โมเดลและแพลตฟอร์ม AI

NVIDIA เปิดตัว GPU Rubin HPC สำหรับวิทยาศาสตร์และวิศวกรรมที่ขับเคลื่อนด้วยเอเจนต์

Theo Nash
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญRubin HPC ให้น้ำหนักกับการเคลื่อนย้ายข้อมูลเท่ากับการคำนวณทางคณิตศาสตร์…
ดูเพิ่มเติม
  • Rubin HPC ให้น้ำหนักกับการเคลื่อนย้ายข้อมูลเท่ากับการคำนวณทางคณิตศาสตร์ เพื่อให้คอร์ไม่ต้องว่างเปล่าในงานที่มีข้อมูลเบาบาง
  • ไลบรารี CUDA-X ช่วยให้เอเจนต์ใช้รูทีนที่ปรับแต่งแล้วโดยที่นักพัฒนาไม่ต้องปรับแต่งทุกงานบน GPU ด้วยตนเอง
  • NVLink รุ่นที่เจ็ดขยายจุดเน้นด้านการเคลื่อนย้ายข้อมูลไปสู่การสื่อสารระหว่าง GPU ข้ามแร็ก

NVIDIA ประกาศเปิดตัว Rubin HPC ที่งาน SC26 เมื่อวันที่ 16 พฤศจิกายน 2026 โดยระบุว่าเป็น GPU สำหรับการจำลองและประมวลผลข้อมูลในงานวิทยาศาสตร์ วิศวกรรม และการวิเคราะห์ ซึ่งสร้างสถิติใหม่ด้วยจำนวนคอร์ CUDA มากกว่า 50,000 คอร์ในชิปเดียว

ชิปนี้มุ่งรองรับเวิร์กโฟลว์ที่เอเจนต์ช่วยนักวิทยาศาสตร์และวิศวกรสร้างวัสดุ โมเลกุล และแบบร่างตัวเลือกต่าง ๆ ได้มากขึ้น จากนั้นใช้การจำลองเพื่อประเมินแนวคิดเหล่านั้นและกำหนดขั้นตอนถัดไป การเพิ่มจำนวนตัวเลือกทำให้ภาระงานจำลองมากขึ้น ส่งผลให้ข้อมูลป้อนกลับจากการคำนวณกลายเป็นส่วนหนึ่งที่กำหนดความเร็วในการค้นพบและการออกแบบทางอุตสาหกรรม

สร้างสมดุลระหว่างการประมวลผลกับการเคลื่อนย้ายข้อมูล

NVIDIA ระบุว่าการสร้างแบบจำลองสภาพภูมิอากาศ การจำลองทางวิศวกรรม การวิเคราะห์จีโนม และการประเมินความเสี่ยงทางการเงิน ล้วนมีรูปแบบการคำนวณร่วมกัน แอปพลิเคชันเหล่านี้คำนวณผลลัพธ์ซ้ำ ๆ จากชุดค่าขนาดเล็กที่กระจายอยู่ทั่วชุดข้อมูลขนาดใหญ่มาก โดยทำขั้นตอนพื้นฐานแบบเดียวกันในระดับมหาศาล กำลังประมวลผลทางคณิตศาสตร์เพียงอย่างเดียวไม่อาจแก้ข้อจำกัดนี้ได้ เพราะต้องส่งข้อมูลไปยังคอร์ให้เร็วพอที่จะทำให้คอร์ทำงานได้อย่างต่อเนื่อง

การออกแบบ Rubin HPC ให้ความสำคัญกับการเคลื่อนย้ายข้อมูลไม่น้อยไปกว่ากำลังประมวลผลทางคณิตศาสตร์ ระบบเร่งความเร็วสำหรับข้อมูลแบบกระจัดกระจายมีจุดมุ่งหมายเพื่อป้องกันไม่ให้คอร์หยุดรอข้อมูล งานที่รองรับประกอบด้วยการคำนวณเมทริกซ์แบบกระจัดกระจายและการคำนวณแบบสเตนซิล การเรียงลำดับ และการรีดิวซ์ ซึ่งเป็นการดำเนินการที่พบซ้ำในการจำลองและการวิเคราะห์ เมื่อนำองค์ประกอบเหล่านี้มารวมกัน ก็จะช่วยจัดการรูปแบบการเข้าถึงข้อมูลที่เกิดซ้ำ ซึ่งมิฉะนั้นอาจลดทอนประโยชน์จากการมีคอร์จำนวนมาก

