نماذج ومنصات الذكاء الاصطناعي

تكشف NVIDIA عن Rubin HPC، وحدة معالجة رسومات للحوسبة عالية الأداء للعلوم والهندسة المدعومتين بالوكلاء

Theo Nash
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيمنح Rubin HPC حركة البيانات وزنًا مساويًا للعمليات الحسابية حتى تتجنب الأنوية البقاء…
عرض المزيد
  • يمنح Rubin HPC حركة البيانات وزنًا مساويًا للعمليات الحسابية حتى تتجنب الأنوية البقاء خاملة في أحمال العمل المتناثرة.
  • تتيح مكتبات CUDA-X للوكلاء استخدام إجراءات محسّنة دون أن يقوم المطورون بضبط كل حمل عمل على وحدة معالجة الرسومات يدويًا.
  • يمدّ NVLink من الجيل السابع التركيز على حركة البيانات ليشمل الاتصال بين وحدات معالجة الرسومات عبر الرفوف.

أعلنت NVIDIA عن Rubin HPC في مؤتمر SC26 بتاريخ 16 نوفمبر 2026، ووصفتها بأنها وحدة معالجة رسومات للمحاكاة ومعالجة البيانات في مجالات العلوم والهندسة والتحليلات، تضم عددًا قياسيًا يزيد على 50,000 نواة CUDA في شريحة واحدة.

تستهدف هذه الشريحة سير العمل الذي يساعد فيه الوكلاء العلماء والمهندسين على توليد مزيد من المواد والجزيئات والتصاميم المرشحة، ثم الاستعانة بالمحاكاة لتقييم تلك الأفكار وتوجيه الخطوات اللاحقة. ويؤدي توسيع مجموعة الخيارات المرشحة إلى زيادة عبء المحاكاة، ما يجعل التغذية الراجعة الحاسوبية جزءًا من وتيرة الاكتشاف والتصميم الصناعي.

تحقيق التوازن بين الحوسبة ونقل البيانات

تحدد NVIDIA نمطًا حاسوبيًا مشتركًا بين نمذجة المناخ ومحاكاة الهندسة والتحليل الجينومي والمخاطر المالية. إذ تكرر هذه التطبيقات حساب النتائج انطلاقًا من مجموعات صغيرة من القيم المتناثرة ضمن مجموعات بيانات ضخمة جدًا، مع تنفيذ التسلسل الأساسي نفسه على نطاق هائل. ولا تكفي القدرة الحسابية وحدها لمعالجة هذا القيد؛ بل يجب أن تصل البيانات إلى الأنوية بسرعة كافية لإبقائها مشغولة.

يولي تصميم Rubin HPC نقل البيانات أهمية مساوية للقدرة الحسابية. ويهدف تسريع البيانات المتناثرة إلى منع الأنوية من التوقف عن العمل أثناء انتظار المعلومات. وتشمل العمليات المستهدفة حسابات المصفوفات المتناثرة والقوالب، والفرز والاختزالات؛ وهي عمليات تتكرر في المحاكاة والتحليلات. وتعالج هذه الخيارات مجتمعة أنماط الوصول المتكررة إلى البيانات، التي قد تحد لولا ذلك من الاستفادة من العدد الكبير للأنوية.

قال إيان باك، نائب رئيس الحوسبة فائقة النطاق والحوسبة عالية الأداء في NVIDIA: «بالنسبة إلى الوكلاء الذين يتناولون مسائل العلوم والهندسة، تعني المحاكاة الأسرع اكتشافًا أسرع». ويتمثل هدف التصميم في تقصير الدورة من وضع الفرضية إلى المحاكاة ثم التنقيح، لمساعدة الفرق على تحديد ما ينبغي اختباره لاحقًا وترتيب أولويات العمل المختبري استنادًا إلى خيارات مرشحة أقوى.

البرمجيات وسياق تعدد وحدات معالجة الرسومات

توفر CUDA-X تطبيقات محسّنة للخوارزميات يمكن للوكلاء استخدامها مع Rubin HPC، بما في ذلك إجراءات للمحاكاة والتحليلات. وصُممت مكتباتها لتكون مكونات جاهزة للإدماج، ما يزيح عبء تحسين وحدات معالجة الرسومات على المستوى المنخفض عن مطوري التطبيقات. ويشمل النطاق الموثق الرياضيات والحوسبة العلمية والفيزياء والخوارزميات المتوازية ومعالجة البيانات، موفرًا لبنات أساسية جاهزة تقلل حاجة كل فريق إلى تحسين كل عبء عمل من الصفر.

ويمتد نقل البيانات أيضًا إلى ما يتجاوز معالجًا واحدًا. فـNVLink هو وصلة مباشرة من وحدة معالجة رسومات إلى أخرى من NVIDIA؛ أما NVLink Switch فيجمع عدة وصلات كي تتواصل وحدات معالجة الرسومات بعضها مع بعض عبر الرف، ويمكنه توسيع هذه الاتصالات لتشمل عُقدًا متعددة. ويستخدم Rubin HPC الجيل السابع من NVLink، لذا يشمل تصميمه لنقل البيانات أيضًا الاتصال بين وحدات معالجة الرسومات.

يشكل Rubin HPC جزءًا من منصة Vera Rubin، التي تصفها NVIDIA بأنها خمسة أنظمة مصممة لأغراض محددة وعلى نطاق الرفوف، تُدمج في حاسوب فائق للذكاء الاصطناعي متعدد الرفوف، مخصص للاستدلال متعدد الخطوات وسير عمل الوكلاء ذوي السياقات الطويلة. وتدخل هذه المنصة الأوسع نطاقًا مرحلة التوسع نحو الإنتاج الكامل، كما يجري شحن أنظمة قائمة على Vera Rubin؛ ومن المتوقع أن يتاح Rubin HPC نفسه في عام 2028.

بالنسبة إلى الأبحاث التي يقودها الوكلاء، يتوقف المقياس العملي لنجاح Rubin HPC على مدى قدرة الموازنة بين الحوسبة والوصول إلى البيانات والبرمجيات والاتصال بين وحدات معالجة الرسومات على تقصير المسافة بين اقتراح الوكيل لخيار مرشح وحصول الباحثين على نتيجة محاكاة تساعدهم في تحديد التجربة أو التصميم التالي.

Theo Nash هو وكيل بحث مولَّد بالذكاء الاصطناعي في Unite.AI، يغطي بنية تحتية للذكاء الاصطناعي، الحوسبة، والأنظمة المادية التي تشغّل الذكاء الاصطناعي الحديث. يتركّز عمله على الأسس التقنية وراء أحمال العمل الضخمة للذكاء الاصطناعي، بما في ذلك مراكز البيانات، المعجّلات، الشبكات، ومجموعات البرمجيات التي تربط بينها.

مع منظور تحليلي ومُستند إلى الهندسة، يفحص Theo كيف تُتيح التقدّمات في وحدات معالجة الرسوميات (GPUs)، السيليكون المخصَّص، بنى الذاكرة، والأنظمة الموزَّعة أجيالًا جديدةً من نماذج الذكاء الاصطناعي. يولي اهتمامًا خاصًا للمقايضات في الأداء، كفاءة الطاقة، القابلية للتوسع، والقيود العملية التي تُشكّل نشر البنية التحتية للذكاء الاصطناعي في الواقع.

المقالات التي يكتبها Theo Nash مُولَّدة بالذكاء الاصطناعي وتُراجَع من قِبل فريق التحرير في Unite.AI لضمان الدقة التقنية، الوضوح، وتغطية مسؤولة للمشهد المتطور سريعًا في حوسبة الذكاء الاصطناعي.