NVIDIA 验证工程师 Sakeena Fiza 如何让硬件大规模成功

NVIDIA 推出 Halos，称其为首个也是唯一一个面向物理 AI 的全栈安全系统，覆盖设计、验证与部署各层。

NVIDIA 提出 AI 安全本质是工程问题，需要明确的安全需求、可执行的管控、指定负责人和防护有效的证据。其开源安全运行时 NVIDIA OpenShell 在智能体可控范围之外强制执行策略并提供沙箱执行，Cisco DefenseClaw 在其上增加治理层，JFrog 则集成 OpenShell 扫描和验证智能体技能。

NVIDIA 在 AI Infra Summit 上公布 DSX MaxLPS 的首个部署验证结果：Lambda 在五机架 19 节点 HGX B200 集群上，用原本 16 节点的电力预算跑 19 节点，集群 token 吞吐提升 24%，从约 400 万 tokens/秒升至 500 万，每瓦性能提升 23%。

一家大型儿童医院利用开源 NVIDIA AI 开展心脏护理。文章以该医院为例，讲述其在心脏诊疗场景中采用 NVIDIA 开源 AI 技术的实践。

全球Robotaxi市场预计2035年达4000亿美元、超600万辆商业车辆运营，目前所有商业规模项目均运行在NVIDIA模块化技术栈上。该栈由三台计算机组成：DGX负责模型训练，Omniverse与Cosmos在RTX PRO服务器上做仿真验证，DRIVE Hyperion 10搭载双DRIVE AGX Thor提供车内计算。

AI 推理芯片厂商 d-Matrix 宣布采用 NVIDIA NVLink Fusion，将其下一代 Raptor XPU 接入 NVIDIA AI 基础设施平台。

OpenRouter 发文解读 NVIDIA 的 Nemotron 3.5 Lightning，这是一款 30B 总参数、约 3B 激活参数的混合专家开源权重模型，定位于工具调用、编码等高频、边界清晰的 Agent 执行步骤，与负责复杂推理的 Nemotron 3 Ultra（550B 总参数、55B 激活）形成分工。

NVIDIA 发布教程，讲解在 Jetson 上部署新一代开放推理模型的方法，以 Nemotron 3.5 Lightning 和 Qwen3.8-27B 为例。

本教程演示如何用 NVIDIA SkillSpector 评估 AI 技能的安全态势，构建包含干净、风险、恶意及 MCP 示例的合成技能市场，并通过 LangGraph 检查流水线扫描每个技能。

该教程基于 NVIDIA cuTile Python 实现了分块 GPU 内核编程工作流，在 Colab 环境中配置 GPU、驱动、CUDA 及 cuTile 可用性后，分别构建了 tiled 向量加法、矩阵加法和矩阵乘法核函数，并以 PyTorch 作为回退保持 notebook 可执行。每一步均通过 PyTorch 验证结果正确性，并基准测试了各阶段的中位运行时间。