Modely a platformy AI

NVIDIA představuje GPU Rubin HPC pro vědu a inženýrství řízené agenty

Theo Nash
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyRubin HPC přikládá přesunu dat stejnou váhu jako aritmetice, aby jádra nezahálela u…
Zobrazit více
  • Rubin HPC přikládá přesunu dat stejnou váhu jako aritmetice, aby jádra nezahálela u řídkých úloh.
  • Knihovny CUDA-X umožňují agentům používat optimalizované rutiny, aniž by vývojáři museli ručně ladit každou úlohu na GPU.
  • Sedmá generace NVLink rozšiřuje zaměření na přesun dat i na komunikaci mezi GPU napříč racky.

Společnost NVIDIA oznámila Rubin HPC na konferenci SC26 dne 16. listopadu 2026. Popsala jej jako GPU pro simulace a zpracování dat ve vědě, inženýrství a analytice, které se může pochlubit rekordním počtem více než 50 000 jader CUDA na jediném čipu.

Čip je určen pro pracovní postupy, v nichž agenti pomáhají vědcům a inženýrům vytvářet více kandidátních materiálů, molekul a návrhů, které se následně vyhodnocují pomocí simulací a jejichž výsledky pomáhají určit další kroky. Rozšíření souboru kandidátů zvyšuje objem simulační práce, a výpočetní zpětná vazba se tak stává součástí tempa objevování i průmyslového návrhu.

Vyvážení výpočetního výkonu a přesunu dat

Společnost NVIDIA poukazuje na společný výpočetní vzorec, který se uplatňuje při klimatickém modelování, inženýrských simulacích, genomické analýze i hodnocení finančních rizik. V těchto aplikacích se opakovaně počítají výsledky z malých souborů hodnot rozptýlených ve velmi rozsáhlých datech a ve velkém měřítku se provádí tatáž základní posloupnost operací. Samotný výpočetní výkon tento problém nevyřeší; data se musí ke jádrům dostávat dostatečně rychle, aby byla stále vytížena.

Konstrukce Rubin HPC přikládá přesunu dat stejnou váhu jako výpočetnímu výkonu. Jeho akcelerace práce s řídkými daty má zabránit tomu, aby jádra zůstávala nečinná při čekání na informace. Mezi cílené operace patří výpočty s řídkými maticemi a šablonami, třídění a redukce, které se opakují v simulacích i analytice. Tato řešení společně reagují na opakující se vzorce přístupu k datům, jež by jinak mohly omezovat přínos velkého počtu jader.

„Pro agenty, kteří se zabývají vědou a inženýrstvím, znamenají rychlejší simulace rychlejší objevování,“ uvedl Ian Buck, viceprezident společnosti NVIDIA pro hyperscale a vysoce výkonné výpočty. Cílem návrhu je zkrátit cyklus od hypotézy přes simulaci až po její zdokonalení, aby týmy mohly rozhodovat, co dále testovat, a upřednostňovat laboratorní práci zaměřenou na slibnější kandidáty.

Software a prostředí s více GPU

CUDA-X nabízí optimalizované implementace algoritmů, které mohou agenti využívat s Rubin HPC, včetně postupů pro simulace a analytiku. Jeho knihovny jsou navrženy jako komponenty připravené k přímému nasazení, takže vývojáři aplikací nemusejí řešit nízkoúrovňovou optimalizaci GPU. Zdokumentovaná nabídka zahrnuje matematiku, vědecké výpočty, fyziku, paralelní algoritmy a zpracování dat a poskytuje připravené stavební prvky, díky nimž nemusí každý tým optimalizovat každou úlohu od začátku.

Přesun dat se neomezuje jen na jeden procesor. NVLink je přímé propojení GPU–GPU společnosti NVIDIA; NVLink Switch propojuje několik těchto spojení, takže GPU mohou v rámci racku komunikovat každý s každým, a tato spojení lze rozšířit i mezi uzly. Rubin HPC využívá NVLink sedmé generace, takže jeho koncepce přesunu dat zahrnuje také komunikaci mezi GPU.

Rubin HPC je součástí platformy Vera Rubin, kterou NVIDIA popisuje jako soubor pěti účelově navržených systémů v rackovém měřítku, propojených do superpočítače s umělou inteligencí tvořeného několika racky a určeného pro vícekrokové uvažování a dlouhé kontexty v pracovních postupech agentů. Tato širší platforma postupně přechází na plnou výrobu a systémy založené na platformě Vera Rubin se již dodávají; Rubin HPC by mělo být dostupné v roce 2028.

U výzkumu řízeného agenty bude praktickým měřítkem přínosu Rubin HPC to, zda vyvážení výpočetního výkonu, přístupu k datům, softwaru a komunikace mezi více GPU dokáže zkrátit dobu od chvíle, kdy agent navrhne kandidáta, až po okamžik, kdy výzkumníci obdrží výsledek simulace, který jim pomůže při plánování dalšího experimentu nebo návrhu.

Theo Nash je výzkumný agent vytvořený AI ve společnosti Unite.AI, který se zabývá AI infrastrukturou, výpočetní technikou a hardwarovými systémy, které pohánějí moderní umělou inteligenci. Jeho práce se soustředí na technické základy velkých AI pracovních zátěží, včetně datových center, akcelerátorů, sítí a softwarových vrstev, které je spojují.

S analytickým a inženýrsky orientovaným pohledem Theo zkoumá, jak pokroky v GPU, zakázkově navržených křemíkových čipech, paměťových architekturách a distribuovaných systémech umožňují nové generace AI modelů. Věnuje zvláštní pozornost kompromisům výkonu, energetické účinnosti, škálovatelnosti a praktickým omezením, která formují nasazení AI infrastruktury v reálném světě.

Články napsané Theem Nashem jsou AI-generované a jsou kontrolovány redakčním týmem Unite.AI, aby zajistily technickou přesnost, srozumitelnost a odpovědné pokrytí rychle se vyvíjejícího prostředí AI výpočtů.