NVIDIA在SC26发布科学智能体工具与Rubin HPC GPU
Ian Buck Kicks Off NVIDIA’s Week at SC26 as Science Enters the Age of Agents
NVIDIA在SC26大会上发布Nemotron for Science科学智能体工具包、Rubin HPC GPU及扩展版Vera CPU平台,并宣布与IBM、Fermilab合作推进量子计算纠错研究。智能体可自主规划实验、运行代码并验证结果,已在Argonne等机构实现新发现。
深度解读
英伟达在SC26上给出的核心判断是:科学计算正在从“人操作超算”转向“智能体操作超算”,而英伟达要卖的不再只是GPU,而是从模型、CPU、GPU到量子纠错和网络的整套“智能体科研栈”。Ian Buck在芝加哥的这场特别演讲,本质上是一次产品线的系统性对齐——把过去二十年积累的CUDA生态,重新包装成面向AI智能体的科学基础设施。
从CUDA到CUDA-X:二十年的伏笔
Buck开场回溯到2006年坦帕SC06教程上他第一次公开讲CUDA,这个时间锚点不是怀旧,而是在建立合法性叙事:英伟达在科学计算领域的护城河不是一朝一夕挖成的。如今CUDA-X库超过1000个,这个数字的意义在于,任何试图用智能体做科学发现的团队,绕不开这些经过验证的数值计算原语。智能体可以规划实验、写代码、查结果,但它调用的底层算子仍然跑在CUDA-X上。所以英伟达推智能体,不是在削弱自己的GPU叙事,而是在给GPU找一个更高频的使用场景——智能体反复试错、反复调用仿真,消耗的算力只会更多。
Nemotron for Science:把模型和数据一起交出去
Nemotron for Science是这次发布里最值得细看的产品。它把Nemotron 3.5 Super VL开放模型、一个新的开放化学数据集,以及面向生命科学和化学的后训练配方打包在一起,并且强调可以在DGX Spark、工作站或用户自己的超算上本地运行。Buck那句“你拥有你的数据,你拥有你的模型”是直接对着科研机构的顾虑说的——科学数据往往涉及隐私、出口管制和机构竞争,云端API模式很难说服实验室把未发表的数据交出去。本地化部署是打开科研市场的必要条件。
更关键的是阿贡国家实验室的案例:一个用该工具包构建的智能体,接到单条提示后自行规划并检验假设、选择跑哪些仿真,最终识别出两个新的结合位点。这个案例的杀伤力在于它展示的不是“AI辅助分析”,而是智能体自主完成假设生成到仿真验证的闭环。如果这种模式可复制,实验科学家的工作流会被重新划分:人定义问题和约束,智能体负责搜索和筛选。
三个已落地的智能体:修复、观测、移植
Buck列举的三个智能体案例,恰好覆盖了科研工作流的三种典型痛点。KTH皇家理工学院的GROMACS智能体自主修复损坏的GROMACS配置,单台DGX Spark overnight跑完测试用例修复了81%——分子动力学模拟的环境配置是出了名的折磨人,这个数字如果稳定,意味着大量博士生时间被释放。SETI研究所在艾伦望远镜阵列的智能体,用一行提示绘制甲醇谱线,然后自行针对多普勒频移重新调谐,这是把观测流程里的反复校准交给了机器。英伟达自己的Nsight AI Porting Agent把WRF天气模型的一个例程移植到GPU上,加速超过5倍,消耗约1.5亿token——注意这个成本口径,它说明智能体移植代码的经济性已经进入可计算的范围,1.5亿token换5倍加速,对需要长期维护的科研代码库来说是划算的。
智能体不是在替代仿真,而是在替代仿真周围那些重复、易错、难以标准化的人工环节。
Vera CPU:智能体循环里的被低估角色
Buck专门讲CPU,逻辑很直接:智能体在模型推理步骤之间要执行工具调用、跑代码、收集结果,这个“智能体循环”是CPU密集型而非GPU密集型。德国气候计算中心DKRZ为2028年初上线的HLRE-5超算选了Vera CPU,加上此前德州高级计算中心已宣布的Vera系统,说明英伟达在HPC的CPU侧已经拿到真实订单。这一步的战略含义是:如果智能体成为超算的主要使用者,那么调度、工具执行、I/O这些环节的CPU配比会重新设计,英伟达想把这块也吃掉,而不是留给竞争对手。
Rubin HPC:2028年的算力承诺
Rubin HPC GPU定位在科学、工程、分析和AI,支持FP64到FP4的全精度谱系,加入稀疏数据加速,走第七代NVLink,超过5万个CUDA核心,约为Hopper的三倍,预计2028年出货。精度覆盖从FP64到FP4这一点值得注意:科学计算不能放弃双精度,但智能体驱动的探索性计算又需要低精度高吞吐,一颗芯片同时覆盖两端,是在为“仿真+AI+智能体”混合负载做硬件层面的准备。2028年的时间点也说明,英伟达对智能体科研的规模化预期放在两三年后,现在的软件发布是在提前养生态。
量子纠错:从12周到45分钟
量子部分是这次演讲里技术密度最高的段落。JUPITER超算上的仿真显示,magic state cultivation能把一个逻辑步骤所需操作削减十倍,该技术正在并入CUDA-Q。更具体的是解码:目标是把解码延迟从约300微秒压到10微秒,新的TCBP-JOBS算法把纠错研究所需的计算从12周缩短到45分钟。英伟达、IBM和费米实验室宣布共建量子计算协同设计平台,把DGX B200与IBM量子计算机(包括IBM Quantum Nighthawk)配对。这里的判断是,英伟达不赌量子计算何时实用化,而是赌量子纠错的研究过程本身需要大量经典算力——纠错解码是实时性极强的经典计算问题,这正好是GPU的战场。把纠错研究周期从周级压到分钟级,等于加速了整个量子领域的迭代节奏,而英伟达在这个加速过程里卖铲子。
网络:光子学进入实际部署
Lambda部署了英伟达Photonics共封装光学交换机,Buck给出的数据是比特错误和链路闪断方面可靠性提升15倍。共封装光学从展示走向部署,意味着AI工厂的规模扩张开始受制于网络可靠性而非单纯带宽,15倍这个数字如果在大规模集群里成立,直接对应的是训练和推理任务的中断率下降。
所以呢
对科研从业者来说,信号很明确:未来两三年内,评价一个实验室的计算能力,可能不再只看它有多少GPU,而要看它有没有能力构建和运维科研智能体——包括本地模型、工具调用链和仿真接口。对HPC行业来说,英伟达正在把竞争维度从芯片性能拉到全栈整合,Vera CPU、Rubin GPU、CUDA-Q、Photonics网络和Nemotron模型构成一个闭环,单点突破的对手会越来越难打。对趋势而言,最值得盯的不是2028年的Rubin,而是阿贡那个“单条提示产出两个新结合位点”的案例能否被独立复现——如果能,科学发现的组织方式会先于硬件迭代发生改变。
