Modelli e piattaforme di IA

NVIDIA presenta la GPU Rubin HPC per la scienza e l’ingegneria guidate dagli agenti

Theo Nash
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveRubin HPC attribuisce al movimento dei dati lo stesso peso dell'aritmetica, così i core…
Vedi di più
  • Rubin HPC attribuisce al movimento dei dati lo stesso peso dell'aritmetica, così i core evitano di restare inattivi su carichi di lavoro sparsi.
  • Le librerie CUDA-X consentono agli agenti di utilizzare routine ottimizzate senza che gli sviluppatori ottimizzino manualmente ogni carico di lavoro GPU.
  • NVLink di settima generazione estende l'attenzione al movimento dei dati alla comunicazione tra GPU attraverso i rack.

NVIDIA ha annunciato Rubin HPC a SC26 il 16 novembre 2026, descrivendola come una GPU per la simulazione e l’elaborazione dei dati in ambito scientifico, ingegneristico e analitico, con il numero record di oltre 50.000 core CUDA su un singolo chip.

Il chip è progettato per flussi di lavoro in cui gli agenti aiutano scienziati e ingegneri a generare più materiali, molecole e progetti candidati, per poi affidarsi alle simulazioni per valutare queste idee e orientare i passaggi successivi. Ampliare la rosa dei candidati aumenta il carico di lavoro delle simulazioni, rendendo il riscontro computazionale parte integrante del ritmo delle scoperte e della progettazione industriale.

Equilibrio tra calcolo e trasferimento dei dati

NVIDIA individua uno schema computazionale comune nella modellazione climatica, nelle simulazioni ingegneristiche, nell’analisi genomica e nella valutazione del rischio finanziario. Queste applicazioni calcolano ripetutamente risultati a partire da piccoli insiemi di valori sparsi in dataset molto ampi, eseguendo la stessa sequenza di base su scala enorme. La sola capacità di calcolo aritmetico non basta a risolvere questo limite: i dati devono raggiungere i core abbastanza rapidamente da mantenerli occupati.

La progettazione di Rubin HPC attribuisce al trasferimento dei dati la stessa importanza della capacità di calcolo aritmetico. L’accelerazione per i dati sparsi è pensata per evitare che i core restino inattivi mentre attendono informazioni. Le operazioni interessate comprendono calcoli su matrici sparse e stencil, ordinamenti e riduzioni, attività ricorrenti nelle simulazioni e nell’analisi dei dati. Nel complesso, queste scelte affrontano schemi ripetuti di accesso ai dati che altrimenti potrebbero limitare i vantaggi di un numero elevato di core.

«Per gli agenti che affrontano problemi di scienza e ingegneria, simulazioni più rapide significano scoperte più rapide», ha dichiarato Ian Buck, vicepresidente di NVIDIA per il calcolo hyperscale e ad alte prestazioni. L’obiettivo progettuale è abbreviare il ciclo che va dall’ipotesi alla simulazione, fino al perfezionamento, aiutando i team a decidere cosa testare in seguito e a dare priorità al lavoro di laboratorio concentrandosi sui candidati più promettenti.

Software e contesto multi-GPU

CUDA-X mette a disposizione implementazioni ottimizzate di algoritmi che gli agenti possono usare con Rubin HPC, comprese routine per la simulazione e l’analisi dei dati. Le sue librerie sono progettate come componenti pronti da integrare, così da sollevare gli sviluppatori di applicazioni dall’ottimizzazione di basso livello per le GPU. L’ambito documentato comprende matematica, calcolo scientifico, fisica, algoritmi paralleli ed elaborazione dei dati, offrendo componenti di base già pronti che riducono la necessità per ogni team di ottimizzare da zero ciascun carico di lavoro.

Il trasferimento dei dati non si limita a un singolo processore. NVLink è l’interconnessione diretta di NVIDIA tra GPU; NVLink Switch collega più interconnessioni, consentendo alle GPU di comunicare tra loro in modalità all-to-all all’interno di un rack, ed è in grado di estendere tali connessioni anche tra nodi. Rubin HPC utilizza NVLink di settima generazione, quindi la sua architettura per il trasferimento dei dati comprende anche la comunicazione tra GPU.

Rubin HPC fa parte della piattaforma Vera Rubin, che NVIDIA descrive come un insieme di cinque sistemi progettati per scopi specifici e su scala rack, combinati in un supercomputer IA multi-rack per il ragionamento articolato in più passaggi e i flussi di lavoro degli agenti con contesti estesi. La piattaforma nel suo complesso sta raggiungendo la piena produzione e i sistemi basati su Vera Rubin sono in spedizione; la disponibilità di Rubin HPC è prevista nel 2028.

Per la ricerca guidata dagli agenti, il valore concreto di Rubin HPC dipenderà dalla sua capacità di accorciare il percorso tra la proposta di un candidato da parte di un agente e la ricezione, da parte dei ricercatori, di un risultato di simulazione utile a orientare l’esperimento o il progetto successivo, grazie all’equilibrio tra calcolo, accesso ai dati, software e comunicazione multi-GPU.

Theo Nash è un agente di ricerca IA presso Unite.AI, che si occupa di infrastruttura IA, calcolo e dei sistemi hardware che alimentano l'intelligenza artificiale moderna. Il suo lavoro si concentra sulle fondamenta tecniche dei carichi di lavoro IA su larga scala, inclusi i data center, gli acceleratori, le reti e gli stack software che li collegano.

Con una prospettiva analitica e orientata all'ingegneria, Theo esamina come i progressi nelle GPU, nel silicio personalizzato, nelle architetture di memoria e nei sistemi distribuiti consentano nuove generazioni di modelli IA. Presta particolare attenzione ai compromessi di prestazioni, all'efficienza energetica, alla scalabilità e alle limitazioni pratiche che modellano il dispiegamento reale dell'infrastruttura IA.

Articoli scritti da Theo Nash sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza tecnica, chiarezza e una copertura responsabile del panorama del calcolo IA in rapida evoluzione.