AX 严选 · 2026-05-30

Simon Willison 把 Python 的 ASGI 网页应用（比如 FastAPI 和他自己的 Datasette）完全塞进了浏览器。做法是用 Pyodide 把 Python 编译成 WebAssembly，再配合 Service Worker 拦截浏览器请求，直接在本地跑 Python 后端逻辑。这比四年前他做的 Datasette Lite 更进一步：旧方案用 Web Worker 模拟，页面里的 JavaScript 脚本跑不起来，很多插件会挂；新方案用 Service Worker 走完整的 ASGI 协议，脚本能正常执行，兼容性好得多。 代码是让 Claude Opus 4.8 帮忙写的，他给了两个能跑的演示：一个基础 FastAPI 例子，一个 Datasette 1.0a31 完整版。这说明方案不是针对某个应用的特例，对遵循 ASGI 标准的 Python 应用都适用。 不过正文没提性能开销和首屏加载时间。Pyodide 本身初始化就不快，加上 Service Worker 拦截所有请求，实际延迟和内存占用会是多少，目前没有数据。另外，这种方案只适合处理同源请求，跨域场景和需要真实后端数据库的应用还是得老老实实搭服务器。他说等自己搞明白原理后会升级 Datasette Lite，到时候可以看看实际体验到底怎么样。

这条消息目前还停留在“据报道”阶段，源头是《论坛报》和《金融时报》，软银官方没有确认。750亿欧元这个数字非常夸张——法国政府之前整个“法国2030”计划拨给AI的总预算才25亿欧元左右，一下子多出几十倍的体量，如果属实，会直接改变欧洲算力格局。钱主要投向AI数据中心，也就是给大模型训练和推理提供算力的基础设施。但正文没披露具体建多少座、选址在哪、分几期投入、软银是独资还是拉当地伙伴一起干，这些关键信息全是空白。另外，750亿是承诺投资还是实际到位资金也没说清，这种超大额投资通常分多年、附带条件，落地过程中变数很多。在软银正式公告出来之前，这条消息更适合当信号看，别急着当事实用。

NVIDIA 给 Dynamo 推理服务框架配了个叫 DynoSim 的仿真工具，用 Rust 写成。它的思路是把部署测试从“一个个试”变成“先在虚拟时间线上模拟、再挑最好的上真机”，一次能筛几千种配置。测试里它跑到实时速度的 1500 倍，这个数字说明模拟本身很快，但正文没披露跑在什么硬件上、支持哪些模型、以及最终上真机后的延迟和吞吐到底省了多少。所以 1500 倍更像一个上限参考，实际能省多少部署调参时间还得看具体场景。另外，仿真保真度也没给量化指标——如果模拟和真实表现偏差大，筛出来的“最佳配置”可能还得返工。对做推理部署优化的团队来说，这个工具如果能接入自己的模型和流量模式，价值会更大，但目前公开信息里看不到开放程度和接入方式。

NVIDIA 计划在 6 月 2 日的 Computex 上发布一款叫 N1X 的 ARM 笔记本芯片，把自家的 Blackwell GPU 和 AI 计算单元集成到一颗 SoC 里。这基本就是冲着高通骁龙 X Elite 和苹果 M 系列去的，想在 Windows on ARM 的笔记本市场里插一脚。 不过现在能确认的信息很少。Reddit 上的爆料帖被网络策略挡了，正文没披露任何架构细节、核心数、功耗或跑分。另一条来源也只是转述了“或将于六月发布”这个时间点，没有补充技术参数。所以这颗芯片到底能不能打，现在完全没法判断。 我会先打个折：NVIDIA 做 ARM SoC 不是第一次，之前的 Tegra 在消费端没掀起太大浪。这次的关键看两点——GPU 性能能不能拉开和竞品的差距，以及 Windows 对 ARM 的生态支持到不到位。这两点目前都缺信息，等 Computex 的实测再下结论。

这条爆料的核心信息是：xAI 不用 JAX 在 NVIDIA GPU 上训练了，自己用 Grok Build 写了一套 C 语言训练框架。SemiAnalysis 给出的理由是 xAI 的 JAX 方案模型浮点利用率（MFU）不到 10%，也就是说大部分 GPU 算力没花在正经训练上，都耗在调度和通信开销里了。这个数字如果属实确实很低，但正文没披露测试环境、模型规模、并行策略这些关键条件，没法判断是 JAX 本身的问题还是 xAI 工程实现的问题。 NVIDIA 的 JAX 团队过去两年主力支持 xAI 却没能留住这个客户，侧面说明大客户对训练效率的容忍度在收紧。自研 C 框架听着硬核，但用 Grok Build 这种 AI 辅助写底层训练代码，稳定性和可维护性都是未知数。还缺的信息是：新框架的 MFU 到底提到了多少，以及这套方案会不会开源或对外输出。