NVIDIA Vera: свои CPU для проектирования собственных GPU

NVIDIA запустила Vera, 88-ядерный CPU на собственных Olympus-ядрах для проектирования собственных чипов. Компания замкнула петлю: процессор NVIDIA помогает создавать следующие процессоры и GPU NVIDIA.

⚡️ CPU Vera создан на базе Armv9.2: 88 ядер Olympus, 176 потоков через spatial multithreading, до 1,5 ТБ памяти LPDDR5X (SOCAMM2) с пропускной способностью 1,2 ТБ/с и 164 МБ L3-кеша.
Декодер на 10 инструкций за такт, против 8 у AMD Zen 5.
Чип заточен под однопоточный режим, как раз то, что нужно для EDA-нагрузок: логическая симуляция и формальная верификация упираются в одно ядро.

🔍 Vera уже работает в связке с Cadence Jasper и Synopsys VCS, двумя ключевыми платформами для верификации чипов.
На отдельных производственных нагрузках получено до 1,5× ускорения при том же числе ядер.
NVIDIA продолжает тюнинг через профайлинг приложений и оптимизацию системного софта.

🔮 Следом за Vera пойдёт Rosa на ядре Rigel.
Дорожная карта CPU становится самостоятельной линией внутри NVIDIA, параллельной GPU-архитектурам. Конкуренты в EDA-сегменте: AMD EPYC с 3D V-Cache (до 1 152 МБ L3) и Xeon.

NVidia пытается выстроить полную независимость от внешних вендоров.
Интересно что из этого получится, конечно.
Кажется, что уже пора QPU развивать, а не CPU.

#NVIDIA #CPU #Semiconductors
———
@tsingular

NemotronLabs VoiceChat от NVIDIA: первый открытый full-duplex голосовой агент с вызовом инструментов

NVIDIA выкатила NemotronLabs VoiceChat — 11-миллиардную end-to-end модель для голосового общения, которая слушает и говорит одновременно.
Релиз от 3 августа, код и веса открыты.

⚡️ Архитектура: аудио на входе кодируется быстрым конформером, токены поступают в языковую основу Nemotron Nano V2 на 9B, которая предсказывает текст, а TTS-декодер превращает его в речь. Отдельный выходной канал генерирует вызовы инструментов.
Всё в одной модели. Никакой цепочки ASR → LLM → TTS.

💰 Это первая открытая full-duplex модель с поддержкой tool calling. При вызове инструмента агент произносит on-hold фразу («сейчас проверю»), инструмент отрабатывает в фоне, разговор не рвётся.
До сих пор такой функционал был только у проприетарных систем вроде GPT-4o Voice и Grok Voice Agent.

🔮 Open weights на OpenMDW 1.1 — исследовательская лицензия.
NVIDIA параллельно запустила ранний доступ к Nemotron 3 VoiceChat через NIM. Требования: 80 GB GPU, vLLM, интерактивный режим через WebSocket.
Контекст — до двух минут аудио, ~450 мс задержка на передачу реплики.

💡 Бенчмарки: №2 среди открытых full-duplex моделей на VoiceBench и FullDuplexBench 1.0. Лидер Парето-фронта «conversational dynamics / speech reasoning»: 77,8% conversational dynamics, 29,2% reasoning.
Ни одна другая открытая модель не попадает в топ-3 по обоим измерениям одновременно.
Но до лидеров, само-собой ему еще далеко: Grok Voice Agent набирает 92% reasoning против 29,2% у VoiceChat.

Известные проблемы: галлюцинации, деградация в тарабарщину через несколько реплик, самопродолжение без ввода пользователя, перебивание на полуслове.
NVIDIA позиционирует модель как исследовательскую, не для прода.

Как эксперимент интересно.

#VoiceAI #OpenSource #NVidia
———
@tsingular

NVIDIA делает ставку в $6 млрд на разработку открытых моделей по примеру DeepSeek и Kimi

NVIDIA, главный производитель чипов для ИИ, на этой неделе договорилась со стартапом Poolside о сделке на $6 млрд. Цель: собрать одну из мощнейших открытых моделей в мире и перебить китайские DeepSeek и Kimi K3, а заодно закрытые OpenAI и Anthropic.

