研究团队自2018年提出自泵单向导液敷料概念以来，一直致力于解决过量渗出液导致的伤口愈合困难问题，先后研发了取向型、分形型自泵敷料，实现了持续、快速的伤口渗出液单向导出，解决了感染伤口、烫伤伤口等愈合慢的问题。

他们判断，这可能是拉库斯在与附近雄性猩猩打斗时受伤所致。仅仅一个月的时间，拉库斯的脸颊就痊愈了，只留下了一道淡淡的疤痕。

在科学记录中这是首例非人类动物使用有疗效的植物治疗开放性伤口的案例。研究人员注意到，生活在印度尼西亚勒塞尔火山国家公园的一只名叫拉库斯的雄性苏门答腊猩猩脸颊上有一道新的伤口他们使用超声波和微泡（医学成像中用于区分内部结构的小型充气气泡）进行超分辨率成像，以展现患者心脏微血管结构。论文合著者、伦敦帝国理工学院国家心肺研究所的心脏病专家罗克西表示，目前只能通过间接手段对心脏微血管进行评估，因此病情可能会被耽误。这项技术实现了对这些血管直接可视化，为治疗心脏疾病开辟了全新前景。

由于微血管尺寸很小，加之心脏的快速运动，对它们成像具有挑战性，特别是在分辨率低于1毫米的情况下。研究成果6日发表在《自然生物医学工程》杂志上。为飞船在轨飞行提供电能的主电源、关键阶段可确保航天员安全的应急电源、为返回舱提供电能的返回着陆电源、为轨道舱和返回舱提供火工控制能源的火工品电源等，在此次任务中都至关重要。

径向对接再次上演，神舟舵手稳如泰山神舟十八号飞船顺利入轨后，将采用6.5小时自主快速交会对接模式，与空间站核心舱实施径向交会对接，这是此次任务中的关键一环。相较于神舟十六号和神舟十七号飞船，神舟十八号飞船的电池容量更大、系统可靠性更高，能为任务提供更好的支持巨头蜂拥智能计算赛道寡头垄断与多体系并存计算核心企业加快智能计算产品端到端体系化布局，抢占产业生态主导权。目前国内企业均构建了与自研芯片相对应的端到端软件栈（含驱动层、编译器、加速库、工具链等），存在兼容英伟达CUDA生态和自研软件栈等技术路线。

框架+工具链+硬件紧密耦合的长链条，端到端紧耦合、接口互不兼容，致使上层应用与特定系统锁定，是形成繁多竖井生态的根本性因素。云平台及AI企业向底层芯片领域渗透，但仅少量自研芯片实际部署应用。

深度学习框架和软件栈间接口高效适配成为芯片好用的关键。以ChatGPT为代表的人工智能大模型突破性进展激发全球智能计算发展热潮，大模型算力需求远超半导体增长速度，算力需求增长与芯片性能增长之间逐渐不匹配。与通用计算芯片不同，智能计算芯片微架构创新对其算力提升影响超过工艺制程。英伟达巩固GPU芯片性能优势的同时，向CPU、服务器架构、云平台等下游渗透，借助B200、H100芯片和DGX SuperPOD计算集群主导地位开辟云服务DGX Cloud，使企业能够立即访问生成式AI应用和训练模型所需的基础设施与软件。

开发框架、软件栈竖井式的开发生态增加了应用开发人员的开发成本，应用企业为开发出能够适配多种异构AI芯片算力的算法程序，需建立多支开发团队、维护多个程序版本，成为业界运用异构算力的主要瓶颈。开发框架方面，提供分布式调度、访存优化、模型并行、数据并行等开发能力，支持分布式大模型高性能训练与推理已成为框架高效应用的关键。英伟达重视GPU微架构创新，2010年以来已累计实现9次架构升级，结合工艺升级实现了十年千倍的性能提升。2003年2023年20年间智能算力需求增长百亿倍，远超摩尔定律提升速度。

国内软件生态竖井及碎片化发展，应用跨平台迁移难度大、成本高。微软自研推理芯片Inferentia和训练芯片Trainium，2023年4月更新的Inferentia 2芯片进一步提升计算性能，通过多卡高速互联可完成千亿参数大模型推理任务。

RAS引擎基于人工智能的预防性维护技术完成芯片运行状态的诊断，最大化延长系统运行时间和降低运营成本。现阶段，业界通过算力堆叠以及芯片、软件、互联等协同技术系统性能提升以满足大模型智能算力激增要求，千卡算力芯片构建的集群成为千亿参数大模型训练的标配。

