郭震 AI公众号:郭震AI

实时 AI 消息

英伟达发布 Rubin HPC:单卡逾 5 万 CUDA 核心,为科研智能体加速仿真

在 SC26 大会上,英伟达发布 Vera Rubin 平台下的新 GPU「Rubin HPC」,面向科学、工程与数据分析工作负载,单卡 CUDA 核心数超过 5 万个。英伟达称其让数据搬运与计算同步扩展,配合稀疏数据加速和第七代 NVLink,缩短智能体从调用仿真到得出结论的循环。

发布时间
英伟达发布 Rubin HPC:单卡逾 5 万 CUDA 核心,为科研智能体加速仿真
图源: blogs.nvidia.com

11 月 16 日,在 SC26 大会上,英伟达发布了一款新的数据中心 GPU:Rubin HPC。它属于 Vera Rubin 平台,定位不是通用训练卡,而是专门为科学、工程与数据分析负载中的仿真和数据处理加速。

英伟达给出的理由很直接。当智能体开始帮科学家和工程师批量探索候选材料、候选分子和候选设计时,真正的瓶颈出现在验证环节——每一个想法都要靠仿真来筛选,仿真跑得越慢,能试的方案就越少,迭代周期就越长。

硬件上,Rubin HPC 单卡的 CUDA 核心数超过 5 万个,英伟达称这是单 GPU 的纪录。它还加入了稀疏数据加速能力,用来把数据持续喂给这些核心,并以第七代 NVLink 加速 GPU 之间的互联。对科学计算而言,真正的瓶颈往往不是算力本身,而是数据能不能及时喂到计算单元嘴边。

这解释了这款卡的设计取舍。气候模型、工程仿真、基因组分析、金融风险计算,这些负载的形态其实很像:应用伸进一个巨大的数据集,取出少量分散的数值,算出一个结果,然后以极大的规模重复这个过程。因此 Rubin HPC 让数据搬运能力与计算能力同步扩展,而不是单纯堆核心数,受益的正是稀疏矩阵运算、stencil 计算、排序与归约这些反复出现的模式。

「对处理科学与工程问题的智能体来说,更快的仿真意味着更快的发现,」英伟达超大规模与高性能计算副总裁 Ian Buck 在发布中说。按照这一定位,GPU 的价值不在于跑分,而在于缩短智能体「假设—仿真—修正」的循环,让实验室把资源投向最有希望的候选方案。

配套的是软件栈。英伟达的 CUDA-X 库持续提供经过优化的算法实现,其中就包括与仿真和数据分析最相关的那部分,智能体可以直接调用。硬件与库叠加后,反馈更快,研究者选择下一步的时间点也更早。

信息缺口同样明显。这篇发布博文没有给出价格、功耗、出货时间,也没有给出与上一代产品的具体性能对比数字,而这些恰恰是判断 Rubin HPC 能否打动超算中心和实验室采购方的关键。接下来要看的,是 SC26 期间披露的更多规格,以及首批客户名单与部署时间表。

为什么重要

英伟达把「智能体做科研」当成一条独立的产品线来做,卖点从训练算力转向仿真吞吐,这会直接影响超算中心与实验室的采购逻辑。真正的考验在于价格、功耗与实际加速比何时公布。

微博邮件

NVIDIAGPUHPCScience
返回实时消息

附近消息

全部

11/17 00:00

英伟达扩充CUDA-X库:cuPhoton、cuPotential、cuSpa把科学计算交给AI智能体

英伟达宣布扩充CUDA-X库,新增cuPhoton、cuPotential与cuSpa等组件,面向天体物理、材料科学与单细胞生物学等科研场景。官方称这些加速能力让研究人员得以处理更大规模的数据集并建模更复杂的系统,同时为AI智能体提供可直接调用的科学计算工具。

11/17 00:00

英伟达Vera Rubin首秀MLPerf:训练基准全数拿下,智能体推理能效提升逾10倍

英伟达公布Vera Rubin平台在MLPerf上的首次成绩,覆盖训练、后训练与智能体推理三个方向,并称已横扫MLPerf Training v6.1全部基准。在首次提交的MLPerf Endpoints中,该平台报告智能体AI每瓦吞吐量实现超过10倍的代际提升。

11/17 00:00

NVIDIA 扩展 Slurm 支持,把量子处理器接入超算调度体系

NVIDIA 宣布扩展 Slurm 对量子处理器的支持,让超算中心可以把量子硬件与既有科学计算负载放在同一套调度体系里运行。这一动作的背景是,全球近 30 个超算中心正准备部署 50 多台量子处理器,五年间相关部署量增长近七倍。

11/17 00:00

Lambda 采用 NVIDIA 光电共封装交换机,为万卡 AI 工厂加固网络

Lambda 正在其 AI 工厂中部署 NVIDIA Photonics 共封装光学(CPO)交换机,用来连接搭载超过 1 万块 GPU 的 NVIDIA GB300 NVL72 机架。这家云服务商希望借此让大规模训练所依赖的 GPU 集群网络更快、更高效、也更有韧性。