⚙️ Сделка: $6 млрд это плата за неэксклюзивную лицензию на Model Factory, конвейер Poolside для сборки открытых моделей Laguna.
Отдельно NVIDIA вкладывает $1 млрд при оценке $12 млрд, что вчетверо выше прежних $3 млрд.
109 сотрудников Poolside переходят в NVIDIA и займутся Nemotron, её семейством открытых моделей.
Сделку оформили как лицензию, и три сооснователя, включая экс-техдиректора GitHub Джейсона Уорнера, остаются вести независимую компанию.

🎯 Зачем это производителю чипов: В январе 2025-го DeepSeek R1 за один день обрушил капитализацию NVIDIA больше чем на $500 млрд (PIIE), показав, что открытая китайская модель догоняет западную за копейки.
Открытые модели требуют меньше чипов, а это прямой удар по главному бизнесу NVIDIA.
Логика простая: NVIDIA хочет владеть куском растущего открытого ИИ и удержать эту нишу в Штатах.

📊 Соперники: Kimi K3 от Moonshot AI на 2,8 трлн параметров, самая большая открытая модель в мире, в общем зачёте третья после Claude Fable 5 Max и GPT-5.6 Sol Max (VentureBeat).
DeepSeek остаётся главным символом дешёвого открытого ИИ, который и обрушил рынок.

💼 Ставка: NVIDIA рассчитывает, что Nemotron догонит передовые модели в течение года.
Штаты получают свой открытый стек, независимый от китайского, а NVIDIA держит модель на своих чипах и давит на OpenAI и Anthropic ценой открытых весов.

Но чудо само не произойдет, - кажется западу придется запретить китайские модели, чтобы открыткам от NVidia нашлось место.

#nvidia #deepseek #kimi #opensource #ai
------
@tsingular

Vera Rubin NVL72 от NVIDIA: в 30 раз больше агентной работы на ватт

🚀 NVIDIA опубликовала первые замеры Vera Rubin NVL72 на реальных агентных нагрузках: до 30 раз больше пропускной способности на мегаватт, чем у GB300 NVL72, и на 35 раз ниже стоимость токена.

Измерялось на наборе SemiAnalysis AgentX, где агент по-настоящему пишет код: контекст растёт, зовутся инструменты, рождаются субагенты.

📈 Почему это важно: по данным OpenRouter, агенты съедают в 15 раз больше токенов, чем обычный чат.
Контекст копится шаг за шагом и доходит до сотен тысяч токенов, а каждый следующий шаг получает на вход всё накопленное. Поэтому экономика упирается в производительность на ватт.

🛠 Откуда такой скачок: NVIDIA пересобрала стек под агентов. Обработка контекста отделена от генерации и масштабируется сама по себе, кэш контекста распределён по всем GPU, 4-битное квантование сжимает веса без заметной потери качества. Всё это опирается на NVLink 6 и умное распределение энергии, которое умещает на 40% больше GPU в тот же мегаватт.

💼 Для владельцев ИИ-фабрик это очевидная экономия: пропускная способность на мегаватт определяет выручку, а стоимость токена определяет маржу.

Результаты пока предварительные и ждут ревью SemiAnalysis, но направление интересное.

От гонки за флопсами главной метрикой железа становится число токенов на матватт. ⚡️

#NVIDIA #агенты
———
@tsingular

NVIDIA качает инференс для агентов: Groq 3 LPX ускоряет генерацию

NVIDIA продолжает развивать платформу Vera Rubin и выпустила Groq 3 LPX: специализированный ускоритель, который снимает задержку генерации токенов, главную боль агентных систем.

🔧 Проблема в том, что агентный инференс разбивается на две фазы, - каждая со своим узким местом.
Обработка контекста упирается в вычисления, а генерация ответа идёт по одному токену и упирается в задержку.
У агента, который делает десятки шагов подряд и постоянно вызывает инструменты, эти задержки множатся и превращаются в минуты ожидания.

