Binalik ng Nvidia ang isang Indian startup na tumutulong sa mga kumpanya na patakbuhin ang AI gamit ang mas kaunting mga GPU ng Nvidia. Tinatawag itong SimpliSmart, batay sa Bengaluru, may $14 milyong Series B mula sa Accel, na may halagang halos $100 milyon. Ang kanilang software ay nasa pagitan ng mga AI model at ang computing infrastructure, at awtomatikong tinutugma kung paano ipinapalabas ang mga model upang makakuha ang tamang balanse ng bilis, gastos, at performance nang hindi kailangang manu-manong pamahalaan. Nabawasan ng InVideo ang kanilang gastos sa GPU serving ng 56% gamit ito. Lumago ang kanilang kita ng 14x sa loob ng anim na buwan. Higit sa kalahati nito ay galing sa US. Ang direktang tanong ay bakit binigyan ng suporta ng Nvidia ang isang software na nagbabawas sa pangangailangan para sa mga chip ng Nvidia? Ang sagot ng mga tagapagtatag: ang paggawa ng AI inference na mas mura at mas madali ay nagpapadali sa mas maraming kumpanya na tanggapin ang AI sa una, na sa huli ay nagbebenta ng higit pang mga GPU. Ang Nvidia ay nagtatrabaho din kasama ang SimpliSmart sa teknikal na integrasyon sa kanilang sariling Dynamo inference software, at nagpapakilala sa kanila sa mga customer at partner. Kaya hindi lang nag-invest ang Nvidia—ito’y nagtatanim mismo sa isang startup na kumikita sa parehong espasyo tulad ng kanilang sariling inference products. O ang Nvidia ay totoo nang naniniwala na ang efficiency ang nagpapadali sa pagtanggap, o mas gusto nilang mapanatili ang efficiency play kaysa panoorin ang iba na kunin ito.

Si Peter Steinberger, ang tagapaglikha ng OpenClaw, ay nagtataya na naglabas siya ng halos $10M sa mga token noong nakaraang buwan. Sa rate na iyon, $120M ang nagagastos taun-taon sa isang tao. Sapat na ito upang magbayad sa 500 na senior engineer para sa isang taon. Ang kanyang employer, ang OpenAI, ang sumasakop sa gastos. Tinanggap din niya na hindi lahat ng paggastos ay nakatulong. Kaya kapag sinasabi sa iyo ng isang tao na “mas murang AI kaysa maghiring,” tanungin kung ano talaga ang binili ng mga token.

Hindi ang AI art is ART !! BOOOOOOOO Gusto ko ito, nagpapalalo sa akin sa aking nvidia

Naniniwala ako na ang buong ecosystem ng Space X ay kahanga-hanga. Isang bagay na mahal ko gawin ay ang pag-like sa mga tweet na nakikita ko dito na may kinalaman sa AI at habang nasa Cybertruck ako. Ginagamit ko ang Grok upang basahin ang mga liked tweet ko at ipaliwanag sa akin habang nasa self-drive ako.

Bullshot ay nag-anunsyo ng $7.7M na nakalap sa mga pagsasapalaran, na may suporta mula sa @animocabrands at @PolygonVentures, at nag-raise din ng $1M kasama ang @MindoAI Ang pagtutok ng paglikha ng token, pag-trade, at mga AI agent ay ginagawa si @Bullshot911 bilang isang proyekto na dapat subaybayan👀

HOLY F*CK, SI ELON MUSK ANG GINAWA ANG GROK BOT NA NAGPALIT SA 28+ NA GINAGAANANG MGA KAGAMITAN nagpapatakbo ito sa sarili nitong cloud computer, nagpapasok sa iyong mga app at nagpapatakbo ng mga routine ayon sa jadwal. maaaring magkaroon ng hanggang 50 na routines ang bawat bot. mga kagamitan na itinanggal nito: → ai agents: chatgpt plus/pro, manus, perplexity pro, genspark, devin, lindy → automation: zapier, make, n8n cloud, bardeen, phantombuster, apify/browse ai → social: hootsuite, buffer, sprout social, typefully, hypefury → sales: apollo io, clay, lemlist/instantly, salesloft → operations: superhuman, motion/reclaim, otter/fireflies, intercom fin/zendesk ai, feedly/brand24/mention → content: jasper/copy ai, gamma magsimula nang maliit: piliin ang isang subscription na binubuksan mo araw-araw at ibigay ang gawain na iyon sa isang bot bilang routine. i-save ito at basahin ang artikulo sa ibaba upang mag-set up ng grok bot tulad ng ginagawa ng mga engineer ng spacexai ↓

