一位律师花了约9450美元,用12张二手32GB英伟达Tesla V100搭了台本地AI服务器。系统以4-bit量化跑DeepSeek-V4.1-Flash,单路代码生成测试最高到每秒184个词元。他说部分单请求的表现超过了几套已公开的DGX Spark配置。代价是最高约2100瓦功耗,还有明显的噪音。数据出自Reddit帖子,没经过独立验证。
这套方案的关键在成本。二手卡加量化模型,把本地部署的门槛压到了一万美元以内。对隐私敏感、想长期跑推理的人来说,比买新机器划算得多。功耗、散热、噪音、稳定性都是真实开销,184词元每秒当个参考数字看就行。
同样的省钱思路也出现在产线上。智元创新与蓝思科技达成战略合作,在手机测试产线部署智元精灵G2机器人,数十台同时作业,负责测试工位的自动上下料和设备交互。手机测试重复度高、节拍固定,是具身智能最容易落地的场景之一。
学术那边的消息更硬。纽约大学的Tristan Buckmaster与Anthropic的Levent Alpöge发布了一项AI辅助证明,研究纳维–斯托克斯方程的爆破解,两人说补上了OpenAI此前解法里的一个漏洞。报道没给证明细节。不过AI开始介入这种级别的推导,这件事本身就不寻常。
三件事放在一起看,AI正在离开演示,走进产线和科研。推着它往前的东西很具体:更便宜的算力、更能干活的机器人、能挑错的数学助手。