U.S. Treasury Secretary Bessent said Iran's economy does not need to collapse and the regime only needs to come to its senses.

Bank of England governor and FSB chair Andrew Bailey told G20 finance ministers and central bank governors in a letter that frontier AI models’ cyber risks are increasing the risk of a market crash and called for more countries to control model releases. He said financial firms and tech groups must prepare for a “scenario in which multiple firms or shared‑technology dependencies are simultaneously more severely disrupted.” Bailey warned AI cyber risk is amplifying existing financial vulnerabilities — energy‑driven inflation, higher interest rates, elevated investor leverage and rich equity valuations. He urged countries to take “appropriate steps” to regulate releases of frontier AI models, an appeal that appears aimed at persuading the US to rethink its relatively light‑touch stance; President Trump’s recent executive order does not grant the government authority to block model releases.

SK海力士全球新聞中心的一篇文章稱，GPU和AI加速器是支撐大模型訓練和複雜推理請求處理的核心技術。但在實際服務環境中，AI性能並不只取決於計算速度。即便處理器已經準備好執行計算，如果數據不能及時送達，昂貴的加速器也只能空轉等待，拖累整個系統的效率。因此，只有當加速器的計算能力、數據供給速度和數據移動路徑三者協同工作時，AI系統才能發揮出全部性能。 這種協同之所以困難，根源在於算力與數據供給能力的增長嚴重脫節。 過去20年，服務器峯值算力約每兩年增長3倍，但DRAM帶寬只提升了1.6倍，互連帶寬更僅增長1.4倍——計算跑得飛快，“喂數據”的速度卻遠遠跟不上。這個日益擴大的“內存牆”，正在取代算力本身成爲AI系統的首要瓶頸。 解決問題的關鍵在於圍繞數據路徑設計系統，而非只盯着算力。高頻數據應靠近處理器存放，海量數據通過存儲和網絡高效獲取——不可能把所有信息都放在最快的位置，因此數據的存放位置和移動路徑必須兼顧速度、容量、成本和能效。軟件調度同樣決定成敗：哪個任務先處理、數據何時預取、任務如何分配，不合理就可能製造新瓶頸。 這種“以數據流爲中心”的思維方式，正在重塑AI基礎設施的競爭格局。 快速的GPU、高帶寬內存、大容量存儲和高速網絡，任何單項再強，若各自爲政都撐不起整體性能。半導體廠商、服務器製造商、網絡設備商、雲服務商和存儲企業不能再只優化自家部件，而是必須基於全鏈路數據流協同設計。 更快的GPU依然是AI基礎設施的核心，但問題已經向前邁進了一步：數據能多快、多高效地到達GPU並被處理？決定AI性能的下一個瓶頸，就從這個問題開始。