足實際需求。
it之家援引博文介紹，英偉達組建的聯合團隊為解決上述瓶頸，研發了 fast-dllm 框架。該框架引入兩大創新：塊狀近似 kv 緩存機制和置信度感知並行解碼策略。
kv 緩存通過將序列劃分為塊（blocks），預計算並存儲其他塊的激活值（kv activations），在後續解碼中重複利用，顯著減少計算冗餘。其 dualcache 版本進一步緩存前後綴詞元（prefix and suffix tokens），利用相鄰推理步驟的高相似性提升效率。
而置信度解碼則根據設定的閾值（confidence threshold），選擇性解碼高置信度的詞元，避免同步採樣帶來的依賴衝突，確保生成質量。
fast-dllm 在多項基準測試中展現了驚人表現。在 gsm8k 數據集上，生成長度為 1024 詞元時，其 8-shot 配置下實現了 27.6 倍加速，準確率達 76.0%；在 math 基準測試中，加速倍數為 6.5 倍，準確率約為 39.3%；在 humaneval 和 mbpp 測試中，分別實現了 3.2 倍和 7.8 倍加速，準確率維持在 54.3% 和基線水平附近。
整體來看，fast-dllm 在加速的同時，準確率僅下降 1-2 個百分點，證明其有效平衡速度與質量。這項研究通過解決推理效率和解碼質量問題，讓擴散模型在實際語言生成任務中具備了與自回歸模型競爭的實力，為未來廣泛應用奠定了基礎。
最後，nvidia再度與多家高校合作，推出了fast-dllm 框架，其ai 擴散模型推理速度最高提升27.6 倍。而在此之前，nvidia就已經與其他合作夥伴一起推出了開源模型 llama-nemotron，也是當前最強的ai模型之一，但也並未用上fast-dllm 框架，而是puzzle 框架，或許新架構的潛力會更大！
