Spuštění velké služby AI inference pro otevřenou vědu v Argonne National Laboratory

Soutěž na stavbu větších modelů AI dominuje titulky již několik let, ale jedna z největších výzev ve vědeckém výpočtu zůstáválargely nevyřešena: jak mohou výzkumníci skutečně používat pokročilé systémy AI ve velkém měřítku bez budování vlastních nákladných infrastruktur.

To je problém, který se Argonne National Laboratory nyní snaží vyřešit spuštěním toho, co popisuje jako první velkou službu AI inference speciálně navrženou pro otevřenou vědu.

Nová služba, vyvinutá prostřednictvím Argonne Leadership Computing Facility (ALCF), poskytuje výzkumníkům cloudový přístup k velkým jazykovým modelům, vědeckým základním modelům a počítačovým vizuálním systémům, které běží přímo na high-performance computing infrastruktuře Argonne. Místo toho, aby trénovali své vlastní modely nebo spravovali specializované hardwarové klastry, mohou vědci využít sdílenou inferenční platformu optimalizovanou pro velké výzkumné pracovní postupy.

Proč AI inference záleží pro vědu

Velká část konverzace o AI se soustředí na trénování modelů, ale inference je fáze, ve které se systémy AI stávají prakticky užitečnými. AI Inference je fáze, ve které trénované modely analyzují data, generují předpovědi, interpretují výsledky nebo pomáhají s rozhodováním v reálném čase.

Pro vědecký výzkum může inference dramaticky urychlit tempo experimentování. Ohromné datové sady z urychlovačů částic, teleskopů, fúzních experimentů, genomických projektů a molekulárních simulací často přetížují tradiční analytické potrubí. Systémy AI inference mohou rychle interpretovat tyto datové sady, pomáhají výzkumníkům identifikovat vzory nebo anomálie, které by jinak trvaly týdny nebo měsíce, než by je objevili.

Nová služba Argonne je určena k odstranění významné úzkého místa tím, že zpřístupní pokročilé inferenční schopnosti jako centralizovanou zdrojovou, místo toho, aby vyžadovala, aby každá instituce nasadila svůj vlastní AI stack.

Michael Papka, ředitel ALCF, popsal iniciativu jako posun od poskytování pouze surového výpočetního výkonu směrem k poskytování integrovaných AI-podporovaných vědeckých služeb.

Národní AI infrastruktura pro výzkum

Služba inference je úzce spojena s širším Genesis Mission ministerstva energetiky USA, národní iniciativou zaměřenou na urychlení vědeckého objevu prostřednictvím AI-poháněné infrastruktury. Cílem mise je propojit superpočítače, vědecká zařízení a velké datové sady do jednotného AI ekosystému, který by mohl podporovat další generaci výzkumu.

Systém Argonne již podporuje výzkumníky z několika laboratoří ministerstva energetiky USA, včetně Brookhaven National Laboratory, Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory a Los Alamos National Laboratory. Širší vize je vytvořit propojenou národní výzkumnou platformu, kde mohou AI nástroje, experimentální data a superpočítačové zdroje fungovat společně bezproblémově.

To je zvláště důležité, protože vědecké AI úkoly stále více zahrnují agentic workflows, kde modely opakovaně interagují se simulačními systémy, databázemi a analytickými nástroji. Tyto workflows mohou generovat enormní spotřebu tokenů a výpočetní náklady, když se spouštějí na komerčních AI platformách. Infrastruktura Argonne je navržena tak, aby podporovala tyto workflows interně pro vědecké aplikace.

Technologie za platformou

Služba poskytuje přístup k několika modelovým rodinám, včetně modelů Gemma od Google (GOOGL ), rodiny LLaMA od Meta a systémů GPT-OSS od OpenAI, spolu s doménově specifickými vědeckými základními modely a interně vyvinutými systémy, jako je AuroraGPT.

AuroraGPT je zvláště pozoruhodný, protože reprezentuje širší ambici Argonne budovat AI systémy trénované speciálně na vědecké literatuře, datech a multimodálních výzkumných vstupech. Projekt prozkoumal extrémně velké architektury optimalizované pro vědecké uvažování a high-performance computing prostředí.

Infrastruktura sama běží na dedikovaných systémech ALCF, včetně Sophia a Metis, s plánovaným rozšířením na systémy NVIDIA-powered Tara a Minerva.

Mimo chatboty: Skutečné vědecké aplikace

Zatímco veřejná diskuse o AI se často točí kolem konverzačních asistentů, zaměření Argonne je pevně na urychlení výzkumu.

V oblasti výzkumu fúzní energie mohou inferenční modely monitorovat chování plazmy v reálném čase a potenciálně předpovídat poruchy, než nastanou. V astronomii a částicové fyzice mohou systémy AI analyzovat enormní proudy dat z teleskopů nebo urychlovačů částic, aby identifikovaly vzácné události více efektivně. V chemii a materiálovém inženýrství mohou inferenční systémy koordinovat komplexní molekulární simulace a automatizovat velké výpočetní workflows.

Jedním z příkladů, na které upozorňuje Argonne, je ChemGraph, AI-poháněná platforma navržená pro zjednodušení molekulárních simulačních workflows. Systém používá opakované interakce mezi AI nástroji pro koordinaci simulací, datové analýzy a iterativní experimentování v více propojeném workflow.

Širší implikace je, že vědecké výpočty se vyvíjejí z izolovaných superpočítačových úloh do kontinuálně interaktivních AI-podporovaných výzkumných prostředí.

Růst role Argonne v AI infrastruktuře

Založená v roce 1946, Argonne National Laboratory je již dlouho jednou z nejvýznamnějších vědeckých výzkumných institucí ve Spojených státech, zejména v oblasti high-performance computing, energetických systémů, materiálového inženýrství a jaderného výzkumu. Laboratoř funguje pod ministerstvem energetiky USA a sehrála centrální roli v několika generacích amerických superpočítačových iniciativ.

V posledních letech se Argonne stal stále více vlivným v AI-pro-vědu vývoji prostřednictvím projektů spojených s exascale computing a velkými vědeckými základními modely. Sám ALCF je domovem některých z nej pokročilejších výpočetních systémů v zemi, včetně Aurory, jedné z nejrychlejších superpočítačů na světě.

Spuštění služby inference odráží větší přechod, který se děje napříč akademickou a podnikovou výpočetní technologií: přechod od samostatných AI modelů směrem k integrovaným AI infrastrukturním platformám, které mohou podporovat kontinuální, velké měřítko úloh uvažování.

Pro vědecký výzkum by tento přechod mohl dramaticky zkrátit časový rámec mezi generací surových dat a významným objevem.