NVIDIA在SC26推出科学智能体栈与Rubin HPC
摘要:NVIDIA在SC26公布科研智能体栈:Nemotron for Science结合开放的Nemotron 3.5 Super VL、化学数据集和后训练配方,可本地运行于DGX Spark、工作站或超算。Rubin HPC GPU支持FP64至FP4、稀疏加速和第七代NVLink,Vera CPU承担工具调用;CUDA-Q联合IBM、Fermilab推进量子纠错。官方案例覆盖假设规划、GROMACS修复和GPU移植,但多数性能仍为厂商口径,Rubin及部分超算预计2028年落地。
技术机制:科学智能体如何进入实验闭环
这次发布不是一个单点模型更新,而是把科学智能体从自然语言问答层推进到可以调用仿真器、代码和超算资源的执行层。Nemotron for Science由Nemotron 3.5 Super VL开放模型、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组成,可部署在DGX Spark、工作站或用户自有超算上。扩展后的Vera CPU负责智能体循环中的工具执行,Rubin HPC GPU承载科学与AI负载,CUDA-Q则向量子纠错和经典—量子协同延伸。
一个可验证的科学智能体循环至少包含四层:
- 任务规划:模型把研究目标拆成假设、代码修改、仿真配置和待收集的观测量,而不是一次性生成不可执行的文本方案。
- 工具调度:调度器将工具调用映射到作业脚本、编译器、分子动力学程序、文件系统及HPC队列;独立仿真可以并行,具有数据依赖的步骤则必须串行。
- 结果校验:单元测试、残差阈值、能量守恒、谱线匹配或结构约束用于判断结果是否有效,验证失败才能触发重试或回滚。
- 反馈迭代:校验结果重新进入上下文,模型据此修改假设或下一步操作,而不是把模型输出直接当作科学结论。
从系统角度看,单轮延迟更接近 L_total ≈ Σ(L_LLM + L_tool + L_queue) + L_verify,而不是只由模型生成速度决定。工具启动、容器调度、文件I/O和结果验证都可能成为关键路径,这也是Vera CPU被放在智能体循环中心的原因。
Nemotron 3.5 Super VL的具体参数规模、视觉编码器、许可证和科学数据模态支持未在本次材料中披露。开放模型与可复现系统仍不是同一概念:数据版本、后训练超参数、推理服务配置和科学软件版本缺一不可,研究团队都应保存完整执行轨迹。
算力底座:Rubin HPC、Vera与CUDA-Q如何协同
Rubin HPC是Vera Rubin平台中的新GPU,面向科学计算、工程分析、数据分析和AI。官方给出的规格包括从FP64到FP4的精度范围、稀疏数据加速、第七代NVLink,以及超过5万个CUDA Core,核心数约为Hopper的三倍。
这些规格不能直接换算为三倍应用性能。科学求解器通常受内存带宽、矩阵访存、同步开销和实际算术强度约束;FP4即使得到硬件支持,也需要编译器、线性代数库和求解器共同适配。对于需要稳定数值精度的FP64代码,直接降精度可能破坏收敛性。稀疏加速的收益也取决于算子是否满足硬件支持的稀疏格式与负载分布。NVIDIA尚未披露Rubin的显存容量与带宽、FP64吞吐、功耗、第七代NVLink带宽及软件成熟度,因此现阶段无法完成可靠的TCO比较。
Vera CPU承担的是智能体控制面:运行工具、读取结果、组织文件和提交下一项仿真。串行工具调用更看重单线程延迟、缓存一致性、NUMA效应和调度器开销,而不是只追求峰值核心数。德国气候计算中心DKRZ计划在预计2028年初启用的HLRE-5系统中采用Vera,说明CPU平台已进入超算采购周期,但具体核心配置和实际智能体工作负载收益仍有待披露。
量子方向上,NVIDIA、IBM和Fermilab宣布经典—量子协同平台,将DGX B200与包括IBM Quantum Nighthawk在内的量子系统连接。Jülich的JUPITER模拟显示,magic state cultivation可把一次逻辑步骤所需操作减少十倍;CUDA-Q中的TCBP-JOBS算法则宣称将某项纠错研究计算从12周缩短到45分钟。错误解码延迟从约300微秒降至10微秒目前仍是目标,而非已经完成的部署指标。其价值取决于物理错误率、码距、噪声模型、解码器吞吐和真实硬件稳定性,不能只按模拟中的操作数衡量。
