英伟达推Rubin HPC:超5万CUDA核心,押注AI智能体改写科学计算
英伟达正将AI基础设施的竞争进一步延伸至科学计算领域。在11月16日于芝加哥举行的超级计算大会SC26上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代GPU Rubin HPC,并围绕CUDA-X软件库、光子计算和量子计算等领域公布一系列进展,试图将GPU加速计算、AI智能体与传统高性能计算(HPC)整合到统
英伟达把AI基础设施的较量,往科学计算方向又推了一步。
11月16日,超级计算大会SC26在芝加哥召开,英伟达在会上亮出新一代GPU Rubin HPC,这款产品面向科学计算、工程仿真和数据分析等场景。
这场发布传出的关键信息是:AI智能体的兴起,正让仿真计算的需求发生变化。
核心硬件落在Rubin HPC身上。它和主要服务AI训练、推理的GPU不同,这款芯片瞄准的是科学与工程计算中频繁读取大量数据的任务。
SC26期间,英伟达还披露了相关软件与工具的最新进展。
综合SC26传出的信息,英伟达要争的不只是AI训练和推理的GPU市场,科学计算、工程仿真等方向同样在其视野之内。
Rubin HPC:单颗GPU逾5万CUDA核心,为科学计算专门优化
据英伟达介绍,Rubin HPC是Vera Rubin平台新增的一款GPU,专门面向科学、工程和数据分析负载。单颗GPU集成超过5万个CUDA核心,规模创下新高。
英伟达指出,科学计算和传统AI训练任务差别明显。气候建模、工程仿真、基因组分析、金融风险计算这些应用,往往要从海量数据里反复提取分散的信息,再执行计算,如此循环往复。所以只堆GPU计算核心解决不了问题,数据传输和处理能力也得同步跟上,否则计算核心就会空等数据。
Rubin HPC的设计重点,正是让数据移动与计算能力保持平衡,靠加速数据通路来释放算力。
英伟达尤其点出AI智能体带来的需求变化。智能体能帮科学家和工程师探索更多候选材料、分子结构和工业设计方案,而这些方案要靠仿真计算来验证。智能体提出假设后,可调用仿真工具测试,再依据反馈调整下一步研究方向。GPU仿真越快,研究人员能试的方案就越多。
按照英伟达的说法,Rubin HPC预计2028年上市。公司想借这款产品把AI智能体、GPU加速仿真和科学数据处理串起来,压缩从提出假设到验证发现的周期。
CUDA-X扩围科学计算:黑洞分析从一个月缩到8分钟
英伟达这次着重亮出的 CUDA-X 软件库,作用在于让 AI 智能体可以调用专业科学计算工具;Rubin HPC 提供的则是硬件算力。
SC26上,英伟达公布了CUDA-X库的扩展情况,覆盖多个学科方向。
天文学的一项应用很能说明问题。
事件视界望远镜(EHT)的观测数据处理就用上了新工具。
英伟达推出的cuPhoton.xBeam模块,可用GPU加速射电天文数据的关联处理,把原本需要一个多月的分析任务压到8分钟。该工具已用于分析黑洞喷流J1924和3C279的观测数据,并推动梅西耶87星系中心黑洞的实时图像重建。
核聚变研究方面,英伟达展示了cuPhoton.xLens的用法。研究人员能在等离子体仿真运行的同时提取数据、分析结果,不必等实验或计算全部结束再动手。搭配运行在本地系统上的Nemotron智能体,他们还能对仿真结果做交互式分析,随时调整模拟方向,为聚变反应堆靶室和腔体设计提供参考。
药物研发方面,cuPotential基于西蒙斯基金会Flatiron研究所及D. E. Shaw Research的相关研究成果开发,可把现有分子模拟软件的运行速度最高提高3倍,计算稳定性和准确性也有改善。该工具有助于生成供生成式AI模型训练用的合成数据,还能帮研究人员找到此前未知的分子结合位点、算出分子之间的相互作用强度。
材料科学领域,英伟达介绍了Daviator工具,这是一组面向广泛使用场景的模块。