Решение: codesign GPU и LPU.
Графические ядра Rubin считают большой контекст, а Groq 3 LPX отвечает непосредственно за саму генерацию.

В стойке помещаются до 256 ускорителей LP30, связанных напрямую чип-к-чипу и работающих как один детерминированный движок инференса.

📊 На бенчмарке Artificial Analysis модель Gemma 4 31B при контексте в 100 тысяч токенов выдала 3 400 токенов в секунду, что вчетверо быстрее ближайших аналогов.

💼 Партнёры уже подключились: Nebius первым среди облачников взял Groq 3 LPX, CoreWeave разворачивает в проде сеть Spectrum-X Multiplane до 512 тысяч GPU, а SpaceXAI ставит Vera CPU в основу своего агентного AI, от наземных дата-центров до орбитальных спутников.

Скоро ИИ агенты будут реагировать быстрее, чем ты успеешь сформулировать задачу.

📎 Источник: NVIDIA

#NVIDIA #VeraRubin #агенты
———
@tsingular

NVIDIA покупает Hugging Face за $12,9 млрд

Слухи выходных подтвердились: NVIDIA договорилась о покупке Hugging Face, главной витрины открытых моделей ИИ.
Сумма $12,9 млрд по данным The Information со ссылкой на человека, знакомого с соглашением.
Официальных комментариев сторон пока нет.

📊 Сделка выглядит громко на фоне цифр самого HF:
Годовая выручка $150 млн, выросла на 50% за два месяца.
Последний раунд 2023 года оценивал компанию в $4,5 млрд.
В начале этого года HF отказался от $500 млн инвестиций от самой NVIDIA при оценке $7 млрд, чтобы не зависеть от одного якорного инвестора.

💼 Логика Дженсена, - Anthropic и OpenAI строят собственные чипы, а NVIDIA перекупает распределительный слой: миллионы моделей и датасетов, через которые разработчики тянут веса в прод.
Платформа останется витриной и для AMD с Intel, но теперь под одной крышей с производителем железа.

🔍 Открытый вопрос один: нейтральность была главным активом HF. Если сообщество заподозрит, что Hub будет продвигать модели под GPU NVIDIA, может начаться тихий исход на альтернативные площадки.

Сделка ещё не закрыта, так что следим. 🤗

📎 Источник: The Information, Reuters

#NVIDIA #HuggingFace #opensource
———
@tsingular

NVIDIA покупает Hugging Face за рекордные $12,9 млрд

Дженсен Хуанг объявил о покупке Hugging Face за $12,93 млрд, закрыв слухи вокруг судьбы главного хаба свободного ИИ.
Оценка платформы выросла втрое с раунда 2023 года в $4,5 млрд, когда в капитал входили даже прямые конкуренты чипмейкера.

📦 Что переходит под контроль Дженсена:
Hugging Face стал витриной открытого ИИ: сервисом пользуются 18 млн разработчиков.
В каталоге собрано свыше 3 млн моделей, 500 тысяч датасетов и миллион приложений Spaces.
Более 200 тысяч компаний используют платформу для поиска, оценки и запуска нейросетей.
При выручке около $150 млн мультипликатор превысил 86 годовых доходов: чипмейкер забирает главную точку дистрибуции весов.

⚖️ Обещания нейтральности и тревога индустрии:
Дженсен заверяет, что сервис сохранит открытость и нейтралитет для всей индустрии.
Разработчикам разрешено выбирать любые облака и чипы, обязательной привязки к оборудованию NVIDIA не будет.
Сохраняется привычный бренд с желтым смайликом 🤗, а Клеман Деланг продолжит руководить проектом.
Однако разработчики опасаются монополии: в 2023 году AMD, Intel, Qualcomm и IBM вкладывались в хаб ради баланса сил, а теперь их доли выкуплены одним чеком.

💼 Чем это обернётся для рынка:
NVIDIA замыкает цепочку контроля: компания держит и вычислительную базу, и главную витрину готовых моделей.
Открытые веса получают мощные серверные ресурсы, ускоряя обучение новых архитектур.
Конкурентам придётся либо соседствовать на чужой витрине, либо строить независимые зеркала.
Будущее открытого ИИ теперь зависит от обещаний руководства одного производителя чипов.

