英伟达发布科研智能体与新HPC平台
英伟达在SC26宣布Nemotron for Science、Rubin HPC GPU及扩展后的Vera CPU平台。新科研智能体工具可在研究人员自有系统上规划实验、运行代码并检查结果。
AI 深度解读
科学计算里的 AI Agent,正在从回答问题走向操作研究流程。NVIDIA 在芝加哥 SC26 的演讲中,把开放模型、CPU、GPU 和量子计算放进同一套叙事:仿真仍是基础,Agent 负责规划实验、调用工具和检查结果。
这篇发布稿值得读的,是它展示了 Agent 如何连接真实计算任务。但要分清:哪些是已经运行的案例,哪些是厂商报告的成绩,哪些还只是面向 2028 年的产品计划。
Agent 开始接管哪些研究步骤
Ian Buck 的核心主张是:科学计算不会被 AI 替代,而会形成仿真、AI、量子计算共同参与的新流程。Agent 在其中承担调度工作,把研究者的意图拆成可执行步骤。
NVIDIA 推出的 Nemotron for Science,将开放模型 Nemotron 3.5 Super VL、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组合起来。研究者可以在 DGX Spark、工作站或自己的超级计算机上运行它。
这里的后训练配方,可以理解为让通用模型适应专业任务的训练方法。它提供的不只是聊天入口,还包括构建领域 Agent 所需的模型、数据和训练路径。
按 Buck 的介绍,Argonne National Laboratory 用这套工具构建的 Agent,从单条提示出发,规划并测试假设、选择仿真任务,最终识别出两个新的结合位点。不过,原文没有交代验证方法,也没有说明这些发现经过了什么独立确认。
其他案例更接近程序员熟悉的自动化:
- KTH Royal Institute of Technology 的 Agent 自动修复损坏的 GROMACS 环境,在单台 DGX Spark 上运行一夜,修复了 81% 的测试用例。
- SETI Institute 在 Allen Telescope Array 使用 Agent,通过一行提示绘制甲醇谱线,并自主针对多普勒频移重新调谐。原文对天体编号仍留有 NGC 869 与 896 的核查备注,细节尚未说清。
- Nsight AI Porting Agent 将 Weather Research and Forecasting(WRF)模型中的一个例程迁移到 GPU,报告加速超过 5 倍,消耗约 1.5 亿 tokens。
这些案例的共同点,是模型输出之后还有执行、反馈和再次决策。
其中,WRF 的数字尤其需要完整看待:超过 5 倍的收益对应一个例程,同时付出了约 1.5 亿 tokens 的探索成本,不能直接理解为整个应用都获得了同样提升。
为什么讲 Agent,还要发布 CPU 和 GPU
Agent 每次推理之间,都可能执行代码、调用工具、整理数据、检查结果。这些工作需要 CPU 承接,所以模型推理速度只是整个流程的一部分。
NVIDIA 据此扩展 Vera CPU 平台。德国气候计算中心 DKRZ 已为 HLRE-5 超级计算机选择 Vera CPU,系统预计于 2028 年初投入使用;Texas Advanced Computing Center 此前也已公布 Vera 系统。
另一个发布重点是 Vera Rubin 平台中的 Rubin HPC GPU,面向科学、工程、分析和 AI,预计于 2028 年推出。它支持 FP64 到 FP4 精度、稀疏数据加速,以及第七代 NVIDIA NVLink,拥有超过 50,000 个 CUDA cores,约为 Hopper 的 3 倍。
这些规格体现的是混合负载需求:科学仿真需要高精度计算,AI 又会使用较低精度。原文没有提供应用基准,因此不能根据核心数量推断实际性能也提升 3 倍。
软件生态同样是这套叙事的重要部分。Buck 回顾了自己 20 年前在佛罗里达州坦帕 SC06 教程中的首次 CUDA 公开演讲,并表示 NVIDIA 如今已有超过 1,000 个 CUDA-X 库。对 Agent 来说,现成的专业工具越丰富,可调用的能力就越多。
量子部分,哪些是成果,哪些是目标
量子计算这部分集中在纠错。量子计算容易出错,需要额外计算来识别和处理错误,而纠错本身也会带来成本与延迟。
Buck 表示,在 Jülich 的 JUPITER 超级计算机上进行的仿真显示,magic state cultivation 技术能将一个逻辑步骤所需的操作数降至原来的十分之一,相关工作正在加入 CUDA-Q。这里报告的是仿真结果,不能当成量子硬件已经获得同等收益。
NVIDIA、IBM 和 Fermilab 还宣布计划建设量子计算协同设计平台,支持纠错与应用研究,将 NVIDIA DGX B200 系统与 IBM 量子计算机配合使用,其中包括基于 IBM Quantum Nighthawk 的系统。
另一个数字要区分目标与报告结果:量子解码延迟希望从约 300 微秒降到 10 微秒;新 CUDA-Q 解码算法 TCBP-JOBS 则被报告将纠错研究计算从 12 周缩短至 45 分钟。原文没有给出任务规模和基线细节。
演讲还展示了 Lambda 部署 NVIDIA Photonics 共封装光学交换机的案例,并声称其在比特错误和链路抖动方面的可靠性提升 15 倍,但未展开测量口径。
我的判断
我认同它对 Agent 工作方式的描述。涉及真实系统时,模型必须能执行操作、读取反馈,并根据结果修正下一步。本地运行开放模型也给研究机构提供了保留数据与模型控制权的路径,但部署和维护成本仍需自行承担。
这篇材料来自 NVIDIA 的发布稿。81% 修复率、超过 5 倍加速、12 周缩短至 45 分钟,都缺少足够的测试条件,无法据此做普遍判断。它展示了可行方向,尚不足以证明一般团队可以复制同样收益。
与固定脚本相比,Agent 更适合步骤需要随反馈变化的任务;流程明确、判断规则稳定时,脚本通常更容易验证。原文没有给出两者的对照数据,不能替它宣布 Agent 全面胜出。
能拿来做什么
- 给日常 AI 编程任务补上验证步骤,让 Agent 在修改后执行构建、测试或结果检查,再决定是否继续,而不是只交付一段代码。
- 评估自动修复时,同时记录成功率、运行时间和 tokens 消耗;原文约 1.5 亿 tokens 的案例提醒我们,加速收益需要连同探索成本计算。
- 做 GPU 迁移前先选一个耗时例程验证,分别测量局部收益和整个应用收益,避免把单个例程超过 5 倍的成绩扩大到完整系统。
- 有数据留在本地需求的科研团队,可以考察 Nemotron for Science 的模型、数据集和训练配方,并先验证它是否适配自己的专业任务。