生物医学领域,新开源的cuSpa能加速细胞多边形计算,支撑大规模空间图谱以及患者、癌症模型的构建。纪念斯隆凯特琳癌症中心的相关应用,相比CPU最高实现900倍加速。
英伟达还介绍了其他几项工具进展。
这些案例说明,英伟达想把CUDA-X从传统的GPU计算加速工具,进一步做成AI智能体可以直接调用的科学计算工具集。智能体不光负责理解研究问题、规划步骤,还能调用专门的算法库完成数据处理、模拟和分析。
光子互连和量子计算:超级计算基础设施的两块拼图
除了GPU和科学计算软件,英伟达这次还把触角伸向超算系统的网络互连,以及量子计算与经典超算的融合。
网络这块,云服务商Lambda正在部署英伟达光子交换机。英伟达表示,Lambda的测试显示,跟传统可插拔光模块相比,用上光子交换机后,机架级网络延迟降低约4%,Pod级网络延迟最高降低约10%,吞吐量则保持相当水平。
英伟达称,光子技术的做法是把光引擎和交换芯片封装到一起。相比传统可插拔光模块,它能带来最高5倍的能效提升和最高15倍的可靠性提升,激光器数量则降到传统方案的四分之一。
对规模庞大的AI集群来说,网络一出故障,可能让数千颗GPU同时等数据,整个系统的利用率随之下降。随着智能体推理和分布式计算需求增加,网络延迟、功耗和可靠性也会成为影响算力效率的重要因素。
量子计算方面,英伟达正在通过扩展Slurm来推进。英伟达透露,过去五年,超算中心部署的量子处理器数量增长接近7倍,目前全球近30家超级计算中心正在部署超过50台量子处理器。
许多超算中心本来就用Slurm管理CPU和GPU计算任务,英伟达希望扩展Slurm对量子处理器的支持,让研究人员在熟悉的工作流里统一调度经典计算资源和量子计算资源。这次Slurm的更新基于此前与IBM、Pasqal及量子计算社区的合作,量子处理器制造商可以通过统一接口接入不同超算中心,减少每个量子处理器与不同超算系统之间重复开发适配软件的工作。
新版本还支持量子处理器与经典计算资源的协同调度。
与此同时,英伟达还扩展了量子计算相关的开发工具。
在量子与经典计算结合的方向上,英伟达给出了实际用例:QunaSys 用 1024 颗英伟达 Hopper GPU 跑出超过 3 亿次量子操作的模拟,在四氢原子模型上做到了化学精度;英伟达自己的研究人员则借助德国于利希研究中心的量子计算机做了相关研究。
CUDA 20周年:开发者生态是长期底牌
SC26还有一项具有象征意义的节点:英伟达正在庆祝CUDA发布20周年。
2006年11月,英伟达正式推出CUDA,并在当年的超级计算大会SC06上向科学计算领域推广这一GPU编程平台。研究人员可以通过相对熟悉的编程模型调用GPU做通用并行计算,GPU的应用范围也从图形处理扩展到科学模拟、工程计算和数据分析。
20年来,CUDA逐渐成为英伟达加速计算生态的核心。英伟达表示,目前全球已有超过1100万名开发者使用CUDA,CUDA-X则拥有超过1000个库。
英伟达列出的代表性案例有这么几个:伊利诺伊大学研究团队用 CUDA 加速分子动力学模拟,推进了艾滋病病毒衣壳原子结构的研究;多伦多大学研究人员用两颗英伟达 GPU 训练 AlexNet,促成了 2012 年深度学习领域的突破;2024 年拿下诺贝尔化学奖的 AlphaFold 2 蛋白质结构预测软件,同样靠 CUDA 做 GPU 计算。
早先它服务的是科学模拟和工程计算,后来变成深度学习和生成式 AI 发展的重要基础,如今又为 AI 智能体提供科学算法和专业计算工具。20 年积累下来的这套软件生态,正被英伟达往 AI 驱动的科研领域继续推。
Vera CPU机架明年初上市,戴尔、慧与、联想和超微电脑供货
英伟达同时宣布,面向高性能计算的 Vera CPU 机架级平台预计 2027 年初起供货,供应方包括戴尔科技、慧与科技(HPE)、联想和超微电脑。
该平台把192颗Vera CPU整合在一个机架中,并通过英伟达的网络技术实现互连。
英伟达称,该平台旨在加速气候建模、分子动力学模拟等数据密集型科学计算任务。