AI-modeller och plattformar
NVIDIA presenterar Rubin HPC-GPU för agentdriven vetenskap och ingenjörskonst

Viktiga punkterRubin HPC ger dataförflyttning samma vikt som aritmetik så att kärnor undviker att stå…
Visa mer
- Rubin HPC ger dataförflyttning samma vikt som aritmetik så att kärnor undviker att stå stilla vid glesa arbetsbelastningar.
- CUDA-X-bibliotek låter agenter använda optimerade rutiner utan att utvecklare finjusterar varje GPU-arbetsbelastning för hand.
- Sjunde generationens NVLink utökar fokuset på dataförflyttning till kommunikation mellan GPU:er över rack.
NVIDIA presenterade Rubin HPC på SC26 den 16 november 2026 och beskrev den som en GPU för simulering och databehandling inom vetenskap, ingenjörskonst och analys, med ett rekordstort antal på över 50 000 CUDA-kärnor på ett enda chip.
Chipet riktar sig till arbetsflöden där agenter hjälper forskare och ingenjörer att ta fram fler kandidatmaterial, molekyler och konstruktioner, som sedan utvärderas med simuleringar för att vägleda de efterföljande stegen. När antalet kandidater ökar blir simuleringsarbetsbördan större, vilket gör beräkningsbaserad återkoppling till en del av tempot i upptäckter och industriell design.
Balansen mellan beräkningskapacitet och dataöverföring
NVIDIA pekar på ett gemensamt beräkningsmönster inom klimatmodellering, ingenjörssimulering, genomisk analys och finansiell riskanalys. I dessa tillämpningar beräknas resultat återkommande utifrån små mängder värden som är utspridda i mycket stora datamängder, genom att samma grundläggande sekvens utförs i enorm skala. Beräkningskapacitet räcker inte för att lösa den begränsningen; data måste nå kärnorna tillräckligt snabbt för att hålla dem sysselsatta.
I Rubin HPC:s konstruktion ges dataöverföring samma vikt som beräkningskapacitet. Accelereringen av glesa data är avsedd att förhindra att kärnorna står sysslolösa medan de väntar på information. Bland de beräkningar som stöds finns beräkningar med glesa matriser och stencilberäkningar, sortering och reduktioner – operationer som återkommer inom simulering och analys. Sammantaget hanterar dessa val återkommande mönster för dataåtkomst, som annars kan begränsa nyttan av ett stort antal kärnor.
”För agenter som tar sig an vetenskapliga och tekniska problem innebär snabbare simulering snabbare upptäckter”, sade Ian Buck, NVIDIA:s vice vd för hyperskalig databehandling och högpresterande databehandling. Målet med konstruktionen är att förkorta cykeln från hypotes till simulering till förfining, så att teamen lättare kan avgöra vad de ska testa härnäst och prioritera laboratoriearbetet utifrån mer lovande kandidater.
Programvara och sammanhang för flera GPU:er
CUDA-X tillhandahåller optimerade algoritmimplementationer som agenter kan använda med Rubin HPC, bland annat rutiner för simulering och analys. Biblioteken är utformade som komponenter som kan integreras direkt, vilket gör att applikationsutvecklare slipper optimera GPU:er på låg nivå. Det dokumenterade användningsområdet omfattar matematik, vetenskapliga beräkningar, fysik, parallella algoritmer och databehandling, med färdiga byggstenar som minskar behovet för varje team att optimera varje arbetsbelastning från grunden.
Dataöverföring sträcker sig också bortom en enskild processor. NVLink är NVIDIA:s direkta sammankoppling mellan GPU:er. NVLink Switch kopplar samman flera länkar så att GPU:er kan kommunicera med varandra i alla riktningar i ett rack, och den kan utöka dessa anslutningar mellan noder. Rubin HPC använder sjunde generationens NVLink, vilket innebär att dess konstruktion för dataöverföring också omfattar kommunikation mellan GPU:er.
Rubin HPC ingår i Vera Rubin-plattformen, som NVIDIA beskriver som fem specialbyggda system i rackskala som tillsammans bildar en AI-superdator med flera rack för flerstegsresonemang och agentarbetsflöden med lång kontext. Den bredare plattformen är på väg mot fullskalig produktion, och Vera Rubin-baserade system levereras redan; Rubin HPC förväntas bli tillgänglig 2028.
För agentdriven forskning blir det praktiska måttet på Rubin HPC huruvida balansen mellan beräkningskapacitet, dataåtkomst, programvara och kommunikation mellan flera GPU:er kan förkorta tiden från det att en agent föreslår en kandidat till dess att forskarna får ett simuleringsresultat som vägleder nästa experiment eller konstruktion.












