新闻①：英伟达：计划于 7 月开源全球最先进的物理引擎 newton
5 月 19 日消息，在今日的台北电脑展 2025 主题演讲中，英伟达 ceo 黄仁勋表示，在物理世界中制造机器人“不切实际”，必须在遵循物理定律的虚拟世界中训练它们。
英伟达与 deepmind 和 disney research 研究合作开发了“全球最先进的物理引擎 newton”，计划于七月开源。
newton 完全支持 gpu 加速，具有高度可微性和超实时操作能力，能够通过经验实现有效学习。其正在将该物理引擎整合进 nvidia 的 isaac 模拟器，这一整合能够以真实的方式让这些机器人“活”起来。
it之家从演讲获悉，黄仁勋还公布了 nvdia isaac groot 开放式人形机器人开发平台，包括开源基础模型等。
黄仁勋还透露，英伟达正在将其 ai 模型应用于自动驾驶汽车，与梅赛德斯在全球范围内推出一支车队，使用端到端自动驾驶技术，今年即可实现。
很难想象nvidia会走向开源大军，但其实这也正常，nvidia若要巩固其领先地位，自身生态的领先和稳固是最重要的。在美出口限制与nvidia利益相冲突的情况下，软件上的开源推广会比硬件的销售更重要也更易于执行。而现在，nvidia的物理引擎 newton将在7月份正式开源，还公布了 nvdia isaac groot 开放式人形机器人开发平台。在这样的开源动作下，nvidia的ai影响力可能还会进一步提高。
新闻②：英伟达推出 nvlink fusion：对外授权互联 ip，支持半定制 ai 基础设施
5 月 19 日消息，英伟达 ceo 黄仁勋在今日发表的 computex 2025 台北国际电脑展主题演讲中宣布推出 nvlink fusion，将已在全英伟达方案 ai 生态内得到广泛验证的 nvlink 高速互联扩展到更广领域。
nvlink fusion 的出现意味着客户可构建英伟达 + 第三方的半定制混合 ai 基础设施，搭载 nvlink fusion ip 的 asic、cpu、加速器能与英伟达第一方硬件无缝通信。
it之家获悉，英伟达此次列出的 nvlink fusion 合作方包括 aichip（世芯电子，asic 设计企业）、asteralabs、marvell、富士通、联发科、高通、cadence、synopsys。
黄仁勋特别提到，富士通和高通将设计搭载 nvlink fusion ip、适用于英伟达生态系统的 cpu。
另外，nvidia硬件独有的高速互联技术nvlink，也被nvidia放了出来，推出了开放授权的nvlink fusion技术。这意味着nvidia芯片与其他ai芯片的高速互联成为了可能，而nvidia也宣布富士通和高通将设计搭载 nvlink fusion ip、适用于英伟达生态系统的 cpu，会成为最早的一批合作者，这种技术倒确实是有不小的应用前景啊。
新闻③：英伟达合作推出 fast-dllm 框架，ai 扩散模型推理速度最高飙升 27.6 倍
6 月 3 日消息，科技媒体 marktechpost 昨日（6 月 2 日）发布博文，报道称英伟达联合麻省理工学院（mit）、香港大学，合作推出 fast-dllm 框架，大幅提升扩散模型（diffusion-based llms）的推理速度。
扩散模型被认为是传统自回归模型（autoregressive models）的有力竞争者，采用双向注意力机制（bidirectional attention mechanisms），理论上能通过同步生成多个词元（multi-token generation）加速解码过程。
不过在实际应用中，扩散模型的推理速度往往无法媲美自回归模型，每次生成步骤都需要重复计算全部注意力状态，导致计算成本高昂。此外，多词元同步解码时，词元间的依赖关系易被破坏，生成质量下降，让其难以满足实际需求。
it之家援引博文介绍，英伟达组建的联合团队为解决上述瓶颈，研发了 fast-dllm 框架。该框架引入两大创新：块状近似 kv 缓存机制和置信度感知并行解码策略。
kv 缓存通过将序列划分为块（blocks），预计算并存储其他块的激活值（kv activations），在后续解码中重复利用，显著减少计算冗余。其 dualcache 版本进一步缓存前后缀词元（prefix and suffix tokens），利用相邻推理步骤的高相似性提升效率。
而置信度解码则根据设定的阈值（confidence threshold），选择性解码高置信度的词元，避免同步采样带来的依赖冲突，确保生成质量。
fast-dllm 在多项基准测试中展现了惊人表现。在 gsm8k 数据集上，生成长度为 1024 词元时，其 8-shot 配置下实现了 27.6 倍加速，准确率达 76.0%；在 math 基准测试中，加速倍数为 6.5 倍，准确率约为 39.3%；在 humaneval 和 mbpp 测试中，分别实现了 3.2 倍和 7.8 倍加速，准确率维持在 54.3% 和基线水平附近。
整体来看，fast-dllm 在加速的同时，准确率仅下降 1-2 个百分点，证明其有效平衡速度与质量。这项研究通过解决推理效率和解码质量问题，让扩散模型在实际语言生成任务中具备了与自回归模型竞争的实力，为未来广泛应用奠定了基础。
最后，nvidia再度与多家高校合作，推出了fast-dllm 框架，其ai 扩散模型推理速度最高提升27.6 倍。而在此之前，nvidia就已经与其他合作伙伴一起推出了开源模型 llama-nemotron，也是当前最强的ai模型之一，但也并未用上fast-dllm 框架，而是puzzle 框架，或许新架构的潜力会更大！
