SiliconANGLE AI ↗ · 2026-11-18 04:27 · UTC+8
Nvidia 在 SC26 上表示:智能体是新一代科学家,它们需要一个实验室
媒体报道 SiliconANGLE AI 原文语言:英文
在其历史的大部分时间里,高性能计算市场用同样的方式衡量进步:机器的速度有多快…
全文
UPDATED 15:27 EST / NOVEMBER 17 2026
AI
Nvidia at SC26: Agents are the new scientists, and they need a lab
GUEST COLUMN by Zeus Kerravala
For most of its history, the high-performance computing market measured progress the same way: how fast a machine could solve a fixed problem. Rankings rose, a new system took the top spot, and the cycle started over. Raw performance remains the foundation of scientific computing, and Nvidia Corp. brought plenty of it to SC26.
But this week, Nvidia argued that speed at solving a single problem is no longer the right way to measure leadership. An equally important question now is how many times a researcher can go from hypothesis to result in a day, and what happens when the “researcher” is an artificial intelligence agent that never sleeps.
That idea ties together Nvidia’s bevy of announcements at the show. The company introduced open science models, a CPU-only supercomputing rack, a new HPC-specific GPU, a batch of CUDA-X libraries, quantum integration for the Slurm workload manager, a quantum co-design platform with IBM and Fermilab, and a co-packaged optics deployment at Lambda. It also marked CUDA’s 20th birthday.
Taken individually, these announcements look like a typical supercomputing show news payload. Taken together, they describe a stack built for a different user, namely the AI agent that reasons through a scientific problem, calls a simulation, reads the result and decides what to try next.
The news in brief
Here’s a summary of what Nvidia announced:
Nemotron for Science packages the open Nemotron 3.5 Super VL model with LitmusBench v0.2, a new open dataset of nearly 50,000 chemistry-reasoning questions, and post-training recipes for building domain-specific science agents.
The Vera CPU rack-scale platform packs 192 Vera CPUs, about 300TB of memory, and Quantum-X800 InfiniBand into a liquid-cooled rack designed for unaccelerated workloads, including climate and molecular modeling. Dell, HPE, Lenovo and Supermicro will ship it starting in early 2027.
Rubin HPC is a new GPU in the Vera Rubin family, featuring more than 50,000 CUDA cores and sparse-data acceleration, with a 2028 release.
New CUDA-X libraries, including cuPhoton, cuPotential and cuSpa, target applications across astrophysics, drug discovery, materials science and single-cell biology.
Quantum: A modular codesign platform with IBM and Fermilab, a new error-correction decoder and quantum scheduling support in Slurm.
Lambda is using Nvidia Photonics co-packaged optics switches to connect GB300 NVL72 racks that house more than 10,000 GPUs.
While each announcement is interesting, the more compelling story is what they reveal about where scientific computing is headed. I see five themes.
Theme 1: The loop is the new benchmark
Ian Buck (pictured), Nvidia’s vice president of hyperscale and high-performance computing, summed up this thesis when introducing Rubin HPC: “For agents tackling science and engineering, faster simulation means faster discovery.” This marks an important industry shift. Simulation used to be the end product. In an agentic workflow, it’s a tool call within a much larger loop of hypothesis, simulation, and refinement.
When an agent can generate thousands of candidate molecules or material designs, the bottleneck shifts from ideas to the time required to test them. That’s why so much of the SC26 news focuses on loop speed alongside peak flops. Nvidia says cuPhoton cut the time to correlate Event Horizon Telescope black-hole data from more than a month to eight minutes.
At Pacific Fusion, a Nemotron-powered agent running on the same system can analyze plasma simulations as they run, allowing researchers to steer the simulation in real time rather than waiting for it to finish. Lawrence Berkeley National Laboratory is using Nvidia’s DAQIRI networking library to move electron-microscopy analysis into the experiment itself, so researchers can decide what to measure next while measurements are being taken.
All of these share the same idea: Shrink the gap between asking a question and getting enough of an answer to ask a better one. For researchers, this should change how they evaluate infrastructure. Single-job time-to-solution is an important metric, but time-to-insight per iteration is equally important and should be tracked.