📎 Блог NVIDIA · Анализ The Information

#huggingface #nvidia #opensource #сделки
———
@tsingular | Max | YouTube | RuTube

NVIDIA выпустила PAIR: домашний роутер инференса объединяет ПК с RTX и Mac на M4 в единый кластер

NVIDIA открыла публичную бету NVIDIA PAIR (Personal AI Router): утилиты, объединяющей домашние компьютеры в кластер для параллельного запуска агентов и локальных моделей.

🔌 Домашний кластер без стоек и проводов:
Раньше распределенный инференс требовал серверных стоек и сложной настройки.
PAIR разворачивается за пару минут поверх сети Wi-Fi или Ethernet, давая приложениям единый локальный эндпоинт.
Поддерживается разнородное железо:
Видеокарты GeForce RTX от 20-й серии на Windows 11 и Linux.
Настольные суперкомпьютеры DGX Spark на архитектуре Grace Blackwell.
Компьютеры Apple Mac на чипах M4 и новее под управлением macOS.

🧠 Диспетчер задач вместо склейки памяти:
NVIDIA честно обозначила архитектуру: PAIR не склеивает видеопамять в один виртуальный чип.
Тензорный параллелизм через домашний Wi-Fi задохнулся бы от сетевых задержек.
Софт работает балансировщиком очередей: пока ПК с RTX занят, запросы агентов улетают на свободный MacBook с M4 или DGX в соседней комнате.
На старте сервис из коробки поддерживает Ollama и LM Studio.

🔒 Полная приватность без облаков:
Главная ценность решения: строгая изоляция данных внутри домашнего контура.
Промпты, файлы и контекст агентов циркулируют строго между машинами домашней сети.
Ни один байт не уходит на чужие серверы, а модели отвечают даже при отключении внешнего интернета.

💼 Зачем бизнесу и разработчикам:
Мультиагентные пайплайны упираются в очередь: когда агенты параллельно пишут код и гоняют тесты, один чип зависает намертво.
PAIR превращает парк домашней техники в распределенную ферму задач без покупки серверного железа и без шаманства настройками fallback вызовов.
Для команд с жестким NDA это доступный способ собрать автономный офис, где ноутбуки коллег бесплатно забирают фоновую рутину.

#pair #nvidia #хостинг #агенты
———
@tsingular | Max | YouTube | RuTube

А вот еще пример, почему геймдев резко похорошеет.
Уже похорошел.

Новая библиотека от Nvidia DLSS5 повышает до фотореализма качество даже в старых играх.

Весь твиттер и реддит уже усыпан модами,- от FIFA до Skyrim и теперь вот Farcry 3.

Полный ролик:
https://x.com/r00t404t/status/2097693634749415918

#Nvidia #DLSS5
------
@tsingular

NVIDIA выпустила оптимизатор автоисследователя для PI

NVIDIA Labs гоняет циклы автоисследований на агентах и решили сделать эффективнее саму обвязку агента.
Выпустили открытое расширение SoL-Pi для кодинг-агента Pi, оно режет трафик токенов, объём вычислений и число ходов, сохраняя проверки и доказательства.

⚙️ Четыре механизма из автоисследований:
- Action Fusion: правка файла сразу гоняет валидационную команду в том же вызове инструмента.
- ObservationPack: большие повторяющиеся результаты превращаются в стабильные указатели с постраничным вызовом.
- Evidence-Preserving Reducer: длинные диагностические логи сжимаются в сводки, только когда каждая оставленная цитата совпадает с архивом.
- Online Context Compact: завершённые шаги плана становятся кандидатами на штатное сжатие контекста Pi, и агент продолжает задачу в новом ходу.

💼 Зачем бизнесу:
- Каждый лишний ход агента стоит денег, SoL-Pi убирает повторы без потери качества.
- Всё опционально и выключено по умолчанию, нет конфига и нет изменений.
- патчить Pi не нужно, расширение работает через API как прокси и не трогает исходники.

