Partnerskap

NVIDIA utvider KI-samarbeidet med Microsoft med Vera Rubin og Nemotron

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterNVIDIA og Microsoft utvider konfidensiell databehandling til AI-infrastruktur i…
Vis mer
  • NVIDIA og Microsoft utvider konfidensiell databehandling til AI-infrastruktur i rack-skala slik at regulerte kunder kan verifisere miljøer før de frigir sensitive data.
  • EY tilpasset Nemotron-modeller med Programmed Training og rapporterte en nøyaktighetsforbedring på 55 % sammen med en kostnadsreduksjon på 15x sammenlignet med proprietære frontiermodeller.
  • Partnerskapet strekker seg nå utover Azure til lokale systemer, industrielle edge-enheter og Windows Cloud-PCer gjennom Foundry Local og RTX PRO-GPUer.

NVIDIA kunngjorde et utvidet KI-samarbeid med Microsoft 19. november 2026 på Microsoft Ignite. Samarbeidet omfatter Vera Rubin NVL72-systemer som kjører i Azure-datasentre, bredere støtte for åpne Nemotron-modeller i Microsoft Foundry og distribusjonsmuligheter for lokale systemer, industrielle edge-enheter og Windows Cloud-PC-er.

Selskapene utvider tilgangen til virtuelle Azure-maskiner drevet av Vera Rubin NVL72 gjennom Azure-forhåndsvisningen av Vera Rubin. Systemene er utviklet for resonnering og agentbaserte applikasjoner, samt storskala trening og inferens av modeller. Dermed knytter forhåndsvisningen sammen både modellutvikling og distribusjon.

I tillegg til datakapasitet arbeider Microsoft og NVIDIA med å utvide konfidensiell databehandling til AI-infrastruktur på bare metal og i rackskala for proprietær og regulert informasjon. NVIDIA Confidential Computing og attestering hjelper kundene med å bekrefte databehandlingsmiljøet før de frigir sensitive modeller, data eller nøkler. Arbeidet med å utvide denne beskyttelsen til sammenkoblet infrastruktur for AI-fabrikker er i gang. Selskapene samarbeider også om energieffektivitet gjennom NVIDIA MaxLPS, som skal hjelpe datasentre med å få mer ytelse ut av den tilgjengelige strømmen.

Microsoft bruker også NVIDIA-teknologi i sin egen drift. Microsoft AI bruker Dynamo til inferens for utrulling i forsterkningslæring under ettertrening, en beregningsintensiv prosess som genererer erfaringer som brukes til å forbedre modeller. Dynamo koordinerer inferens på tvers av en stor GPU-flåte, optimaliserer ytelsen og bidrar til å håndtere forespørsler, modelloppdateringer og gjenoppretting etter feil i en distribusjon utviklet gjennom et felles samarbeid mellom Microsoft AI og NVIDIA. Microsoft bruker også RTX PRO 6000 Blackwell-GPU-er til søkemodeller for Bing.

Tilpasning av åpne modeller i Foundry

For bedriftsutviklere gir Microsofts serverløse Programmed Training-tilbud kontroll over arbeidsflytene for ettertrening, mens Foundry håndterer den underliggende infrastrukturen. Foundry Managed Compute legger til støtte for distribusjon av tilpassede modellvekter og knytter dermed modelltilpasning til distribusjon gjennom Microsofts administrerte tjenester.

NVIDIA opplyste at EY brukte Programmed Training til å tilpasse åpne Nemotron-modeller for klassifisering av bedriftens innkjøpsregistre. De rapporterte resultatene var 55 % høyere nøyaktighet på EYs evalueringsdatasett og 15 ganger lavere kostnader enn med proprietære frontmodeller. Dette er et målt eksempel på tilpasning til en spesialisert forretningsoppgave.

Det utvidede utvalget av Nemotron 3.5-modeller i Foundry Managed Compute omfatter Super for langvarige agenter som arbeider med programmering, forskning og forretningsarbeidsflyter, og Lightning for applikasjoner som krever raske svar og bruk av verktøy. Embed og Rerank støtter informasjonsgjenfinning, Parse trekker ut strukturert informasjon fra dokumenter, og Content Safety oppdager skadelig innhold. NVIDIA oppførte Bolt for resonnering med høy gjennomstrømning og lav latenstid, samt Transcribe for talegjenkjenning, som modeller som kommer snart.

Distribusjon også utenfor Azure

Den utvidede støtten for Nemotron i Foundry Local gjør resonnering, programmering og agenter som bruker verktøy tilgjengelig i Azure Local-miljøer, mens gjenfinningsmodeller hjelper applikasjoner med å finne dokumentasjon i tekst, bilder av dokumenter, diagrammer og tabeller. NVIDIA opplyste at Azure Local vil støtte RTX PRO 6000 Blackwell-GPU-er fra maskinvarepartnere for lokale KI-distribusjoner.

Azure Local utvides også til Jetson Thor og Jetson Orin for industriell bruk, blant annet maskinsyn, robotteknologi og autonome operasjoner. Samtidig bringes Cosmos-modeller for fysisk KI til Foundry Local. Disse tilleggene utvider samarbeidet fra sentralisert skyinfrastruktur til systemer som befinner seg nærmere dataene som genereres av industriell drift.

NVIDIA opplyste at selskapene vil demonstrere lokale opplevelser med store språkmodeller på Windows-PC-er drevet av RTX Spark under Ignite. For GPU-akselererte Windows 365 Cloud-PC-er støtter Direct Stream opptil to 4K-strømmer med 60 bilder i sekundet og lav latenstid, selv over krevende nettverk. En begrenset forhåndsvisning er åpen for påmelding, og en offentlig forhåndsvisning er planlagt tidlig i 2027.

Vitenskapelige verktøy og konsekvenser for bedrifter

NVIDIAs BioNeMo Agent Toolkit og ALCHEMI Toolkit blir også lagt til i Microsoft Discovery-katalogen. Der tilføres modeller for biovitenskap, legemiddelutvikling, materialvitenskap og kjemi til Microsofts agentbaserte forskningsplattform. BioNeMo Agent Toolkit lar forskere bruke naturlig språk til å kjøre arbeidsflyter innen beregningsbiologi, der agenter koordinerer nødvendige verktøy og modellkall.

Samarbeidet omfatter dermed både tilgang på KI-databehandling og bruken av den: Microsoft kjører NVIDIA-teknologi i sin egen modellutvikling og søkedrift, samtidig som selskapet tilbyr bedrifter tilhørende infrastruktur- og modellytjenester. Den annonserte utrullingen skjer trinnvis: Systemer kjører allerede i Azure, en begrenset forhåndsvisning av Direct Stream er åpen for påmelding, og flere modeller kommer senere.

Theo Nash er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-infrastruktur, beregning og maskinvaresystemene som driver moderne kunstig intelligens. Arbeidet hans fokuserer på de tekniske grunnlagene bak AI-arbeidsbelastninger i stor skala, inkludert datasentre, akseleratorer, nettverk og programvarestablene som binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøker Theo hvordan fremskritt innen GPU-er, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger særlig vekt på ytelsesavveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former implementeringen av AI-infrastruktur i den virkelige verden.

Artikler skrevet av Theo Nash er AI-genererte og gjennomgås av redaksjonsteamet i Unite.AI for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-beregningslandskapet.