เอียน บัค รองประธานฝ่ายไฮเปอร์สเกลและการประมวลผลสมรรถนะสูงของ NVIDIA กล่าวว่า “สำหรับเอเจนต์ที่ทำงานด้านวิทยาศาสตร์และวิศวกรรม การจำลองที่เร็วขึ้นหมายถึงการค้นพบที่เร็วขึ้น” เป้าหมายของการออกแบบคือทำให้วงจรตั้งแต่การตั้งสมมติฐาน ไปจนถึงการจำลองและการปรับปรุงให้ดียิ่งขึ้น สั้นลง เพื่อช่วยให้ทีมตัดสินใจได้ว่าจะทดสอบอะไรต่อไป และจัดลำดับความสำคัญของงานในห้องปฏิบัติการโดยมุ่งเน้นตัวเลือกที่มีแนวโน้มดีกว่า

ซอฟต์แวร์และการทำงานร่วมกันของ GPU หลายตัว

CUDA-X มีชุดอัลกอริทึมที่ปรับประสิทธิภาพแล้ว ซึ่งเอเจนต์สามารถใช้กับ Rubin HPC ได้ รวมถึงชุดคำสั่งสำหรับการจำลองและการวิเคราะห์ ไลบรารีของ CUDA-X ออกแบบมาให้เสียบใช้งานได้ทันที ช่วยให้นักพัฒนาแอปพลิเคชันไม่ต้องรับภาระปรับแต่ง GPU ในระดับล่าง ขอบเขตที่ระบุไว้ครอบคลุมคณิตศาสตร์ การประมวลผลทางวิทยาศาสตร์ ฟิสิกส์ อัลกอริทึมแบบขนาน และการประมวลผลข้อมูล โดยมีองค์ประกอบพื้นฐานที่เตรียมไว้ให้ ซึ่งช่วยลดความจำเป็นที่แต่ละทีมจะต้องปรับแต่งเวิร์กโหลดทุกประเภทตั้งแต่ต้น

การเคลื่อนย้ายข้อมูลยังครอบคลุมการเชื่อมต่อระหว่างโปรเซสเซอร์ด้วย NVLink เป็นเทคโนโลยีเชื่อมต่อโดยตรงระหว่าง GPU ของ NVIDIA ส่วน NVLink Switch เชื่อมโยงลิงก์หลายชุดเข้าด้วยกัน เพื่อให้ GPU สื่อสารถึงกันได้ทั่วทั้งแร็ก และยังขยายการเชื่อมต่อดังกล่าวข้ามโหนดได้ Rubin HPC ใช้ NVLink รุ่นที่เจ็ด ดังนั้นการออกแบบด้านการเคลื่อนย้ายข้อมูลจึงครอบคลุมการสื่อสารระหว่าง GPU ด้วย

Rubin HPC เป็นส่วนหนึ่งของแพลตฟอร์ม Vera Rubin ซึ่ง NVIDIA อธิบายว่าเป็นระบบขนาดแร็กที่ออกแบบมาเฉพาะ 5 ระบบ ผสานรวมเป็นซูเปอร์คอมพิวเตอร์ AI แบบหลายแร็ก สำหรับการให้เหตุผลหลายขั้นตอนและเวิร์กโฟลว์ของเอเจนต์ที่ต้องจัดการบริบทขนาดยาว แพลตฟอร์มโดยรวมกำลังขยายสู่การผลิตเต็มรูปแบบ และระบบที่ใช้ Vera Rubin กำลังจัดส่ง ขณะที่คาดว่า Rubin HPC จะพร้อมใช้งานในปี 2028

สำหรับงานวิจัยที่ขับเคลื่อนด้วยเอเจนต์ ตัวชี้วัดที่เป็นรูปธรรมของ Rubin HPC คือความสามารถในการสร้างสมดุลระหว่างการประมวลผล การเข้าถึงข้อมูล ซอฟต์แวร์ และการสื่อสารระหว่าง GPU หลายตัว เพื่อย่นระยะเวลาตั้งแต่เอเจนต์เสนอแนวทางหนึ่งขึ้นมา จนถึงเวลาที่นักวิจัยได้รับผลการจำลองซึ่งนำไปใช้กำหนดการทดลองหรือการออกแบบครั้งถัดไป

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว