AI-modeller og platforme

NVIDIA lancerer Rubin HPC-GPU til agentdrevet forskning og ingeniørarbejde

Theo Nash
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterRubin HPC giver dataflytning samme vægt som aritmetik, så kerner undgår at stå ledige…
Vis mere
  • Rubin HPC giver dataflytning samme vægt som aritmetik, så kerner undgår at stå ledige ved sparsomme arbejdsbelastninger.
  • CUDA-X-biblioteker lader agenter bruge optimerede rutiner uden at udviklere finjusterer hver GPU-arbejdsbelastning manuelt.
  • Syvende generation af NVLink udvider fokus på dataflytning til kommunikation mellem GPU'er på tværs af racks.

NVIDIA annoncerede Rubin HPC på SC26 den 16. november 2026 og beskrev den som en GPU til simulering og databehandling inden for forskning, ingeniørarbejde og analyse med et rekordhøjt antal på mere end 50.000 CUDA-kerner på én chip.

Chippen er udviklet til arbejdsgange, hvor agenter hjælper forskere og ingeniører med at generere flere mulige materialer, molekyler og design, hvorefter simuleringer bruges til at evaluere idéerne og vejlede de næste trin. En større pulje af kandidater øger simuleringsarbejdet, så beregningsmæssig feedback bliver en del af tempoet i opdagelser og industrielt design.

Balance mellem beregninger og dataflytning

NVIDIA peger på et fælles beregningsmønster inden for klimamodellering, ingeniørsimulering, genomisk analyse og finansiel risiko. Disse anvendelser beregner gentagne gange resultater ud fra små sæt værdier, der er spredt ud over meget store datasæt, og udfører den samme grundlæggende sekvens i enorm skala. Beregningskapacitet alene kan ikke løse denne begrænsning; data skal nå frem til kernerne hurtigt nok til at holde dem beskæftiget.

Rubin HPC’s design tillægger dataflytning lige så stor vægt som beregningskapacitet. Accelerationen af sparsomme data skal forhindre, at kernerne står stille, mens de venter på information. De målrettede rutiner omfatter beregninger med sparsomme matricer og stencils, sortering og reduktioner – operationer, der gentages på tværs af simulering og analyse. Samlet set tager disse valg højde for tilbagevendende mønstre i dataadgangen, som ellers kan begrænse udbyttet af et stort antal kerner.

»For agenter, der arbejder med forskning og ingeniørarbejde, betyder hurtigere simulering hurtigere opdagelser,« sagde Ian Buck, NVIDIA’s vicepræsident for hyperscale computing og højtydende databehandling. Målet med designet er at forkorte forløbet fra hypotese over simulering til forfining, så teams lettere kan beslutte, hvad de skal teste som det næste, og prioritere laboratoriearbejdet omkring de mest lovende kandidater.

Software og sammenhængen med flere GPU’er

CUDA-X leverer optimerede algoritmeimplementeringer, som agenter kan bruge med Rubin HPC, herunder rutiner til simulering og analyse. Bibliotekerne er udformet som komponenter, der kan sættes direkte ind, så optimering på lavt GPU-niveau ikke længere påhviler applikationsudviklerne. Det dokumenterede anvendelsesområde omfatter matematik, videnskabelige beregninger, fysik, parallelle algoritmer og databehandling og stiller færdige byggesten til rådighed, der mindsker behovet for, at hvert team optimerer alle arbejdsbelastninger fra bunden.

Dataflytning rækker også ud over én processor. NVLink er NVIDIA’s direkte forbindelse mellem GPU’er; NVLink Switch forbinder flere links, så GPU’er kan kommunikere alle-til-alle på tværs af et rack, og den kan udvide disse forbindelser på tværs af noder. Rubin HPC bruger syvende generation af NVLink, så designet af dataflytningen omfatter også kommunikation mellem GPU’er.

Rubin HPC er en del af Vera Rubin-platformen, som NVIDIA beskriver som fem specialbyggede systemer i rackskala, der er kombineret til en AI-supercomputer med flere racks til ræsonnement i flere trin og agentarbejdsgange med lange kontekster. Den bredere platform er på vej ind i fuld produktion, og systemer baseret på Vera Rubin bliver sendt ud; det forventes, at Rubin HPC selv bliver tilgængelig i 2028.

For agentdrevet forskning vil den praktiske målestok for Rubin HPC være, om balancen mellem beregninger, dataadgang, software og kommunikation mellem flere GPU’er kan forkorte vejen fra det øjeblik, en agent foreslår en kandidat, til forskerne modtager et simuleringsresultat, der kan danne grundlag for det næste eksperiment eller design.

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.