AI-modeller og platforme

NVIDIA lancerer DGX Spark HPC-udviklerkit til videnskabelig databehandling

Theo Nash
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterSættet med fire noder forbinder hvert system direkte til to naboer, så der ikke er…
Vis mere
  • Sættet med fire noder forbinder hvert system direkte til to naboer, så der ikke er behov for en netværksswitch.
  • NVIDIA positionerer lokal adgang til flere noder som en måde at undgå kødannelse for hvert job på delte servere.
  • HPC SDK-playbooken, der bringer udviklingsværktøjer til supercomputere til klyngen, er stadig undervejs.

NVIDIA lancerede DGX Spark HPC-udviklerkit den 16. november 2026 på SC26 i Chicago og tilbød forskere en stationær klynge med fire noder til videnskabelig udvikling og AI-udvikling. Systemerne har tilsammen 512 GB hukommelse og 20 TB NVMe-lagerplads.

Hver node er bygget op omkring NVIDIAs GB10 Grace Blackwell Superchip. Kittet kan skaleres fra én til fire noder; i den fulde konfiguration forbindes hvert system direkte med to nabosystemer i en ring via ConnectX-7-netværk. Denne opsætning fjerner behovet for at købe eller konfigurere en netværksswitch, mens den samlede kapacitet er beregnet til at fordele modeller og videnskabelige arbejdsbelastninger på tværs af klyngen.

NVIDIA oplyser, at NVFP4-kvantisering understøtter lokal implementering af modeller med op til 700 milliarder parametre på tværs af de fire systemer, og nævner DeepSeek V4.1 som eksempel. Denne funktion udvider kittets anvendelsesområde fra videnskabelige simuleringer til også at omfatte store AI-modeller, der kan fordeles på tværs af maskinerne.

HPC-software og udvikling på flere noder

En installationsvejledning til NVIDIAs HPC SDK, virksomhedens softwareudviklingskit til videnskabelig databehandling, er endnu ikke tilgængelig. NVIDIA oplyser, at den snart kommer og vil indeholde GPU-accelererede compilere til C, C++ og Fortran, biblioteker og værktøjer til grænsefladen for meddelelsesoverførsel – de samme udviklingsværktøjer, som bruges på NVIDIA-drevne supercomputere.

NVIDIA har til hensigt, at vejledningen skal understøtte opbygning og test af videnskabelige applikationer på tværs af fire noder, undersøgelse af, hvordan beregninger og data fordeles, samt fejlfinding af kommunikationsproblemer, inden teams skalerer op til større systemer. Vejledningen skal også understøtte udforskning af FP32-algoritmer og algoritmer med blandet præcision samt lokale simuleringer af molekylær dynamik og materialer.

De arbejdsbelastninger på fire systemer, der blev demonstreret, omfatter LAMMPS med Kokkos til simulering af materialer og NAMD til molekylær dynamik. NVIDIA oplyser, at det bredere DGX Spark-fællesskab også har valideret GROMACS til molekylær dynamik, OpenFOAM til fluiddynamik, WRF til vejrmodellering og NVIDIA NIM-mikrotjenester såsom OpenFold3 og Boltz-2 til forudsigelse af biomolekylære strukturer.

Lokale forskningsarbejdsgange og tilgængelighed

For teams med fastlagte beregnings- og serverressourcer fremhæver NVIDIA lokal adgang til flere noder som en måde at undgå at skulle vente i kø på hver enkelt opgave. Udvikling og fejlfinding kan foregå uafhængigt, delte servertimer kan reserveres til produktionskørsler, og upublicerede resultater samt proprietære datasæt kan forblive lokalt.

NVIDIA foreslår agentunderstøttede arbejdsgange, der forbereder input til simuleringer, starter kørsler og sammenfatter resultater, mens forskerne validerer opsætningen og konklusionerne. Andre foreslåede anvendelser omfatter træning af AI-modeller, der kan tilnærme langsommere simuleringer for at forfine vingedesign med henblik på mindst mulig modstand, samt indsnævring af en simulering med 10 millioner celler til de 50–500 dimensioner, der er relevante, inden man bruger tid på en supercomputer.

Kittet vises frem på SC26 og kan købes. DGX Spark-produkter og kabler kan købes via NVIDIA Marketplace og OEM-partnerne Acer, ASUS, Dell Technologies, GIGABYTE, H3C, HP, Lenovo, MSI og xFusion.

Kittets praktiske rolle er at fungere som et lokalt udviklingslag foran større, delte systemer: Forskere kan fejlfinde software til flere noder og kommunikationsproblemer ved deres skriveborde, mens de reserverer datacenterressourcer til produktionskørsler. Forbeholdet ved lanceringen gælder tidsplanen for softwaren, da HPC SDK-vejledningen, der bringer NVIDIAs udviklingsværktøjer til supercomputere til klyngen, endnu ikke er klar.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.