[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-nvidia-30000-grant-usc-health-ai-zh":3,"article-related-nvidia-30000-grant-usc-health-ai-zh":32,"series-research-84f239c4-94f9-4a73-a284-21fb271139cd":78},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":24,"views":28,"created_at":29,"published_at":30,"topic_cluster_id":31},"84f239c4-94f9-4a73-a284-21fb271139cd","nvidia-30000-grant-usc-health-ai-zh","NVIDIA 3 萬美元補助瞄準 USC 健康 AI","\u003Cp data-speakable=\"summary\">USC 公布 \u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa> 的 3 萬美元學術補助，主打健康與 AI 研究，重點是 H100 GPU 時數，不是現金。\u003C\u002Fp>\u003Cp>說真的，這種補助很實際。它不是喊口號，也不是空泛的學術獎項。\u003Ca href=\"https:\u002F\u002Fkeck.usc.edu\u002Fresearch-funding\u002Ffunding-opportunities\u002F2026\u002F06\u002F03\u002Fnvidia-academic-grant-program-for-researchers\u002F\" target=\"_blank\" rel=\"noopener\">USC Keck School of Medicine\u003C\u002Fa> 在 2026 年 6 月 3 日貼出通知，對應的是 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Findustries\u002Fhigher-education-research\u002Facademic-grant-program\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA Academic Grant Program\u003C\u002Fa>。申請截止日是 2026 年 6 月 30 日，補助額度是 3 萬美元的 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fdata-center\u002Fh100\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA H100\u003C\u002Fa> GB hours，計畫期只有一年。\u003C\u002Fp>\u003Cp>這代表什麼？講白了，就是 NVIDIA 直接把算力拿來當補助內容。對做醫療影像、模型訓練、推論系統的人來說，這比一張漂亮證書實用太多。因為 AI 研究最貴的，常常不是人力，是 GPU 時數。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>內容\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>公告單位\u003C\u002Ftd>\u003Ctd>USC Keck School of Medicine\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>贊助方\u003C\u002Ftd>\u003Ctd>NVIDIA\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>申請截止\u003C\u002Ftd>\u003Ctd>2026 年 6 月 30 日\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>補助金額\u003C\u002Ftd>\u003Ctd>3 萬美元 H100 GB hours\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>計畫期\u003C\u002Ftd>\u003Ctd>1 年\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>研究範圍\u003C\u002Ftd>\u003Ctd>Health、Artificial Intelligence\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這筆補助到底買得到什麼\u003C\u002Fh2>\u003Cp>先講重點。這不是一般現金補助。USC 的通知寫得很清楚，NVIDIA 的學術補助提供的是 H100 GB hours。用途也很明確，包含 simulation、modeling、AI training、model development、AI \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa>、agents 和 systems software。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782692274946-mih0.png\" alt=\"NVIDIA 3 萬美元補助瞄準 USC 健康 AI\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>所以這筆錢的核心價值，不在於你能拿去買文具或差旅。它的價值在於，你能把昂貴的 GPU 時數換成研究進度。對很多研究團隊來說，這就是最卡的地方。模型還沒跑完，論文就卡住了。資料整理好了，算力卻不夠。\u003C\u002Fp>\u003Cp>如果你做的是醫療影像，H100 的吞吐量和記憶體會很重要。你如果在做 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 系統，推論成本和迭代速度就會變成瓶頸。這種補助很像是幫你補上那一段最燒錢的路。