🔗 Полезные ссылки:
- GitHub проекта
- Блог с разбором механизмов

#агенты #NVIDIA #оптимизация #кодинг
------
@tsingular

NVIDIA выпустила трёхмерную модель для разбора КТ

🩻 NVIDIA вместе с Национальным институтом рака NIH и Цюрихским университетом выложили NV-Reason-CT, модель, которая читает КТ-объём целиком и делает заключение с разъяснениями.

⚙️ Механика: языковая модель Qwen3.5-4B соединена с трёхмерным визуальным кодировщиком Primus.
Объём 384 на 384 на 384 миллиметра превращается в решётку 24 на 24 на 24, это 13 824 визуальных токена.
Все токены вместе с координатами уходят в языковую модель без сжатия, а трёхмерное позиционное кодирование видит, где что находится.
Поэтому, например, модель различает поражение в правой и левой почке.

📋 Учили на 550 тысячах примеров из 70 111 КТ-объёмов. Сначала провели дообучение на разборах радиологов, потом обучение с подкреплением на проверяемых наградах за верный набор отклонений и структуру отчёта.

💼 На наборе CT-RATE модель размечает 18 видов отклонений точнее узких контрастивных моделей: усреднённая точность 0,614 против 0,581 у VoxelFM и 0,398 у CT-CLIP. Отдельная голова классификации для этого не нужна.
В пробном исследовании с радиологами время на разбор снимка и отчёт упало с 26,25 до 13,13 минуты.

🔗 Веса и код открыты под лицензией OpenMDW-1.1. Есть примеры дообучения, обучения с подкреплением и веб-демо.

paper

NV-Reason-CT является частью семейства открытых медицинских моделей ИИ NVIDIA Medical AI, предназначенных для совместной работы по всему конвейеру радиологии:

NV-Generate-CTMR: синтезирует реалистичные объёмы 3D-КТ и МРТ для обучения, обогащения данных и исследований
NV-сегмент-CTMR: автоматизированная сегментация органов и поражений из объёмов 3D КТ и МР
NV-Reason-CXR: рассуждающая модель с CoT по анализу рентгена грудной клетки
NV-Reason-CT: рассуждающая модель с CoT для полного 3D-анализа КТ

#NVIDIA #медицина
———
@tsingular

Jev не нужен! NVIDIA с учёными из университета, который с прошлого года запрещено упоминать, выпустила свой аналог Jev

📋 NVIDIA выпустила CLM-8B,- еще одного представителя класса контрастных языковых моделей.
Модель, как и Jev, не пишет ответ по токенам: она превращает текущее состояние и каждый возможный вариант действия в векторы и выбирает самый близкий.
Веса под лицензией Apache 2.0.

⚙️ Как устроено. В основе замороженный Qwen3-8B, поверх которого обучены две проекции примерно по 20 млн параметров, одна для состояний, другая для действий.
Учили в три этапа: 60 млн пар вопрос-ответ Nemotron, 30 млн правдоподобных неверных вариантов, 1 млн траекторий реальных агентов.
В работе модель считает близость состояния и действий и превращает её в вероятности.

📊 Скорость. В игре T-Rex решение занимает всего 16,5 мс против 149,8 мс у закрытой модели Jev, почти в 9 раз быстрее.
В Super Mario 33,5 мс против 132,6 мс.
Векторы действий считаются заранее и лежат в памяти: при смене состояния они не меняются.
На одной RTX 4090 повторный заход в ту же ситуацию падает с 1,7 мс до 0,6 мс, а при тысяче вариантов действий модель обгоняет Jev в 13 раз.

⚖️ Ограничение. Новых действий модель придумать не может, она выбирает только из готового набора.
Схема получается такая: языковая модель порождает варианты, CLM быстро выбирает, агент выполняет.
По точности выигрыш не везде: в вызове инструментов CLM набирает 95,2% против 99,2% у Jev, в WikiRacing решает 26 задач из 30 против 30 из 30.
Быстрее при этом везде.

