返回行业情报

NVIDIA CUDA-X库为AI智能体加速科学发现

NVIDIA CUDA-X Libraries Give Agents the Tools to Accelerate Scientific Discovery

NVIDIA扩展CUDA-X库,新增cuPhoton、cuPotential和cuSpa等模块,为AI智能体提供加速科学发现的工具。cuPhoton将黑洞观测数据处理从数月缩短至八分钟;cuPotential加速分子模拟达3倍;cuSpa实现细胞多边形计算900倍加速。应用覆盖天体物理、聚变模拟、药物发现、材料研究和单细胞生物学等领域。

深度解读

英伟达在SC26上发布的CUDA-X库扩展,本质上是在做一件事:把科学发现流程中的每一个计算瓶颈都变成GPU的加速目标,并让AI智能体成为这些加速工具的调用者。这不是一次普通的库更新,而是一个信号——科学计算的基础设施正在从"人写代码调GPU"转向"智能体调库跑GPU"。

黑洞成像:从一个月到八分钟意味着什么

cuPhoton.xBeam模块把事件视界望远镜(EHT)的数据关联处理从超过一个月压缩到八分钟。EHT靠全球射电天线组网形成地球尺度的虚拟孔径,产生PB级数据,传统相关处理是天文成像里最耗时的环节之一。八分钟意味着什么?意味着观测当晚就能出初步相关结果,而不是等论文周期走完才看到图像。原文提到cuPhoton已经成功关联了J1924和3C279两个黑洞喷流的观测数据,并称"实时重建M87*黑洞星系"成为现实。整个流水线——数据加载、处理、可视化——跑在分布式多GPU系统或一台DGX Spark上。这里的关键细节是DGX Spark:一台桌面级设备就能承载过去需要大型集群的天文相关处理,这对射电天文台站的现场分析能力是结构性改变。

聚变模拟:把"等实验结束再分析"变成"边跑边调"

Pacific Fusion的研究人员用cuPhoton.xLens模块在等离子体模拟运行过程中提取洞察,而不是等模拟跑完再离线分析。原文给出的痛点很具体:在千万亿次系统上,单个时间步就要跑几天,完整模拟持续数周;实验产数据的速度也快过传统流水线处理能力。xLens的价值在于把分析嵌入模拟运行时,配合本地运行的Nemotron驱动智能体做交互式分析,实时引导模拟方向。这对聚变反应堆靶设计和腔体设计的意义在于:参数扫描不再需要排队等批次作业,智能体可以在模拟进行中根据中间结果调整下一步计算策略。> 模拟不再是"提交-等待-查看"的批处理,而是智能体参与的实时控制回路。

分子模拟:3倍加速背后的生态整合难度

cuPotential建立在Simons Foundation的Flatiron Institute和D. E. Shaw Research的工作之上,对现有模拟软件加速最高3倍,同时提升计算稳定性和精度。3倍这个数字单看不算惊人,但原文强调它加速的是"现有模拟软件"——意味着不需要重写代码就能获得加速。更值得注意的细节是生态整合名单:Schrödinger、AMBER、NAMD、GROMACS、LAMMPS、Open Molecular Software Foundation。这些是分子动力学领域几乎全部主流引擎和社区。cuPotential的落地路径不是另起炉灶,而是嵌入现有工作流。采用方包括Cadence、Fathom Therapeutics、Topos Bio、Genesis Molecular AI、Terray Therapeutics——从EDA巨头到AI制药初创都有。原文还提到cuPotential能"发现此前未知的分子结合位点"并计算分子相互作用强度,这直接指向生成式AI模型所需的合成数据创建环节。

材料科学:22倍加速与75%成本下降的组合拳

Daviator是一组面向VASP(维也纳从头算模拟包)的批处理GPU内核,即将进入NVIDIA ALCHEMI,带来量子力学计算最高22倍加速和最高75%成本下降。原文特别点出一个此前被忽视的场景:小体系过去在CPU上跑得更快,现在GPU加速覆盖了所有尺度的原子体系。这对材料模型训练的意义在于——训练和推理所需的数百万次原子相互作用计算,不再受限于大体系才能用GPU的经济性门槛。Lawrence Berkeley国家实验室的DAQIRI网络库则把高速电子显微镜探测器直接连到GPU处理,把分析搬进实验过程本身,研究人员可以在测量进行中识别有用信号、发现未知感兴趣区域、决定下一步测什么。这是"自动化实验"的前置条件:不是实验做完再分析,而是分析驱动实验。

生物尺度:900倍、200倍、84倍三个数字的分量

新开源的cuSpa加速细胞多边形计算,在Memorial Sloan Kettering癌症中心生成大规模空间图,相比CPU有900倍加速。与scverse共同开发的rapids-singlecell框架加速单细胞分析,现已打包为单一智能体就绪容器。Therna Biosciences用它把治疗设计的数据处理提速200倍。10x Genomics把rapids-singlecell集成进新的Sentira平台,服务学术研究者、生物制药团队和基础模型构建者。另外,GPU加速的HMMER库(同样开源)加速预测蛋白质序列注释,Basecamp Research的基准搜索比标准HMMER快最高84倍,缩短了训练治疗设计模型所需的大规模生物数据集注释时间。这三个数字指向同一个趋势:生物基础模型的数据准备瓶颈正在被逐个拆解,而"智能体就绪容器"这个措辞说明英伟达在刻意降低智能体调用这些工具的门槛。

所以呢:智能体是表层,库的覆盖密度才是底层逻辑

原文标题说"给智能体加速科学发现的工具",但真正值得从业者注意的是库的覆盖密度——从射电天文相关处理到等离子体运行时分析,从分子动力学引擎到VASP内核,从细胞空间图到蛋白质序列注释,英伟达在科学计算流水线的几乎每个环节都放了加速器。智能体只是调用层,底层是这些库把GPU加速嵌入了科学家已经在用的工具链(AMBER、GROMACS、VASP、HMMER、scverse),而不是要求他们迁移到新平台。对从业者的含义很直接:如果你在科学计算领域做工具开发,不接入CUDA-X生态的代价正在变大;如果你在做AI for Science,智能体可调用的加速库越多,端到端自动化实验的可行性就越高。对趋势的判断是:科学发现的瓶颈正从"算得慢"转向"智能体能不能正确编排这些加速库",而英伟达同时在押注这两端。

其
AI前沿CUDA-X科学计算GPU加速AI智能体药物发现