
Sign up to save your podcasts
Or


Anthropic 啟動 Model Hardware Standard 首階段預覽,統一 Agent 控制實驗室設備。
核心概述 MHS 是 不綁定模型 的儀器標準,目標是讓 Agent 以一致的控制方式協調顯微鏡、液體處理機與機械手臂,不必為每台設備打造 客製整合。Anthropic 宣稱,整合時間可由數週或數月縮短至數小時或數分鐘,但這些效益目前仍是官方公告中的說法,尚無獨立驗證。
控制方式 對具可程式化介面的設備,MHS 提供三種操作管道:
透過 MCP 連接設備與 Agent。 使用 CLI 執行控制操作。 透過 程式碼檔案控制 撰寫或執行設備控制內容。
公告也提到,研究 preview 包含安全檢查;不過目前仍有 概念驗證 限制,未列出所有不支援的儀器或部署條件,因此不能視為已適用於生產環境的完整方案。
實例與結果 Anthropic 提供以下案例,說明 MHS 如何處理跨設備工作:
Genentech:自動化 BCA assay。 University of Washington:遠端監控 qPCR,並完成不碰撞的孔盤交接。 Carnegie Mellon:在約 8 小時內建立 連續稀釋配置。
畫面展示 介紹影片以「Before MHS」與「After MHS」對照:原先顯微鏡、相機、感測器、培養箱、真空幫浦、離心機、光譜儀、移液機器人與機械手臂等設備,分別透過自訂軟體連接,線路隨設備增加而變得複雜;導入 MHS 後,則由 Agent 透過單一共同介面匯集控制。影片也展示顯微鏡影像、工廠自動化監控與機械手臂搬運孔盤的場景。
展示 Model Hardware Standard 如何讓 Agent 控制實驗室儀器的介紹短片。
實際意義與限制 MHS 若能在受控環境中穩定運作,可能降低科學儀器與 Agent 之間的整合門檻,讓研究團隊更快組合多設備流程。然而,本次仍是首階段 研究預覽;安全檢查與目前的概念驗證成果,應被視為研究證據,而非對正式部署、安全性或整體設備支援範圍的保證。
原文:https://easyvibecoding.app/curated/3162-anthropic-model-hardware-standard-research-preview-lab
NVIDIA 與 AWS 規劃在 2027 至 2028 年再部署 200 萬部 GPU,並擴大 CPU 與 AI 基礎設施合作。
這次擴大全堆疊基礎設施,反映企業、前沿研究實驗室、政府與新創正把代理型 AI、科學研究、企業自動化及實體 AI 從試點推向正式生產。
運算容量 AWS 表示,2026 年 GTC 公布自 2026 年起增加超過 100 萬部 NVIDIA GPU 後,實際需求已超出原先預期,因此再規劃部署 NVIDIA Blackwell Ultra、Rubin 與 Rubin Ultra GPU。AWS 也會擴大 Blackwell 供應,將 NVIDIA RTX PRO 4500 Blackwell Server Edition GPU 導入 Amazon EC2 G7 執行個體;相較前一代 G6,G7 的 AI 推論效能為 4.6 倍、圖形效能為 2.1 倍。AWS 稱自己是首家提供 RTX PRO 4500 加速運算執行個體的大型雲端服務商,並將與 NVIDIA Spectrum 網路合作,改善大型 GPU 叢集的 AI 訓練效能。
CPU 與異質架構 雙方正合作把 NVIDIA Vera CPU 基礎設施 帶到 AWS,提供需要高效能 CPU 與加速運算並用的 agentic AI 工作負載更多選擇。AWS 也將擴大 NVIDIA NVLink Fusion 的支援,與 Amazon 的 Annapurna Labs 及記憶體供應商合作導入 NVIDIA 高頻寬記憶體 NVHBM。這套架構可讓 Trainium 使用更快且更省電的記憶體,並在共同的機櫃級架構 中整合 Trainium 與 GPU;目前仍屬合作推進中的基礎設施方向。
政府 AI 工廠 AWS 與 NVIDIA 計畫為美國政府建置 AI 工廠,包含在安全的 AWS 基礎設施上提供 100,000 部 GPU,支援聯邦政府與國家安全工作負載。公告指出,相關服務將瞄準 Impact Level 6(IL6)及更高等級的機密工作,顯示 AI 基礎設施競爭已延伸到高安全性政府運算。NVIDIA GPU 與 採用 Trainium 的 EC2 執行個體則持續建置於 AWS Nitro System,並透過 Elastic Fabric Adapter(EFA)擴展,以維持正式生產環境所需的安全性、可靠性與網路效能。
全堆疊整合 合作不只增加硬體,也涵蓋 模型、資料管線與應用程式服務:
