組建完成！16 台 DGX Spark 已全部上線，網路流量跑滿。說實話，整個設置過程雖然耗時，但比預期順利得多。每台 Spark 開箱即用 Nvidia 客製化的 Ubuntu，大部分軟體和驅動都已預先安裝好。設置步驟包括機架安裝、開機、統一建立使用者帳號密碼、等待每台機器約 20 分鐘的系統更新，然後設定無密碼 SSH、巨型幀（jumbo frames）、IP 位址等等——我寫了腳本來加快這些流程。每台 Spark 都連接到 FS N8510 交換機。
OpenAI 將舉辦一場直播活動。在直播期間將揭露具體的公告、產品發布或示範內容。
上一次 OpenAI 突然搞直播，他們直接丟出 GPT-4 Turbo，然後一夜之間改掉所有定價
OpenAI 推出 ChatGPT 圖像 2.0，大幅提升了 AI 生成圖片的品質和功能。想看最新功能演示？OpenAI 正在直播發表會，趕快上 https://openai.com/live/ 看看吧。
OpenAI 把這個定位成直接對標現有圖像生成工具的競爭者，代表他們有信心能挑戰市場領導者
整個2025年，每當有人抱怨大型AI（LLM）的問題，標準回答就是「再等3到6個月，下一代版本會輕鬆搞定」。這套說詞到處都是——每個限制都說是暫時的，每個缺少的功能都說快要來了，每個自主代理（autonomous agent）的展示都被吹成即將成真的未來。 現在已經是2026年4月了，該檢驗一下這些承諾有沒有兌現。Reddit的ClaudeAI版上這週出現了一篇長討論串，討論Opus 4.7版本，結果一堆使用者都說這根本是退步。說真的，去年那套「再等等」的論調看起來有點尷尬。
有人真的在 AMD 新推出的 Strix Halo 晶片上測試了 Mistral Medium 3.5，結果呢？慢到不行。一個 48k 語言符號加上 4k 思考語言符號的提示詞，光是回答一個關於程式碼架構的問題就花了 2 小時。沒看錯，真的是兩小時。如果你想在 Strix Halo 上本地運行這個模型，最好在睡前就開始跑。雖然用了一堆優化技巧（Q5_K_XL 量化、GPU 加速、快取重用），但還是快不起來。本地 AI 的夢想看起來還要再等等，不過至少能動就是了。
科技博主觀點
有人剛剛隨便組了一個 16-GPU 叢集，就像周末小專案一樣。未來已經來了，而且超燒錢。
有個 builder 剛組完 16 台 DGX Spark——那大概是 240 萬美金的 AI 硬體——然後他講起來就像在組 IKEA 家具一樣輕鬆。每台 Spark 基本上就是一台超級電腦，內建 Nvidia 客製化 Ubuntu，預裝了訓練大型模型需要的所有東西。整個設置流程？上架、開機、寫網路腳本，然後——砰——你就有了一個能處理會讓你筆電哭出來的 AI 工作量的叢集。讓我最驚訝的是這聽起來有多隨便。每台節點 20 分鐘更新、一些 SSH 設定、網路用巨型幀——突然間你就在運行大多數公司只能夢想的基礎設施。這不是什麼科技巨頭的資料中心。這是某個人的組裝日誌。
AI 分析
AI 基礎設施
high現在就開始編列多節點設置的預算——單 GPU 訓練已經變成基本配備了
有人剛剛隨便部署了 16 台企業級 AI 工作站，就像在組裝家用實驗室一樣
你現在遇到的訓練瓶頸，跟即將來臨的東西比起來根本小巫見大巫
職位影響分析
機器學習工程師
角色轉型多節點叢集正在變成標準基礎設施，不再是奢侈品
現在就學分散式訓練框架——你那套單 GPU 的經驗已經不夠看了
DevOps 工程師
機會隨著公司擴展 ML 運營，AI 基礎設施部署正在成為核心技能
親手操作 GPU 叢集管理——這才是基礎設施工作的未來方向