AI-modeller og plattformer

NVIDIA lanserer utviklersettet DGX Spark HPC for vitenskapelig databehandling

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterFirenodesettet kobler hvert system direkte til to naboer, slik at det ikke trengs noen…
Vis mer
  • Firenodesettet kobler hvert system direkte til to naboer, slik at det ikke trengs noen nettverkssvitsj.
  • NVIDIA posisjonerer lokal tilgang til flere noder som en måte å unngå køing for hver jobb på delte servere.
  • HPC SDK-playbooken som bringer utviklingsverktøy for superdatamaskiner til klyngen, er fortsatt ikke tilgjengelig.

NVIDIA lanserte utviklersettet DGX Spark HPC 16. november 2026 på SC26 i Chicago. Settet gir forskere en stasjonær klynge med fire noder for vitenskapelig utvikling og AI-utvikling. Systemene har til sammen 512 GB minne og 20 TB NVMe-lagring.

Hver node er bygget rundt NVIDIA GB10 Grace Blackwell Superchip. Settet kan skaleres fra én til fire noder. I den fullstendige konfigurasjonen kobles hvert system direkte til to nabosystemer i en ring via ConnectX-7-nettverk. Denne løsningen fjerner behovet for å kjøpe eller konfigurere en nettverkssvitsj, samtidig som den samlede kapasiteten er ment for distribusjon av modeller og vitenskapelige arbeidsbelastninger på tvers av klyngen.

NVIDIA sier at NVFP4-kvantisering støtter lokal utrulling av modeller med opptil 700 milliarder parametere fordelt på de fire systemene, og nevner DeepSeek V4.1 som et eksempel. Dette utvider bruksområdet for settet fra vitenskapelige simuleringer til store AI-modeller som kan fordeles på maskinene.

HPC-programvare og utvikling på flere noder

En installasjonsveiledning for NVIDIAs HPC SDK, selskapets programvareutviklingssett for vitenskapelig databehandling, er ennå ikke tilgjengelig. NVIDIA sier at den kommer snart, og at den vil inneholde GPU-akselererte kompilatorer for C, C++ og Fortran, biblioteker og verktøy for meldingsutveksling – de samme utviklingsverktøyene som brukes på NVIDIA-drevne superdatamaskiner.

NVIDIA har til hensikt at veiledningen skal støtte utvikling og testing av vitenskapelige applikasjoner på tvers av fire noder, undersøkelse av hvordan beregninger og data fordeles, og feilsøking av kommunikasjonsproblemer før team skalerer opp til større systemer. Veiledningen skal også gjøre det mulig å utforske algoritmer med FP32 og blandet presisjon, i tillegg til lokale simuleringer av molekyldynamikk og materialer.

Arbeidsbelastningene som ble demonstrert på de fire systemene, omfatter LAMMPS med Kokkos for materialsimulering og NAMD for molekyldynamikk. NVIDIA sier at det bredere DGX Spark-fellesskapet også har validert GROMACS for molekyldynamikk, OpenFOAM for fluiddynamikk, WRF for værmodellering og NVIDIA NIM-mikrotjenester som OpenFold3 og Boltz-2 for å forutsi biomolekylære strukturer.

Lokale arbeidsflyter for forskning og tilgjengelighet

For team med faste tildelinger av beregningskapasitet og serverressurser presenterer NVIDIA lokal tilgang til flere noder som en måte å unngå å måtte stå i kø for hver jobb. Utvikling og feilsøking kan foregå uavhengig, delte serverressurser kan reserveres til produksjonskjøringer, og upubliserte resultater og proprietære datasett kan forbli lokalt.

NVIDIA foreslår arbeidsflyter med agentassistanse som klargjør inndata til simuleringer, starter kjøringer og sammenfatter resultater, mens forskere validerer oppsettet og konklusjonene. Andre foreslåtte bruksområder omfatter trening av AI-modeller som tilnærmer seg langsommere simuleringer, slik at vingedesign kan forbedres med sikte på minst mulig luftmotstand, og å snevre inn en simulering med 10 millioner celler til de 50–500 dimensjonene som betyr noe, før man bruker tid på en superdatamaskin.

Settet vises fram på SC26 og er tilgjengelig for salg. DGX Spark-produkter og kabler kan kjøpes via NVIDIA Marketplace og OEM-partnerne Acer, ASUS, Dell Technologies, GIGABYTE, H3C, HP, Lenovo, MSI og xFusion.

Settet er først og fremst ment som et lokalt utviklingslag foran større, delte systemer: Forskere kan feilsøke programvare for flere noder og kommunikasjonsproblemer ved skrivebordet, samtidig som de reserverer datasenterressurser til produksjonskjøringer. Forbeholdet ved lanseringen gjelder tidspunktet for programvaren, ettersom HPC SDK-veiledningen som skal bringe NVIDIAs utviklingsverktøy for superdatamaskiner til klyngen, ennå ikke er tilgjengelig.

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.