\u003C\u002Fp>\u003Cul>\u003Cli>補助額度是 3 萬美元\u003C\u002Fli>\u003Cli>計畫期只有 1 年\u003C\u002Fli>\u003Cli>用途鎖定 H100 GB hours\u003C\u002Fli>\u003Cli>每個 faculty 或 research group 每季只能送 1 件\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>USC 為什麼會特別適合這種案子\u003C\u002Fh2>\u003Cp>USC 的 \u003Ca href=\"https:\u002F\u002Fkeck.usc.edu\u002F\" target=\"_blank\" rel=\"noopener\">Keck School of Medicine\u003C\u002Fa> 本來就站在健康研究和 AI 的交會點。臨床團隊需要算力來跑影像、基因體、預測模型。AI 團隊則需要真實世界資料來驗證模型。這兩邊一碰，GPU 就會燒得很快。\u003C\u002Fp>\u003Cp>也因為這樣，這種補助很\u003Ca href=\"\u002Fnews\u002Fkrea-2-two-second-image-generation-teams-zh\">適合\u003C\u002Fa>已有方向的團隊。你不用從零開始想一個大計畫。你只要有一個明確問題，再把算力需求說清楚，就有機會把研究往前推一段。對研究生和 PI 來說，這種資源通常比再開一次會有用。\u003C\u002Fp>\u003Cp>但這裡也有一個限制。USC 明講了，每個 faculty 或 research group 每季只能送一件。這表示校內團隊不能各自亂投。要先協調，不然就會互相撞車。這種規則看起來很小，實際上很煩。\u003C\u002Fp>\u003Cblockquote>“The AI revolution in medicine is not coming to a hospital near you; it’s already here.” — \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fabout-nvidia\u002Fleadership\u002F\" target=\"_blank\" rel=\"noopener\">Jensen Huang\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話很 NVIDIA。語氣很滿，但方向沒錯。醫療 AI 已經不是紙上談兵。問題只剩下誰有資料、誰有算力、誰能把系統做完。這筆補助就是在補算力那一段。\u003C\u002Fp>\u003Ch2>跟其他研究補助比，差在哪裡\u003C\u002Fh2>\u003Cp>如果拿傳統學術補助來比，這案子很不一樣。它不是大範圍研究經費，也不是能自由支配的 seed grant。它更像一張算力券，外面包了一層研究用途。講難聽一點，就是把 GPU 直接包裝成學術資源。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782692273926-gefd.png\" alt=\"NVIDIA 3 萬美元補助瞄準 USC 健康 AI\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種設計很有針對性。對已經在做模型訓練的人，3 萬美元的 H100 時數很有感。對還在寫 proposal、收資料、跑行政流程的人，這種補助就沒那麼對味。因為它解的問題很明確，就是算力不夠。\u003C\u002Fp>\u003Cp>你可以把它跟常見研究資源做個簡單比較：\u003C\u002Fp>\u003Cul>\u003Cli>傳統 seed grant：可支配範圍較廣，但金額常分散\u003C\u002Fli>\u003Cli>公司算力補助：用途較窄，但直接補到瓶頸\u003C\u002Fli>\u003Cli>校內 cluster：排程方便，但熱門時段常卡住\u003C\u002Fli>\u003Cli>外部雲端租用：彈性高，但長期成本很痛\u003C\u002Fli>\u003C\u002Ful>\u003Cp>從這個角度看，NVIDIA 的學術補助其實很務實。它不想處理太多模糊地帶。它要的是能跑出成果的研究。這也很符合現在健康 AI 的現況。比起講願景，大家更在意模型能不能真的跑起來。\u003C\u002Fp>\u003Ch2>這類補助背後的產業脈絡\u003C\u002Fh2>\u003Cp>NVIDIA 早就不是只賣顯卡的公司了。現在它一邊賣\u003Ca href=\"\u002Ftag\u002F資料中心\">資料中心\u003C\u002Fa>硬體，一邊把學術界也拉進自己的生態系。對學校來說，這種合作很現實。你拿到算力，研究能前進。對 NVIDIA 來說，研究者熟悉 H100 和相關工作流，未來更容易接回它的產品線。\u003C\u002Fp>\u003Cp>這種模式在 AI 領域很常見。公司不一定直接給現金。它們更愛給雲端 credits、GPU hours、\u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 額度。原因很簡單。這些資源能把使用者留在自己的平台上。研究做得越多，黏性就越高。\u003C\u002Fp>\u003Cp>健康 AI 特別吃這一套。因為這個領域的資料敏感、訓練成本高、驗證流程長。沒有足夠算力，很多想法只會停在簡報裡。你可以說這很現實，也可以說很殘酷，但這就是現在的研究環境。\u003C\u002Fp>\u003Cp>再看 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fabout-nvidia\u002F\" target=\"_blank\" rel=\"noopener\">NVIDIA\u003C\u002Fa> 的學術補助頁面，它本來就把 higher education 和 research 團隊當成目標。USC 只是把這個計畫轉成校內可\u003Ca href=\"\u002Fnews\u002Fgemini-35-flash-computer-use-safeguards-zh\">操作\u003C\u002Fa>的通知。這種做法很像把大公司資源，翻譯成研究室看得懂的格式。\u003C\u002Fp>\u003Ch2>申請前該先想清楚的事\u003C\u002Fh2>\u003Cp>如果你在 USC，這案子可以看，但不要急著亂投。先看你的專案是不是真的需要 H100 時數。再看你的時程能不能塞進 1 年。最後確認同一個研究團隊有沒有其他人也在準備送件。這三件事沒弄好，很容易白忙一場。\u003C\u002Fp>\u003Cp>另外，通知也提到要先聯絡 \u003Ca href=\"mailto:karineh.petrossian@med.usc.edu\">Karineh Petrossian\u003C\u002Fa>。這代表校方希望先做人工篩選。換句話說，這不是完全自由投件的開放式申請。你最好先把研究目標、算力需求、資料類型和預期成果準備好。\u003C\u002Fp>\u003Cp>如果你問我這案子值不值得追，我會說值得，但前提很明確。你的瓶頸得真的是 GPU，不是題目還沒想清楚。