HOLY SH*T. GINAWA NG OPENAI NA MAS KABABAW AT MAS MAHUSAY ANG AI AGENTS SA PAGGAMIT NG IYONG KOMPYUTER. Kilalanin ang GPT 6.1 Terra. At ang pag-update na ito ay higit pa sa paggawa ng mas mahusay na mga sagot. Pinipilit ng OpenAI ang AI patungo sa isang mas magandang gamit. Totoong paggawa ng trabaho. Nilikha ang Terra upang maunawaan kung ano ang nangyayari sa iyong screen, makipag-ugnayan sa mga aplikasyon sa kompyuter, at kumpletuhin ang mga kumplikadong hanay ng mga gawain. Isipin kung ano ang ibig sabihin nito. Maaaring tulungan ng AI ang paghahanda ng mga propuesta, pagpapaliwanag ng teknikal na mga guhit, pagpapuno ng mga pormulario, pag-edit ng mga video, at paghawak ng paulit-ulit na opisina na gawain. Hindi na kailangang ipaliwanag kung paano gawin ang isang bagay—kundi maaari itong isagawa ang mga hakbang upang matapos ito. At sinasabi ng OpenAI na mas mahusay nang malaki ang bagong modelo kaysa sa GPT 5.6 Terra sa mga gawain na ito. Ngunit ito ang bahagi na talagang tumigil sa aking pansin. Ang presyo. Ang standard na presyo ng API ng GPT 6.1 Terra ay 50% mas mababa kaysa sa GPT 5.6 Terra. Mahalaga ito dahil ang AI agents ay maaaring gumawa ng maraming tawag sa isang modelo habang kumpleto ang isang workflow. Ang bawat hakbang ay may gastos. Ang pagbabasa ng impormasyon, pagsusuri sa screen, pagdedesisyon kung ano ang susunod na gagawin, at pagsusuri sa resulta ay maaaring magkumpuni. Mas mababang gastos ay nagiging mas praktikal para i-run ang mga sistema sa malaking saklaw. Ibinabahagi din ng OpenAI ang malaking pag-unlad sa coding performance at visual reasoning, kasama ang mas kaunting mga pagkakamali sa katotohanan sa kanilang panloob na pagsusuri. Mahalaga ang kombinasyong ito. Ang isang modelo na nakakaintindi ng isang gawain, nakakagamit ng software, at nakasusulat ng code ay naging mas kapaki-pakinabang kapag maaari itong gawin lahat nito nang mas mabilis at mas mura. Isipin ang mga AI agents na nagproseso ng mga invoice, nag-a-update ng spreadsheets, nag-organisa ng impormasyon ng customer, o naghahawak ng paulit-ulit na gawain sa maraming aplikasyon. Hindi lang nag-uutos kung ano ang gagawin. Totoong tumutulong upang matapos ito. Siyempre, ang paggamit ng kompyuter ay hindi katumbas ng perpektong awtonomiya. Ang mga kumplikadong workflow ay kailangan pa rin ng pagsubok, pahintulot, at tao na pangangalaga. Ngunit malinaw na ang direksyon. Ang susunod na malaking labanan sa AI ay hindi lamang kung aling modelo ang mas magandang mag-isip. Kundi kung aling modelo ang maaaring maaasahan upang i-convert ang kaalaman na iyon sa aksyon. At ngayon, ginagawa ng OpenAI na mas mura ang paggamit nito.

🚨HOLY SH*T. SI JENSEN HUANG AY TINAPATAN ANG ISANG PETAFLOP NG AI POWER SA ISANG KAMAY. At ang paghahambing na ginawa niya ay lubos na pambibihira. Noong 2016, ipinadala ni Jensen Huang ang isang NVIDIA DGX 1 system sa isang maliit na kumpanya na tinatawag na OpenAI. Ito ay isang malaking makina na itinayo lalo para sa AI computing. Ito ay nagbigay ng isang petaflop ng computing performance at may 128GB ng memory. At binalewala ni Jensen ang lahat ng isa pang detalye. Kailangan ng dalawang tao upang dalhin ang makina pataas sa hagdan. Ngayon, sampung taon na ang nakalipas, hinawakan niya ang isang kompaktong AI computer sa isang kamay at ipinakita ang parehong headline numbers. Isang petaflop. 128GB ng memory. Isipin muna ito nang maigi. Ang bagong RTX Spark lineup ay nilikha sa pamamagitan ng apat na taon ng pagtatrabaho kasama ang Microsoft at ang mas malawak na PC industry. Ayon kay Jensen, ang proyekto ay nagsasangkot ng isang bagong chip na N1X at isang buong bagong pamilya ng mga computer, kabilang ang desktops, laptops at workstations. Ang layunin ay dalhin ang seryosong AI computing power sa mas maliit na form factor. At dito nagsisimula ang mga bagay na naging interesante. Sa loob ng maraming taon, ang pag-access sa makapangyarihang AI hardware ay nangangailangan ng pagtitiwala sa mahal na cloud infrastructure o mga espesyalisadong makina na malayo sa kakayahan ng karamihan sa mga indibidwal na developer. Ang mga kompaktong sistema tulad nito ay nagtuturo sa isang iba’t ibang paraan. Isipin ang pagbuo ng AI agents, pagsubok sa mga model, at pagpapatakbo ng mga demanding AI workloads sa iyong sariling mesa. Mas kaunting pagkakasalalay sa remote infrastructure. Mas maraming kontrol sa iyong development environment. At posibleng mas kaunting paulit-ulit na cloud cost para sa mga workload na maaaring tumakbo sa loob. Siyempre, may mahalagang pagkakaiba. Ang pagtutumbas sa parehong peak petaflop figure ay hindi awtomatikong nangangahulugan na dalawang makina ay nagbibigay ng parehong real world performance. Ang precision na ginamit, memory architecture, at workload ay mahalaga. Ngunit ang pisikal na pagbabago ay patuloy na nakakapanlilis. Noong 2016, ang klase na ito ng AI computing ay nasa isang makina na nangangailangan ng dalawang tao upang dalhin. Ngayon, maaaring hawakan ni Jensen Huang ang isang sistema na may katumbas na headline specifications sa isang kamay. Ito ang nagiging dahilan kung bakit ito ay higit pa sa isang karaniwang paglunsad ng computer. Hindi lamang nagiging mas makapangyarihan ang AI hardware. Ito ay nagiging mas malaki ang pagkakataon. At ang susunod na henerasyon ng AI developers ay maaaring hindi kailanganin ang server room upang magsimula.