NVIDIA Nemotron 開放模型 可在 Amazon Bedrock 以全代管、無伺服器形式使用,也能在 Amazon SageMaker 上由使用者自行部署與微調;支援範圍依兩項 AWS 服務的使用方式而定。 Amazon EMR 搭配 NVIDIA cuDF 與 EC2 G7,可讓 GPU 加速資料處理速度最高達 CPU 架構的 3.7 倍,價格效能提升 30%。 Amazon OpenSearch Service 將向量索引建置卸載至專用 GPU,向量索引建置速度最高達 9 倍,成本降至四分之一;功能涵蓋代管叢集與 Amazon OpenSearch Serverless。 Amazon Robotics 將採用 NVIDIA 實體 AI 平台,包括 NVIDIA Jetson、NVIDIA Omniverse libraries 與 NVIDIA Isaac 開放式機器人開發平台,涵蓋模擬、合成資料生成、機器人訓練、路線最佳化、功能安全與 真實環境轉模擬(real-to-sim)驗證。
產業訊號 AWS CEO Matt Garman 強調,使用者希望自由選擇最適合的工具,也要求不同元件能順暢協作;Jensen Huang 則表示,NVIDIA 與 AWS 合作 16 年後,需求已「跑在每一項預測之前」,因此此次將合作從 GPU 擴展到 CPU、網路、開放模型與軟體。整體而言,公告呈現的是一項分階段部署與整合計畫,而非所有新能力已經全面可用;其中既有 AWS 服務的效能數據已被提出,Vera、NVHBM 與 2027 至 2028 年 GPU 產能則仍是後續落地承諾。
原文:https://easyvibecoding.app/curated/3155-nvidia-aws-deploy-gpus-expand-cpu-ai-infrastructure
NVIDIA:AWS 將在 2027 至 2028 年額外部署 200 萬顆 GPU,擴大代理式 AI 與實體 AI 合作。
基礎設施布局 AWS 將提供 NVIDIA Vera CPU,並導入採用 NVHBM 的 NVLink Fusion 架構;雙方也將為美國政府建置 AI 工廠,其中包括以 10 萬顆 GPU 為基礎的運算容量。這份公告提出為期兩年的新增 GPU 部署計畫,也補上合作規模與政府 AI 基礎設施的具體布局。
原文:https://easyvibecoding.app/curated/3151-nvidia-aws-additional-gpus-agentic-physical-ai
Claude Code 新增 SendFeedback 工具,自動起草錯誤回饋,讓使用者審閱後再送出。
核心功能 2026 年 8 月 26 日,官方 @ClaudeDevs 表示,當 Claude Code 執行失敗、察覺自己犯錯,或使用者指出問題時,Claude 會自行撰寫回饋報告。使用者可先檢視、修改並核准內容,再提交給開發團隊。
黑色介面中央顯示 Claude Code 自動草擬 bug report 的畫面,內容包含問題原因說明、運作耗時 31 秒,以及提供審查、傳送與忽略的操作選項。
實作細節 Thariq 表示這項變更由他完成並推出;使用者不必再輸入 /feedback 手動撰寫報告,只要讓 Claude 起草並核准即可。這套流程讓團隊直接收到使用者確認過的錯誤脈絡,協助釐清問題並改進 Claude。
原文:https://easyvibecoding.app/curated/3146-claude-code-sendfeedback-tool-drafts-error-feedback-user
Skild AI 發布 S1,單一示範影片即可免微調完成陌生長時程機器人任務。
S1 機器人模型的展示畫面與效能評估折線圖 影片中的 Prompt 與操作:
操作步驟: 1. (00:00)示範將綠色球體放入透明收納盒中 2. (00:01)機器人機械臂操作平底鍋翻煎鬆餅 3. (00:14)機器人機械臂夾取植物進行盆栽移植 4. (00:25)機器人執行超過 10 分鐘的長距離任務展示 5. (00:36)展示論文《Language Models are Few-Shot Learners》與 GPT 模型演進圖表 6. (01:47)機器人製作鬆餅的過程 7. (02:12)機器人製作咖啡的過程 8. (02:25)機器人進行盆栽移植任務 9. (03:41)機器人翻煎鬆餅 10. (03:58)評估圖表:已知任務 (Known Tasks) 的成功率比較 11. (04:08)評估圖表:未知任務 (Unknown Tasks) 在不同預訓練時數下的成功率 12. 評估圖表:S1 與現有 VLA 模型在後訓練示範次數與準確率的比較 13. 雙臂機器人展示綁上紅色緞帶的包裝盒任務