💼 Зачем бизнесу. Обучаемой части всего около 40 млн параметров, весит она 75 МБ и работает на одной видеокарте. Для агентов, которые много раз выбирают из одного набора действий, это ускоряет работу без переобучения основной модели.

📎 Ссылки:
• Блог проекта
• Веса на Hugging Face
• Код на GitHub

Очень похоже на RSI эксперимент, который мы делали с Гермесом на той неделе, только у меня было 4 разных области задач, - змейка, тетрис, текст и картинки, а тут заточка под 1 задачу, что ещё проще.
потому и скорость выше в 10 раз.

#LLM #агенты #Jev #CLM #NVidia
———
@tsingular

OpenH-RF: 39 терабайт сырых данных по ультразвуку от NVIDIA

📋 Университет Эйндховена и NVIDIA выпустили OpenH-RF: крупнейшую открытую коллекцию медицинских ультразвуковых измерений уровня каналов. 19,3 тыс. записей и 39 ТБ данных собрали 38 учреждений, среди них Siemens Healthineers, Johns Hopkins, Weizmann Institute и NIH. Лицензия CC BY 4.0 разрешает и коммерческое использование.

⚙️ Данные каналов,- это сырой сигнал с каждого элемента датчика до схлопывания в изображение. Каждый HDF5-файл несёт сигналы всех элементов, полную геометрию передачи и приёма, а где они есть,- готовые изображения, карты и метки. Формат zea, эталонные скрипты реконструкции открыты в GitHub. Покрытие: эхокардиография, фетальная и транскраниальная визуализация, кровоток, ультразвуковая микроскопия.

💡 Почему именно сырые данные: классический ультразвуковой конвейер сжимает сигнал датчика примерно в сто раз по дороге к изображению реального времени. Кровоток, эластичность и скорость звука в тканях выбрасываются на этом шаге. Модель, обученная на уровне каналов, восстанавливает то, что конвейер теряет, и одна сеть решает сразу несколько задач: реконструкция, движение, количественные карты. Таких открытых данных раньше не существовало, они были заперты у производителей сканеров.

💼 Релиз задуман как датасет плюс сопутствующая LLM, обученная делать выводы на основе этих данных, обучение шло с августа.
Ближайшая польза от открытых данных: портативные сканеры с ИИ-обработкой вместо дорогих аппаратов экспертного класса.
Для медицинской ИИ-индустрии это тот же момент, что ImageNet для компьютерного зрения.

📎 nvidia/OpenH-RF на Hugging Face,- данные, пока ранний доступ
📎 GitHub проекта,- формат zea и реконструкция

#NVIDIA #медицина #OpenSource #датасеты
———
@tsingular

NVIDIA выпустила две новые мультимодальные модели: Nemotron-3.5-Bolt и Nemotron-3.5-Super-VL и Unsloth уже нарезал их в доступные кванты.

Nemotron-3.5-Bolt-74B-A9B работает на устройстве с 24 ГБ VRAM и показывает одни из лучших результатов среди моделей своего размера.

Super-VL-120B-A12B работает на устройстве с 82 ГБ VRAM.

Версия Nemotron 3.5 Bolt в формате GGUF от Unsloth AI:
https://huggingface.co/unsloth/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-GGUF

Руководство:
https://unsloth.ai/docs/models/nemotron-3.5-bolt

Nemotron 3.5 Super в формате GGUF:
https://huggingface.co/unsloth/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-GGUF

HF-Bolt

Модели интересные, но не факт, что лучше qwen3.8:27b единственный плюс, что они быстрее из-за того, что MoE, который уже заждались от qwen3.8, кстати.

#Nvidia #Unsloth
------
@tsingular

🤖 Как ИИ-агенты создают и обучают роботов: демонстрация NVIDIA

На NVIDIA GTC Berlin Дженсен Хуанг показал как ИИ-агенты самостоятельно проектируют виртуальную среду, обучают в ней робота и переносят полученные навыки в физический мир.

Ключевой тезис презентации: «Чтобы создать агента, попросите другого агента сделать это за вас».
Что интересно, - Гермеса :)

В качестве примера показали маленького двуногого робота Microduck от Pollen Robotics и Hugging Face.

