英伟达以129.3亿美元收购开源AI平台Hugging Face，交易金额暗藏表情符和品牌色梗。此举旨在掌控开源生态，被视为下一代CUDA，以巩固其统治地位。创始人牺牲个人收益，换取英伟达长期支持，以应对巨头竞争。该交易被视为时代最重要的并购，可能锁定未来AI标准。

TensorSharp 是纯 .NET LLM 推理引擎，三天内接入 GLM-5.3-Flash 和 Qwen3.8-Flash-Next 新架构。它支持进程内推理，性能上 decode 速度翻倍，prefill 持平，并强调正确性验证和部署便捷性。对 .NET 团队，这标志着前沿模型架构跟进加速，值得纳入 PoC 评估。

英伟达拟以129亿美元收购Hugging Face，类似微软收购GitHub，旨在掌控开源模型生态。开源模型因成本低、易运行，正抢占市场，威胁OpenAI和Anthropic。此举确保开发者继续使用英伟达CUDA软件栈，巩固其硬件主导地位。开发者应构建适应模型变化的系统，而非依赖单一默认。

NVIDIA与Apollo、BlackRock等机构合作建立融资平台，动员超5000亿美元第三方资本支持AI基础设施建设，将AI工厂打造为可投资资产类别，其价值在于CUDA软件性能提升和硬件可重新部署。此举旨在解决资本获取不均，推动AI从研究转向生产，形成“更多算力→更好AI→更多收入”的良性循环。

摩尔线程完成开源库CV-CUDA在MUSA上的兼容支持，使视觉处理任务可从CPU迁移至国产GPU，提升图像预处理与数据流水线效率。实测中几何变换、缩放等算子加速明显，适用于多模态训练、视频理解、智能制造等场景，并持续优化生态。

AI智能体Prime Agent发现手写CUDA内核在RTX 3090上性能比Triton自动生成代码慢15%，调整分块尺寸无效，瓶颈不在共享内存。AI辅助编程正从“写代码”进化到“发现人类想不到的优化方向”，人类仍负责最终修复。

HAMi是CNCF孵化项目，用于Kubernetes GPU共享。Kubernetes DRA（动态资源分配）自v1.34起GA，支持可消耗容量，使调度器原生处理GPU切片请求，但仅跟踪承诺，不执行运行时限制。HAMi保留其核心执行层（拦截CUDA调用），并推出HAMi-DRA驱动和webhook，将传统扩展资源转换为DRA声明，实现向后兼容。两者互补，DRA负责调度，HAMi-core负责强制限制，生产环境需按版本和供应商选择模式。

英伟达CUDA生态面临AI编程Agent挑战，初创公司Infinity用AI花10小时为d-Matrix搭建类CUDA软件，引发关注。但专家认为，CUDA近20年积累的库、验证工具和开发者生态难以轻易颠覆，推理市场或成突破口，护城河正从代码存量转向验证优化生态。

本文介绍IBM研究团队将CUDA内核优化知识自动迁移至Apple Silicon的MLX框架。他们扩展K-Search进化搜索框架，通过概念映射表将CUDA优化策略转化为MLX/Metal原生策略，在注意力内核上达到0.97倍原生性能，在Mamba SSM内核上实现20倍预填充加速，展示了跨硬件优化知识迁移的可行性。

英伟达Blackwell架构将张量核心升级为独立协处理器，配备专属内存，矩阵乘法可由单线程异步发射，结果存入专用空间，无需线程集体等待。但需手动管理内存，易致泄漏，且读取结果需128线程。此设计彻底改变CUDA编程范式，从集体协作转向流水线分工，凸显张量核心从指令到独立单元的转变。

本文讨论了一种多路视频播放器的设计，旨在实现高效解码和渲染。通过硬件加速解码和零拷贝技术，直接将解码后的视频数据传输到GPU，避免带宽瓶颈。设计中使用CUDA进行图像处理，并通过环形缓冲区管理解码线程，确保视频与音频同步，最终实现跨平台的多视频同步播放解决方案。

六家AI芯片公司放弃传统硬件缓存和线程模型，采用软件管理的SRAM和数据流架构，以优化计算效率和降低能耗。这种设计强调显式数据放置和顺序执行，推动了AI专用芯片的发展。

Jaiveer Singh是NVIDIA的机器人软件工程师，负责Isaac ROS项目，旨在加速机器人开发。他通过开源软件和CUDA库，帮助开发者构建自主机器人和人形机器人，并强调开源的重要性，认为它能增强开发者的信心，促进机器人技术的发展。