新闻中心

国内一家领先的油气勘探企业承接了大量的国内外石油天然气勘探项目，每年面临庞大的地震数据分析处理任务。

Physical AI 系统必须在理解真实世界之后才能在其中行动。

开发自动驾驶策略需要在训练与部署之间架起桥梁视觉-语言-行动模型主要在开环中训练，但实际部署中驾驶策略运行在闭环环境，每个决策都会影响环境。

随着 AI 智能体从数字世界走向物理环境，NVIDIA Jetson 通过优化的内存和性能加速其实际部署。

模型量化是降低显存使用量并提升推理性能的有效方法。

部署大语言模型需要大规模分布式推理，这要求在多 GPU 和多节点间高效移动数据。

随着大语言模型推理工作负载日益复杂，单一的整体服务进程开始触及极限预填充和解码阶段具有根本不同的计算特征，传统部署将它们强制运行在同一硬件上，导致 GPU 利用率低下。

在生产推理部署中，需求随时间波动，推理副本需要弹性伸缩然而在 Kubernetes 上冷启动推理工作负载可能需要数分钟，期间 GPU 已分配但处于空闲状

自主 AI 智能体能力越来越强，开放模型、MCP 协议连接的工具和可移植技能使智能体更易扩展但随着规模扩大，组织需要理解和信任智能体所使用的技能和指令。

AI 智能体正在改变人们与 PC 的交互方式NVIDIA 与微软联手，在 Windows 平台上赋能下一代开发者构建设备端智能体，提供更简便的设置、原生安全以及已有应用和工具的集成能力。