⚙️ Как устроен процесс:
1️⃣ Hermes Agent + Nemotron — управляют процессом, планируют задачи и определяют необходимые объекты и инструменты.
2️⃣ GPT-6 Astra + FreeCAD + Blender — создают трёхмерные модели, материалы, суставы и механизмы робота.
3️⃣ Isaac Sim + Newton Physics — моделируют физику, движения робота и взаимодействие с окружающей средой.
4️⃣ Isaac Lab + облачные GPU — параллельно обучают тысячи виртуальных копий робота. Каждое падение становится новым опытом, улучшая алгоритм управления.
5️⃣ Omniverse — моделирует работу камер, обучая робота видеть препятствия, ориентироваться и адаптироваться к окружению.
6️⃣ RTX Spark — локально запускает агентов, проверяет обученную модель в цифровом двойнике и передаёт её физическому роботу.

💡 В основе архитектуры три вычислительные среды:
• Локальный компьютер — проектирование, работа агентов, моделирование и проверка.
• Облачные суперкомпьютеры — массовое параллельное обучение тысяч виртуальных роботов.
• Физический робот — выполнение приобретённых навыков в реальном мире.

В финале демонстрации настоящие маленькие роботы выходят на сцену, ходят, садятся, встают и даже делают сальто.

Проще говоря: ИИ-агенты создают цифровой мир, проектируют сценарии обучения, тренируют в нём роботов, проверяют результаты и переносят полученные навыки на реальные устройства.

Самое интересное здесь даже не сами роботы, хотя факт, что мы живём в таймлайне Star Wars, поражает, конечно, а автоматизация полного цикла разработки физического ИИ — от текстового задания до работающего устройства.

Человек всё больше управляет целями, а агенты берут на себя инженерную реализацию.

#NVIDIA #Hermes #Microduck #роботы
———
@tsingular

NVIDIA вошла в раунд Higgsfield, чья команда в Казахстане делает 150 млн генераций в месяц

Higgsfield расширила раунд B: новыми инвесторами стали TCV и NVIDIA. В августе компания закрыла этот раунд на 400 млн долларов при оценке 5,4 млрд, ведущим был DST Global, участвовали Goldman Sachs Alternatives, Tribe Capital, AI Capital Partners, Smash Capital, GFT Ventures и Valor Capital.

📊 Платформа делает 150 млн генераций и обрабатывает 12 трлн токенов в месяц, у неё больше 40 млн пользователей в 238 странах, крупнейший рынок приходится на США. Эти объёмы и есть предмет сделки: NVIDIA финансирует слой приложений, где её чипы превращаются в готовый продукт.

🧩 Higgsfield прошла по всем поколениям ускорителей: L40 и A40, затем Hopper, Blackwell и переход на Vera Rubin. Инференс собственных моделей Soul держится на своей инфраструктуре через NVIDIA Dynamo. Пятнадцатиминутную короткометражку Kök Börü отрендерили на Blackwell Ultra, проект открыли и сделали бесплатный курс, который прошли больше 150 тысяч авторов.

Инженерная часть команды сидит в Казахстане: там больше 300 человек в разработке и креативе, соучредитель Ерзат Дулат оттуда родом. Хуанг приехал в Астану 23 октября, это его первый визит в Казахстан. В той же поездке обсуждали Data Center Valley в Экибастузе с проектной мощностью до 1 ГВт, июньское соглашение с Firebird на 10 млрд долларов и 100 тысяч GPU, а также два уже запущенных суперкомпьютерных кластера.

💼 Для NVIDIA это ставка на загрузку нового поколения ускорителей: компания получает партнёра, который первым осваивает Vera Rubin и показывает заказчикам, что генерация видео масштабируется до сотен миллионов запросов в месяц.

📎 Визит Хуанга в Казахстан и планы по инфраструктуре: https://www.cnbc.com/2026/10/23/nvidia-huang-investment-kazakhstan-.html

#NVIDIA #Higgsfield #Казахстан
———
@tsingular