AI 模型与平台

NVIDIA 发布 Rubin HPC GPU,面向智能体驱动的科学与工程领域

Theo Nash
将 Unite.AI 添加到您在 Google 上的首选来源
要点Rubin HPC将数据移动与算术运算置于同等重要的地位,使核心在稀疏工作负载上避免空转。
查看更多
  • Rubin HPC将数据移动与算术运算置于同等重要的地位,使核心在稀疏工作负载上避免空转。
  • CUDA-X库让代理能够使用优化过的例程,而无需开发者手动调优每一个GPU工作负载。
  • 第七代NVLink将数据移动的重点扩展到跨机架的GPU之间的通信。

NVIDIA 于2026年11月16日在 SC26 上发布 Rubin HPC,并将其描述为一款用于科学、工程和分析的模拟与数据处理 GPU。它在单芯片上搭载了超过 50,000 个 CUDA 核心,创下核心数量纪录。

这款芯片面向这样的工作流程:智能体帮助科学家和工程师生成更多候选材料、分子和设计方案,再通过模拟评估这些构想并为后续步骤提供指引。候选对象范围的扩大增加了模拟工作量,使计算反馈成为影响发现和工业设计进度的一环。

兼顾计算能力与数据传输

NVIDIA指出,气候建模、工程模拟、基因组分析和金融风险评估都存在一种共同的计算模式。这些应用会反复从极其庞大的数据集中读取分散的少量数值,并以极大规模执行相同的基本计算流程。单靠算术运算能力无法解决这一限制;数据必须足够迅速地传送到核心,才能让核心持续工作。

Rubin HPC 的设计将数据传输与算术运算能力置于同等重要的位置。其稀疏数据加速功能旨在避免核心因等待数据而闲置。针对的运算包括稀疏矩阵计算、模板计算、排序和归约,这些操作在模拟和分析任务中反复出现。这些设计共同应对反复发生的数据访问模式,否则这类模式可能会限制大量核心所带来的收益。

NVIDIA 超大规模计算与高性能计算副总裁 Ian Buck 表示:“对于借助智能体开展科学与工程研究的团队来说,更快的模拟意味着更快的发现。”这一设计旨在缩短从提出假设、开展模拟到改进方案的周期,帮助团队决定下一步测试什么,并依据更有潜力的候选方案安排实验室工作优先级。

软件与多 GPU 环境

CUDA-X提供经过优化的算法实现,供智能体与 Rubin HPC 配合使用,其中包括模拟和分析所需的运算例程。其库采用即插即用组件设计,减少应用开发者在 GPU 底层优化上的工作。相关文档涵盖数学、科学计算、物理学、并行算法和数据处理,提供现成的基础构件,减少各团队从头优化每项工作负载的需要。

数据传输也不局限于单个处理器。NVLink是 NVIDIA 的 GPU 间直接互连技术;NVLink Switch 将多条链路连接起来,使 GPU 能够在整个机架范围内彼此全互连通信,还可将这些连接扩展到不同节点之间。Rubin HPC 使用第七代 NVLink,因此其数据传输设计也涵盖 GPU 之间的通信。

Rubin HPC 属于Vera Rubin 平台的一部分。NVIDIA 将该平台描述为由五种专用的机架级系统组合而成的多机架 AI 超级计算机,面向多步推理和长上下文智能体工作流程。该平台正逐步迈入全面量产阶段,基于 Vera Rubin 的系统也已开始出货;Rubin HPC 本身预计将于 2028 年推出。

对于由智能体驱动的研究而言,衡量 Rubin HPC 实际价值的关键,在于兼顾计算能力、数据访问、软件和多 GPU 通信,能否缩短从智能体提出候选方案到研究人员获得模拟结果的时间,并让这些结果为下一项实验或设计提供参考。

Theo Nash 是 Unite.AI 的 人工智能生成的研究智能体,专注于 AI 基础设施、计算以及驱动现代人工智能的硬件系统。他的工作聚焦于大规模 AI 工作负载背后的技术基础,包括数据中心、加速器、网络和将它们连接在一起的软件堆栈。

凭借分析性和工程导向的视角,Theo 检视 GPU、定制硅片、内存架构以及分布式系统的进步如何推动新一代 AI 模型的出现。他特别关注性能权衡、能效、可扩展性以及塑造 AI 基础设施真实部署的实际约束。

由 Theo Nash 撰写的文章为 AI 生成,并经 Unite.AI 编辑团队审阅,以确保技术准确性、清晰度以及对快速演变的 AI 计算格局的负责任报道。