因為這種補助最適合已經進入模型階段的團隊。對還在發散的人，幫助沒那麼大。\u003C\u002Fp>\u003Cp>我自己的判斷很直接。未來這種「算力型補助」只會更多，不會更少。學校和企業都知道，AI 研究最缺的不是 headline，而是可用的 GPU 時數。你如果現在就在做健康 AI，最好開始把計畫書寫得更像工程提案，\u003Ca href=\"\u002Fnews\u002Fopenclaw-openai-realtime-paid-api-not-subscription-perk-zh\">而不是\u003C\u002Fa>只像研究願景。\u003C\u002Fp>\u003C\u002Fh2>","USC 公布 NVIDIA 3 萬美元學術補助，主打健康與 AI 研究，申請截止日是 2026 年 6 月 30 日，內容是 H100 GPU 時數，不是現金。","keck.usc.edu","https:\u002F\u002Fkeck.usc.edu\u002Fresearch-funding\u002Ffunding-opportunities\u002F2026\u002F06\u002F03\u002Fnvidia-academic-grant-program-for-researchers\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782692274946-mih0.png","research","zh","bbf1fc85-2af5-4471-826a-39002a847a19",[17,18,19,20,21,22,23],"NVIDIA","USC","健康 AI","學術補助","H100","GPU 時數","醫療人工智慧",[25,26,27],"這筆補助是 H100 GPU 時數，不是現金。","申請截止日是 2026 年 6 月 30 日。","每個 faculty 或 research group 每季只能送 1 件。",0,"2026-06-29T00:17:30.617486+00:00","2026-06-29T00:17:30.598+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":33,"relatedLang":37,"relatedPosts":41},[34],{"name":35,"slug":36},"Nvidia","nvidia",{"id":15,"slug":38,"title":39,"language":40},"nvidia-30000-grant-usc-health-ai-en","NVIDIA’s $30,000 grant targets USC health AI","en",[42,48,54,60,66,72],{"id":43,"slug":44,"title":45,"cover_image":46,"image_url":46,"created_at":47,"category":13},"c649adb7-c8ae-4ade-a092-2c0d53beeb71","measuring-llm-behavior-portability-zh","LLM 行為不一定可移植","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782717472977-na8g.png","2026-06-29T07:17:29.597679+00:00",{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"637c3016-e364-4bfe-904e-5e60a18ed678","prompt-injection-ai-security-problem-zh","Prompt injection 已是 AI 資安問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782716580916-m1nm.png","2026-06-29T07:02:36.173749+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"118680f5-6212-4535-986a-50c4a0e71699","solver-choice-nash-equilibrium-selection-zh","求解器會改變納許均衡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782714784181-t42d.png","2026-06-29T06:32:31.062308+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"f303e5bb-372c-48f6-bfc3-f7a73a1e678b","proper-positive-only-learning-characterization-zh","正向樣本學習的完整界線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713880760-9ang.png","2026-06-29T06:17:33.749889+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"89159fcf-2fbb-4b72-9e05-7928e609a925","dexcompose-reuses-dexterous-policies-across-tasks-zh","DexCompose 讓手部技能可重用","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782712975186-mj1e.png","2026-06-29T06:02:28.144402+00:00",{"id":73,"slug":74,"title":75,"cover_image":76,"image_url":76,"created_at":77,"category":13},"b67223ce-e3cb-4161-9df6-b384e364eb87","hawor-hand-motion-mano-params-zh","HaWoR 把手部重建收斂成 MANO","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782705793656-d9q2.png","2026-06-29T04:02:46.420535+00:00",[79,84,89,94,99,104,109,114,119,124],{"id":80,"slug":81,"title":82,"created_at":83},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]