今日AI动态：欧委会小组会议、Ai2与TME模型

知识状态截至2026-10-11。源材料收集于2026-10-10。

今天的汇总涵盖了迈向AI系统安全、计算基础设施优化以及高精度计算改进的重要步骤。欧盟委员会正在讨论高风险事件，Ai2的研究人员部署了预算制GPU分配模型，而计算内核优化专家则在TME模型中获得了新组件。以下是关于监督方法、集群效率和fp64模拟性能的详细分析。

今日要点 (TL;DR)

• AI安全：在分析了失控事件后，欧盟委员会科学小组正致力于制定关于前沿模型安全的建议。
• Ai2：该研究所在GPU集群中部署了分层预算模型，以消除研究人员对资源的低效使用。
• TME：TME模型的作者添加了数据解构成本组件，指出了NVIDIA B300芯片中fp64模拟的真实性能极限。

欧盟委员会科学小组关于AI安全特别会议

欧盟委员会于2026年10月9日组织了科学小组特别会议，专门讨论与先进人工智能相关的安全和风险。负责技术主权、安全与民主执行副主席Henna Virkkunen参与了此次会议。

科学小组汇集了60名独立专家，其任务是就系统性风险、模型评估方法、AI系统分类以及跨境市场监督等方面向人工智能办公室和国家机构提供咨询。会议期间，专家们分析了与失控AI系统相关的事件。作为后续行动的一部分，该小组与人工智能办公室一起制定了一份针对受这些事件影响的模型开发人员的问题清单。小组的工作成果预计将为欧盟委员会关于前沿模型安全的建议提供参考。

对于AI构建者：从事前沿模型训练或部署的工程团队应监控未来由小组工作产生的风险评估方法指南。来源并未明确指出失控事件具体涉及哪些模型，也没有说明向技术开发者发送了哪些具体问题——这些信息仍然保密。

Allen Institute for AI的GPU集群任务调度优化

Ai2的AI基础设施团队于10月9日描述了新任务调度系统的部署，旨在改善GPU集群中计算资源的管理。该研究所管理着数千个NVIDIA H100、B200和B300单元，这些单元分为88至1024个GPU规模不等的集群，支持约150名内部研究人员，从事LLM和VLM训练、机器人强化学习以及智能体科学应用等工作。

此前使用的基于优先级的系统导致了诸如“占用”非活动进程的资源或优先级通胀等现象，其中所有任务都被标记为高优先级。在需求超过供给2-3倍的情况下，该研究所转向了预算模型。项目管理者不再分配具体的GPU，而是获得可以根据研究战略进行分配的计算时间预算。

新系统利用了分层公平共享（hierarchical fair-share），保证项目获得集群总性能的特定百分比。每个资源请求都需要来自指定预算的资金，没有预算的任务将受到抢占。由于这一过程，GPU分配过程变成了一个透明的管理机制，而不是在个人模式下解决的操作任务。这种方法旨在迫使使用者更有效地使用资源，因为试图绕过系统的行为会消耗其分配的预算。

对于AI构建者：在大型共享计算基础设施上运行的团队可以分析从任务优先级排序转向基于分层时间划分的预算模型。文章未明确说明用于创建预算管理层具体使用了哪些开源工具或自有软件解决方案，也未说明在商业环境中部署此类系统的成本。值得检查现有的SLURM类解决方案是否具有原生模块，允许在无需构建自定义调度程序的情况下进行此类实现。

张量内存平衡模型中增加解构成本

根据2026年10月9日的一篇出版物，学术论文的作者为TME（Tensor-Memory Equilibrium）模型引入了第四个组件，该模型用于使用NVIDIA GPU模拟fp64精度。新组件考虑了每个输入的单个数据解构成本。

作者指出，在能够执行矩阵乘法运算之前，每个传输的fp64操作数必须在SIMT流水线上经历每个r值的缩放、舍入和模归约过程。引入了操作强度阈值（OI*）的封闭式公式，对于NVIDIA B300芯片，该阈值约为0.56 FLOP/B。在此值以下，模拟无法在性能上与原生fp64计算相媲美。

应用该模型的结果表明，GEMV、SpMV和低批次GEMV内核达到了原生性能的0.3到0.9，并且7点stencil达到了1.8倍，而不是先前估计的3.1倍。该模型同时表明，稠密GEMM操作不受这些限制的影响。作者建议，预编译和残差存储将操作成本转移到了内存带宽吞吐量方面。

对于AI构建者：从事GPU上低级计算内核优化的人员可以检查其操作是否超过了OI* = 0.56 FLOP/B阈值。该出版物没有明确指出NVIDIA B300以外的其他GPU架构中是否存在指出的性能限制，也没有提及建议的残差预编译的实现成本。

常见问题解答 (FAQ)

为什么Ai2放弃了GPU集群中的任务优先级排序？

以前的系统导致非活动进程占用资源以及优先级通胀，其中所有任务都被标记为高优先级。在需求超过供应的情况下，该研究所转向了预算模型，该模型通过分层公平共享保证了项目的具体性能百分比，并强制更有效地利用基础设施。

将解构成本引入TME模型意味着什么？

添加此组件可以更精确地模拟NVIDIA处理器上的fp64精度。作者将操作强度阈值设定在0.56 FLOP/B的水平。在此值以下，模拟在性能上无法与原生计算相媲美，这会影响SpMV或低批次GEMV等具体计算内核所取得的结果。

Źródła

• Commission holds special meeting of Scientific panel on frontier AI safety and risks — 2026-10-09
• Impactful scheduling for GPU clusters — 2026-10-09
• The Missing Fourth Term for the Emulation Tensor Memory Equilibrium (TME) Model: The Residue Deconstruction Cost — 2026-10-09