Theme 2: Small, specialized and open beats big and general for science
SC26上最重要的一个数据点可能来自一家初创公司,而不是超级计算机。Lila Sciences利用实验室反馈对Nemotron进行了后训练,将其在量子点合成协议上的准确率提升了近一倍,达到61%,在推理成本据Nvidia称降低10到20倍的情况下,击败了GPT-6 Astra的54%。Therna在预测mRNA蛋白质表达范围方面,将准确率提升了近一倍,超越了前沿模型。Terray Therapeutics则训练该模型从化学图表中提取反应物、产物和条件。
这与我在各家企业客户那里听到的一致:前沿模型是一个很好的起点,但在专业领域,经过领域调优的开源模型往往在准确率和经济性上胜出。科学领域比大多数行业更能推动这一点,原因有三。研究数据通常是专有的或受监管的。实验反馈可以作为通用模型所缺乏的训练信号。实验室希望模型在他们控制的基础设施上运行。
最后一点正是Nvidia优化Nemotron 3.5 Super VL以在128GB DGX Spark上运行的原因。KTH皇家理工学院报告称,基于该模型构建的代理在单台Spark上单次夜间运行中修复了81%损坏的GROMACS分子动力学设置。
Nvidia发布数据集和方法(不仅仅是权重)在这里至关重要,因为模型是一种商品,而研究团队一直缺乏的是对其进行适配的专有技术。
主题三:Nvidia希望掌控每一个处理器及其运行调度器
Nvidia作为行业顶级GPU提供商广为人知,但它同时也提供搭载Vera的CPU机架。Nvidia现在正将目标对准HPC中从未被加速过的那部分领域,这是x86统治了数十年的市场。在Nvidia自身的测试中,Vera在OpenFOAM气流模拟上的性能达到了x86的1.9倍,每瓦性能达到2.4倍。
德国气候计算中心(DKRZ)已为其HLRE-5系统选择了Vera。新的Fortran编译器测试版虽然听起来不够吸引人,但它是一个重要的组成部分。大量的科学代码是用Fortran编写的,没有人愿意重写它们。消除这种摩擦正是CPU挑战者夺取市场份额的方式。
在整个产品组合中,Vera用于处理CPU密集型模拟。Rubin HPC专为稀疏的、受内存限制的科学计算而设计,而非AI训练。DGX系统与IBM量子计算机并肩作战。Nvidia正在扩展Slurm(大多数超级计算中心已经在使用的开源调度器),以便使用熟悉的命令来调度QPU以及CPU和GPU。近30个数据中心目前正在部署50多个量子处理器,Alice & Bob、IBM、IQM、Pasqal和Quantinuum已采用扩展后的Slurm。
Nvidia希望成为协调代理接下来需要的任何处理器的公司。进行药物发现的代理可能会调用CPU绑定的分子动力学作业、GPU加速的对接运行,以及最终的量子化学例程。拥有编排的厂商就拥有了工作流。拥有硬件依然重要,但已不如从前那么关键。
主题四:量子正成为一个系统级问题
量子领域的新闻值得单独一提,因为基调已经发生了变化。两三年前,供应商主要讨论的是量子比特数。而在SC26上,焦点转移到了纠错、解码和集成上,这些都是经典计算问题。Nvidia在CUDA-Q QEC 0.9.0中提供的新款TCBP-JOBS解码器,为纠错研究提供了高达13,000倍的解码速度提升,并将某些设计研究从12周缩短至45分钟。IBM和理化学研究所(RIKEN)的混合量子-经典化学工作模拟了多达12,635个原子的蛋白质-配体复合物,入围了戈登·贝尔奖决赛。
IBM的Jerry Chow讨论了这一机遇:“将量子与经典结合扩展,将为高能物理、核物理及其他领域开辟新的前沿。”Nvidia长期以来一直奉行跨越广泛合作伙伴生态系统的系统级方法,而IBM则进一步壮大了这一点。IBM不需要Nvidia来制造量子比特;它需要加速的经典计算来让这些量子比特发挥作用。对于Nvidia来说,这是一个典型的定位,无论哪种量子比特方法胜出,它都将成为量子计算不可或缺的一部分。
主题五:效率和弹性现在成为了科学特性
在HPC中,能源过去只是一个设施问题。现在它成为了一个研究限制,因为花在开销上的每一瓦电力都是无法用于模拟的电力。Nvidia的Vera在天气研究和预报模型上的能效达到了x86的两倍。
Lambda 的部署在网络层面上展示了相同的理念。在超过 10,000 个 GPU 的规模下,Lambda 使用了共封装光学(co-packaged optics)交换机,并观察到机架级网络延迟下降了约 4%,Pod 级网络延迟下降了多达约 10%,其光学器件的中位温度为 36 摄氏度,而可插拔光学器件则为 51 摄氏度。这种方法的能效比可插拔器件高出多倍,可靠性高出最多 15 倍,且工程师可以在现场更换光源。
正如 Nvidia 的博客所指出的,在智能体推理(agentic inference)中,单一的网络中断就可能导致许多智能体出现级联延迟。当工作负载是连续循环而不是批处理任务时,正常运行时间就变成了一个研究指标。Lambda 也是共封装光学技术在大型新云(neocloud)中的首个验证案例,我预计其他 GPU 云也将不得不解决这个问题。