以ChatGPT为代表的多模态AI大模型成为人工智能迈向通用智能的里程碑技术，2018年2024年OpenAI公司先后发布GPT-3.5、GPT-4、Sora等大模型，参数规模突破万亿，模型训练数据量达TB级别，应用场景覆盖文生文、文生图、文生视频等多模态计算任务。高速互联是大规模算力集群构建的基础。但从实际应用来看，国内外云厂商仅在有限的特定算法场景中使用自研芯片，对外提供的稳定、可靠的高性能智能算力服务均基于英伟达加速卡产品实现。当前，智能算力需求倍增，千卡计算集群成为大模型训练标配，巨量参数、海量数据是人工智能大模型研发的必经之路。然而芯片侧，CPU依旧延续摩尔定律以两年性能翻倍的速度发展，GPU芯片通过架构创新持续强化并行计算能力，实现十年千倍增长速度（int8算力）。对于应用开发者而言，应用开发人员在使用多芯片异构算力进行AI算法实现过程中，不同厂家开发的框架应用程序接口、编程库和操作系统尚不统一，DSA架构专用芯片编程范式和软件栈互不兼容，需在OpenCL、OpenACC、OpenMP等多种模型范式间切换。

谷歌自研张量处理器芯片TPU历经五代迭代创新，于2023年8月发布新一代定制TPU v5e用于大模型训练和推理，目前已批量应用于自研LLaMA大模型训练推理任务中。根据公开数据测算，以AlexNet为代表的传统卷积神经网络模型训练计算量以5～7个月翻倍增长，当前基于Transformer的大模型计算量以4～5个月翻倍增长。

芯片、软件、互联等技术创新是算力提升关键多维度架构创新实现芯片性能倍增。软件栈方面，重点强化大模型加速库能力建设，通过向用户提供易用、高效的芯片编程接口，提高开发人员的工作效率，目前已推出针对深度学习计算、优化模型推理和加速科学计算、图形计算的专用加速库，满足多样化智能计算需求。

PyTorch采用类Python语法降低使用门槛，动态计算图设计思路便于灵活调试，加快模型的训练和优化过程，是当前算法应用开发的主力产品。但从全球智能计算芯片市场的规模来看，英伟达主导地位明显，市场占有率超80％，短期内领先的市场格局不会改变。

深度学习框架在支撑应用开发的同时，需要完成与底层芯片软件栈的高效适配。然而上述两款芯片至今仅支持微软自家云服务，尚未向合作伙伴和客户开放芯片产品供应。芯片间、服务器间、集群间的高速互联、无损网络能力建设，是支撑千卡、万卡智能算力集群计算需求的必备条件，英伟达新一代NVLink 5高带宽互联技术支持GPU间、GPU与Grace CPU直连，带宽从H100的900Gb/s提升到1800Gb/s，与NVLink交换机联合使用可最高支持576个GPU高速通信，是H100芯片最大直连数量的2倍，为支持万亿参数大模型训练提供基础。谷歌、微软、亚马逊等云厂商依托云计算优势向底层芯片领域渗透。

Cobalt 100是基于ARM架构的通用计算芯片，当前已为Microsoft Teams等应用提供支持。智能计算生态软硬深度绑定发展计算企业均构建了与自研芯片相对应的端到端软件栈。

最新Blackwell GPU架构内置第二代Transformer引擎和专用RAS安全引擎，全面提升计算效率和部署稳定性。微软于2023年11月发布Maia 100和Cobalt 100芯片，Maia 100专为Azure云生成式AI业务设计，提供自然语言处理、计算机视觉、推荐系统等计算服务，已在Bing和Office AI产品上完成测试。

一方面，英特尔、AMD等企业在工具链API接口协议等方面与CUDA对应一致，便于把CUDA程序快速迁移到自研GPU硬件平台，降低芯片应用门槛，满足不同应用开发及调试需求。另一方面，谷歌自研TPU芯片应用时，自研软件栈编译器等工具，针对特定算法应用进行优化，实现处理效率和性能的提升。

参数规模在百亿到千亿区间、训练数据TB级别以上，已成为研发具备涌现能力大模型的必备条件。英特尔围绕高性能计算优势领域，逐步向GPU、ASIC等面向人工智能技术路线的产品体系布局，推出Habana Gaudi 2、Xe GPU等产品。AMD强化CPU+GPU双芯片战略布局，CPU方面，通过改进分支预测、增加浮点支持指令等持续迭代升级芯片性能，GPU方面，发布基于CDNA 3架构的人工智能芯片MI300A和MI300X以抢占大模型算力市场份额。第二代Transformer引擎支持微张量缩放和动态范围管理算法，扩展支持新型FP6、FP4精度计算，实现自动调整精度以达到芯片最优算力性能

芯片、软件、互联等技术创新是算力提升关键多维度架构创新实现芯片性能倍增。谷歌自研张量处理器芯片TPU历经五代迭代创新，于2023年8月发布新一代定制TPU v5e用于大模型训练和推理，目前已批量应用于自研LLaMA大模型训练推理任务中。

然而上述两款芯片至今仅支持微软自家云服务，尚未向合作伙伴和客户开放芯片产品供应。英伟达巩固GPU芯片性能优势的同时，向CPU、服务器架构、云平台等下游渗透，借助B200、H100芯片和DGX SuperPOD计算集群主导地位开辟云服务DGX Cloud，使企业能够立即访问生成式AI应用和训练模型所需的基础设施与软件。

英特尔围绕高性能计算优势领域，逐步向GPU、ASIC等面向人工智能技术路线的产品体系布局，推出Habana Gaudi 2、Xe GPU等产品。高速互联是大规模算力集群构建的基础。