AI-modeller og plattformer

NVIDIA presenterer Rubin HPC-GPU for agentdrevet vitenskap og ingeniørfag

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterRubin HPC gir databevegelse like stor vekt som aritmetikk, slik at kjerner unngår å stå…
Vis mer
  • Rubin HPC gir databevegelse like stor vekt som aritmetikk, slik at kjerner unngår å stå ledige ved spredte arbeidsbelastninger.
  • CUDA-X-biblioteker lar agenter bruke optimaliserte rutiner uten at utviklere finjusterer hver GPU-arbeidsbelastning manuelt.
  • Syvende generasjons NVLink utvider fokuset på databevegelse til kommunikasjon mellom GPU-er på tvers av rack.

NVIDIA kunngjorde Rubin HPC på SC26 16. november 2026 og beskrev den som en GPU for simulering og databehandling innen vitenskap, ingeniørfag og analyse, med et rekordhøyt antall på mer enn 50 000 CUDA-kjerner på én brikke.

Brikken er rettet mot arbeidsflyter der agenter hjelper forskere og ingeniører med å utvikle flere mulige materialer, molekyler og designalternativer, før simuleringer brukes til å evaluere ideene og styre de neste stegene. Når antallet kandidater øker, øker også simuleringsarbeidsmengden. Beregningstilbakemeldinger blir dermed en del av tempoet i oppdagelser og industriell design.

Balanse mellom beregningskapasitet og dataflyt

NVIDIA peker på et felles beregningsmønster innen klimamodellering, ingeniørsimulering, genomisk analyse og finansiell risiko. Disse bruksområdene beregner gjentatte ganger resultater fra små sett med verdier som er spredt utover svært store datasett, og utfører den samme grunnleggende sekvensen i enorm skala. Beregningskapasitet alene kan ikke løse denne utfordringen; dataene må nå kjernene raskt nok til at de holdes i arbeid.

Utformingen av Rubin HPC gir dataflyt like stor vekt som beregningskapasitet. Akselerasjon for sparsomme data skal hindre at kjerner står uvirksomme mens de venter på informasjon. Blant rutinene dette retter seg mot, er beregninger med sparsomme matriser og stenciler, sortering og reduksjoner – operasjoner som stadig gjentas i simulering og analyse. Samlet sett tar disse valgene tak i gjentatte mønstre for datatilgang som ellers kan begrense utbyttet av et stort antall kjerner.

«For agenter som arbeider med vitenskap og ingeniørfag betyr raskere simulering raskere oppdagelser», sa Ian Buck, NVIDIAs visepresident for hyperskala og høyytelsesdatabehandling. Målet med utformingen er å forkorte syklusen fra hypotese via simulering til videreutvikling, slik at teamene lettere kan avgjøre hva de bør teste videre og prioritere laboratoriearbeidet rundt de mest lovende kandidatene.

Programvare og sammenhengen med flere GPU-er

CUDA-X tilbyr optimaliserte algoritmeimplementeringer som agenter kan bruke sammen med Rubin HPC, blant annet rutiner for simulering og analyse. Bibliotekene er utformet som komponenter som kan settes rett inn, slik at ansvaret for optimalisering på lavt GPU-nivå flyttes bort fra applikasjonsutviklerne. Det dokumenterte bruksområdet omfatter matematikk, vitenskapelig databehandling, fysikk, parallelle algoritmer og databehandling, og gir ferdiglagde byggeklosser som reduserer behovet for at hvert team optimaliserer alle arbeidsmengder fra grunnen av.

Dataflyten strekker seg også utover én prosessor. NVLink er NVIDIAs direkte sammenkobling mellom GPU-er; NVLink Switch kobler sammen flere forbindelser, slik at GPU-er kan kommunisere med hverandre på tvers av et helt rack, og kan utvide disse forbindelsene mellom noder. Rubin HPC bruker NVLink av sjuende generasjon, så utformingen av dataflyten omfatter også kommunikasjon mellom GPU-er.

Rubin HPC er en del av Vera Rubin-plattformen, som NVIDIA beskriver som fem spesialbygde systemer i rackskala, samlet til en AI-superdatamaskin med flere rack for resonnering i flere trinn og agentarbeidsflyter med lang kontekst. Den bredere plattformen er i ferd med å trappes opp til full produksjon, og systemer basert på Vera Rubin leveres; Rubin HPC forventes å bli tilgjengelig i 2028.

For agentdrevet forskning vil den praktiske målestokken for Rubin HPC være om balansen mellom beregningskapasitet, datatilgang, programvare og kommunikasjon mellom flere GPU-er kan forkorte veien fra en agent foreslår en kandidat til forskerne får et simuleringsresultat som gir grunnlag for neste eksperiment eller design.

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.