谷歌首席执行官Sundar Pichai今天透露,谷歌今年将花费超过100亿美元来扩大在美国的数据中心和办公网络规模。
Pichai同时还是谷歌母公司Alphabet的首席执行官,他说,这项投资将集中在美国11个州,包括加利福尼亚州、科罗拉多州、乔治亚州、马萨诸塞州、内布拉斯加州、纽约州、俄克拉荷马州、俄亥俄州、宾夕法尼亚州、德克萨斯州和华盛顿州。
谷歌计划对这些州的现有设施进行扩展,并建造新的设施。Pichai强调了其中一项新的进展,那就是在俄亥俄州建设的耗资6亿美元的云数据中心,预计将于2021年上半年完成。此外,谷歌将于今年在纽约州建设一个耗资10亿美元的企业园区。今年,谷歌在本地的劳动力数量将增加一倍。
Pichai还分享了有关谷歌一些鲜为人知的项目的详细信息。其中,有几项关于在密西西比州建设“ Google运营中心”的项目,该中心将负责提供客户支持;以及扩建位于底特律和博尔德的办公点,让未来两年内谷歌位于科罗拉多州的员工人数增加一倍。
这项新投资是建立在谷歌海外基础设施扩建基础上的。去年9月,谷歌承诺投入33亿美元在欧盟建设更多的数据中心。
Pichai在博客中宣布了这项规模达100亿美元的美国扩张计划。他说:“这项努力建立在我们2019年对南卡罗来纳州到内华达州地区投资130亿美元的势头之上。再加上其他研发相关投资,谷歌母公司Alphabet去年是美国最大的投资方。”
Pichai这里提到的130亿美元投资,指的是谷歌2019年用于扩建位于美国的数据中心和办公室,这显然超过了2020年100亿美元。但是,谷歌的整体支出在不断增加。截至12月31日的第四季度,Alphabet公布的总成本和支出为368.1亿美元,较去年同期增长19%。
Alphabet每年仅在“其他投资”类别上就花费数十亿美元,其中包括Waymo和Wing无人机交付部门等试水业务。但是Pichai在1月份的一次采访中表示,他可能会限制与“其他投注”相关的一些费用。他向《财富》杂志表示:“我们放眼长远,但同时也希望与确保良好业绩这一原则相结合。”
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。