工程权衡:精度、成本、安全与可复现性
- 混合精度不等于免费加速:FP4和稀疏计算可降低特定算子的数据搬运压力,但科学应用需要逐算子验证误差,并确认求解器是否真正走了优化路径。
- 智能体成本可能抵消GPU收益:Nsight AI Porting Agent迁移一段WRF例程时消耗约1.5亿Token。即使速度超过5倍,生产环境仍需核算模型费用、编译等待、重试次数和人工复核时间。
- 本地运行改善数据治理,不自动保证可复现:DGX Spark或自有超算可减少敏感数据外传,但模型版本、工具沙箱和随机种子仍需统一。
- 工具输出构成新的信任边界:智能体读取网页、日志或科学数据库时,应过滤非可信文本并使用类型化字段,防止工具返回内容被解释为新的系统指令。
- 网络指标必须给出测试口径:Lambda部署的共封装光学交换开关在位错误与链路抖动上被描述为可靠性提升15倍,但位错误率、观测时长、拓扑结构和故障判定标准尚未公开。
实测表现:官方案例能证明什么
- Argonne National Laboratory:由工具包构建的智能体据称可从单一提示出发,规划并测试假设、选择仿真任务并识别两个新结合位点。材料未给出候选结构数量、对照方法、命中基线及实验验证,因此更接近计算发现线索,而非已完成湿实验确认的结论。
- KTH Royal Institute of Technology:一个GROMACS智能体在单台DGX Spark上通宵运行,修复了81%的测试用例。该数字只适用于该测试集;修复后能否通过数值回归、是否改变模拟轨迹以及失败样本如何分类均未披露。
- SETI Institute:智能体从一行提示生成甲醇谱线,并自主针对多普勒频移重新调谐。原始材料未给出信噪比、基线和望远镜数据处理的一致性指标。
- Nsight AI Porting Agent:官方称一段WRF例程迁移至GPU后加速超过5倍,消耗约1.5亿Token。该结果针对特定例程,不能外推为完整WRF模式端到端加速,更没有覆盖不同天气场景、编译器版本与数值容差。
上述案例共同证明智能体已能承担规划、调用和校验的部分工作,但它们没有共享统一硬件、数据、基线或统计方差,无法据此比较不同智能体框架。独立复现至少需要报告任务成功率、失败类型、Token与美元成本、端到端延迟、GPU利用率及多次运行方差。
开发者落地与部署建议
- 优先选择可确定性验证的任务:先从单元测试充分、仿真器有明确收敛判据的代码优化、参数扫描和结构筛选入手,避免让智能体直接控制缺乏验证器的实验决策。
- 建立隔离执行层:工具调用运行在容器或虚拟机中,限制网络、文件系统、CPU时间和GPU配额;生产数据只读,产物写入独立目录,并保留命令、输入、版本和日志哈希。
- 统一评测基线:保留原始CPU实现、固定编译器和数值容差,分别统计首次成功率、修复后回归率、Token成本、墙钟时间与尾延迟,不能只报告最佳运行结果。
- 拆分智能体职责:规划器只输出结构化计划,执行器负责调度,验证器独立运行;避免同一个模型同时提出假设、修改代码并宣布结果正确。
- 控制并行与成本:利用HPC作业依赖图并行独立仿真,同时为模型调用、编译和仿真分别设置预算,防止智能体在失败轨迹上持续消耗昂贵GPU时间。
- 理性规划2028硬件升级:Rubin与HLRE-5相关系统尚有时间窗口,现阶段应基于已交付Vera、B200及现有集群建立工作负载基线,待内存、带宽、功耗和软件支持公开后再比较整机TCO。
NVIDIA此次发布的核心价值是把开放科学模型、智能体编排、CPU控制、GPU加速和量子软件放入同一条工程链路。真正决定其价值的不是模型能否生成漂亮的研究计划,而是验证器能否把计划转化为可信结果,以及在精度、算力、Token成本和数据治理之间形成可持续闭环。
—— 完 ——消息来源:NVIDIA AI News (2026-11-17)
主题标签: #NVIDIA #Nemotron for Science #科学智能体 #Rubin HPC #CUDA-Q
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区