原文:https://easyvibecoding.app/curated/3137-skild-ai-s1-learns-robot-tasks-from-demonstration-video
ChatGPT Work 推出網站登入代辦,付款與最終提交前仍須使用者確認。
ChatGPT Work 在手機介面協助處理 DMV 補發駕照流程,並在登入驗證、條款與付款前要求使用者介入確認 影片中的 Prompt 與操作:
Prompt(00:04): 登入我的 DMV,並幫我申請補發駕照,我弄丟了
原文:Login to my DMV and help me file a replacement drivers license, I lost it
Prompt(00:23): 我同意
原文:I agree
Prompt(00:29): Amex。衝吧!
原文:Amex. Go for it!
操作步驟: 1. (00:04)輸入並送出換照需求 prompt 2. (00:13)選擇帳號與密碼填入 3. (00:16)選擇驗證碼接收方式(Text Me) 4. (00:19)輸入接收到的簡訊驗證碼 5. (00:23)輸入並同意條款「I agree」 6. (00:29)輸入付款選擇「Amex. Go for it!」
原文:https://easyvibecoding.app/curated/3131-chatgpt-work-launches-website-login-agent-user-confirmation
ChatGPT Work 擴充排程任務,支援 Slack、Gmail 與 GitHub 變化觸發並開放 Free 使用者建立 3 個任務。
原文:https://easyvibecoding.app/curated/3132-chatgpt-work-schedules-slack-gmail-github-triggers-free
Shopify tobi lutke 考慮暫禁 Claude Code,因其僅讀取 CLAUDE.md 造成團隊規範不一致。
原文:https://easyvibecoding.app/curated/3138-shopify-tobi-lutke-considers-banning-claude-code
Z.ai 發布 GLM-5.3-Flash:以 18B 啟用參數支援原生多模態與 1M-token 長上下文。
OpenAI Developers 發布 $visualize,把 ChatGPT Work 與 Codex 資訊轉成可互動視覺介面。
示範在 ChatGPT 中透過 visualize skill 將會議記錄轉換為結構化視覺化摘要與行事曆的介面 影片中的 Prompt 與操作:
Prompt(00:58): 在 Slack 內容中搜尋與這個未解決的 Builder Week 規劃決策相關的上下文:*Should the opening run live or be prerecorded?*。搜尋字詞:Builder Week interactive globe opening live prerecorded fallback offline playback venue connectivity。總結相關對話、識別討論該主題的人員以及任何現有的建議或承諾,並引用相關的 Slack 訊息。請勿發送或張貼任何內容。
原文:Search Slack context for context relevant to this unresolved Builder Week planning decision: *Should the opening run live or be prerecorded?*. Search terms: Builder Week interactive globe opening live prerecorded fallback offline playback venue connectivity. Summarize relevant conversations, identify who discussed the topic and any existing recommendations or commitments, and cite the relevant Slack messages. Do not send or post anything.
操作步驟: 1. (00:46)點擊按鈕切換為 calendar view 2. (00:56)點擊 Search Slack context 按鈕送出 prompt
原文:https://easyvibecoding.app/curated/3143-openai-developers-visualize-chatgpt-work-codex-data