将这一切串联起来的主线:CUDA 20 周年
Nvidia 在同一场展会上庆祝其 CUDA 软件诞生 20 周年,这是非常契合的。CUDA 于 SC06 上推出,据 Nvidia 报告,目前已有超过 1100 万开发者在其基础之上进行构建,并拥有超过 1000 个 CUDA-X 库。从 AlexNet 到 AlphaFold,其模式一直没变:硬件吸引注意力,而库则创造了锁定效应。
智能体时代提高了该软件库目录的风险。人类科学家可能对少数工具了如指掌。而智能体可以调用其中的任何工具,因此工具箱的大小和质量变得更加重要。每一个新的 CUDA-X 库实际上都是构建在 Nvidia 技术栈上的每个科学智能体的一项新技能。这就是 AMD、Intel 和定制芯片厂商必须跨越的竞争护城河,并且这一周它变得更深了。
研究和 IT 领导者应该做的事情:
衡量迭代次数,而不是任务数量。通过团队每天能够运行的“假设到结果”的周期数来对基础设施进行基准测试,这包括数据移动、调度和分析时间。
启动开源模型后训练试点。来自 Lila、Therna 和 Terray 的结果表明,在您的实验数据上进行过领域微调的开源模型,在准确性和成本上都可以优于前沿 API。挑选一个狭窄、高价值的任务并进行测试。
为异构调度做计划。如果您的路线图上有量子技术(即使是以研究能力的形式),也请标准化使用将 QPU 视为另一种资源而非特殊项目的调度程序和接口(Slurm、QRMI、QDMI)。
将受 CPU 限制的 HPC 重新列入评估清单。基于 Arm 的 CPU 机架现在是气候、CFD 和其他未加速代码的可行替代方案,尤其是在电力受限的情况下。坚持测试您自己的应用程序。
将网络视为科学的一部分。光学器件的可靠性和延迟直接影响智能体工作流程。向您的云和基础设施提供商询问其共封装光学路线图。
最终想法
SC26 上的大部分性能数字都是 Nvidia 自己的或其合作伙伴的。从历史上看,我发现 Nvidia 的数字是准确的,但买家应该对照他们自己的工作负载来验证这些数字。包括 Rubin HPC 和 HLRE-5 在内的几个关键产品要到 2028 年才会推出。
Nvidia 拥有的每一个额外层(从 CPU 到调度程序集成再到量子解码),都引出了一个熟悉的问题:端到端技术栈可以有多开源?Nvidia 本周的回应是高度强调开源:开源模型、开源数据集、开源库,以及对 Slurm 的贡献。
更大的启示在于 Nvidia 销售内容的转变。20 年来,它一直在加速科学家运行的计算。现在,它正在构建一个让智能体自己运行科学方法的栈:推理、模拟、测量、精炼和重复。如果这种模式流行起来,科学计算的赢家将不会是拥有最快单芯片的公司。它们将是让整个发现循环运转得最快的公司。目前,没有人比 Nvidia 更有利地占据这一位置。
Zeus Kerravala 是 Kerravala Consulting 旗下 ZK Research 的首席分析师。他为 SiliconANGLE 撰写了本文。
照片:Nvidia
来自 SiliconANGLE 联合创始人 John Furrier 的信息:
通过与 theCUBE 社区互动,支持我们保持内容开放和免费的使命。加入 theCUBE 的校友信任网络(Alumni Trust Network),技术领袖在此连接、分享情报并创造机会。
theCUBE 视频拥有 1500 万以上的观看者,为人工智能、云计算、网络安全等领域的对话提供动力
11.4k+ theCUBE 校友 — 通过一个独特的、基于信任的网络,与 11,400 多名正在塑造未来的科技与商业领袖建立联系
您是 AWS 客户吗?通过我们的 Marketplace 门户页面和链接购买您的 AWS 服务,为 SiliconANGLE 提供资金支持:https://siliconangle.com/aws-marketplace/
关于 SiliconANGLE Media
SiliconANGLE Media 是数字媒体创新领域的公认领导者,将突破性技术、战略洞察和实时受众互动融为一体。作为 SiliconANGLE、theCUBE Network、theCUBE Research、CUBE365、theCUBE AI 和 theCUBE SuperStudios 的母公司——在硅谷和纽约证券交易所设有旗舰办事处——SiliconANGLE Media 运营于媒体、技术和人工智能的交汇点。
SiliconANGLE Media 由科技远见者 John Furrier 和 Dave Vellante 创立,构建了一个充满活力的行业领先数字媒体品牌生态系统,触达超过 1500 万精英科技专业人士。我们全新专有的 theCUBE AI Video Cloud 正在开创受众互动的新局面,利用 theCUBEai.com 神经网络帮助科技公司做出数据驱动的决策,并保持在行业对话的最前沿。
正文为 AI 译文。