Nvidia nagdadagdag ng pondo sa siyentipikong computing! Inilunsad ang Rubin HPC GPU, tumaya sa AI agents para baguhin ang supercomputing
Ang Rubin HPC ay may isang GPU na may higit sa 50,000 CUDA core at in-optimize para sa siyentipikong pag-compute, inaasahang ilalabas sa 2028. Pinalawak ng CUDA-X ang saklaw ng siyentipikong pag-compute, na sumasaklaw sa astrolohiya, agham ng materyales, research para sa gamot, at single-cell biology, kung saan ang pagsusuri sa black hole ay nabawasan mula isang buwan hanggang 8 minuto. Ipinakita ng Nvidia ang pagsasama ng photon interconnect at quantum computing, na pinupunan ang pundasyon ng supercomputing; ayon sa Nvidia, ang Lambda ay gumagamit ng Nvidia photon co-packaged optical technology (CPO) upang makamit ang hanggang 5x pagtaas sa enerhiyang kahusayan. Pinalawak ng Nvidia ang Slurm workload management system, in-integrate ang quantum processor (QPU) sa tradisyunal na supercomputing workflow. Dagdag pa ng Nvidia, ang Vera CPU rack ay ilalabas sa simula ng susunod na taon, at ang mga supplier ay Dell, HPE, Lenovo, at Supermicro.
Pinapalawak ng Nvidia ang kompetisyon sa AI infrastructure patungo sa larangan ng siyentipikong komputasyon.
Sa Supercomputing Conference SC26 na ginanap noong Nobyembre 16 sa Chicago, inilunsad ng Nvidia ang bagong henerasyon ng GPU na Rubin HPC na idinisenyo para sa siyentipikong komputasyon, engineering simulation, at data analysis. Kasabay nito, inanunsyo rin ang serye ng mga progreso kaugnay ng CUDA-X na library ng software, photon computing, at quantum computing, na layuning pagsamahin ang GPU-accelerated computation, AI agent, at tradisyonal na high-performance computing (HPC) sa iisang platform.
Naglalabas ito ng mahalagang senyales: Habang pumapasok na ang AI agents sa gawaing pananaliksik na kaya nang magbatid ng sariling hypothesis, gumamit ng computational tools, magpatakbo ng simulation at baguhin ang plano batay sa resulta, nagbabago rin ang pangangailangan sa computing power ng scientific computing. Umaasa ang Nvidia na sa pamamagitan ng co-design ng hardware at software, hindi lang magiging assistant ang AI sa pag-aanalisa ng datos kundi direktang kasali na rin mula paglalatag ng tanong hanggang sa pagpapatunay ng resulta sa proseso ng siyentipikong diskubre.
Ang Rubin HPC ang pangunahing hardware na produkto ng paglalabas na ito. Hindi tulad ng mga GPU na pangunahing para sa AI training at inference, ito ay espesyal na in-optimize para sa malawakang data reading, sparse matrix operation, at masalimuot na simulation tasks sa larangan ng siyensya at engineering.

Sa panahon ng SC 26, ipinahayag ng Nvidia na ang Vera CPU racks ay ilalabas sa simula ng susunod na taon bilang pinakabagong produkto.
Sa kabuuan, nagpapahiwatig ang SC26 na hindi lamang AI training at inference GPU market ang gusto ng Nvidia kundi pati na rin ang mas malawak na merkado ng siyentipikong komputasyon, engineering simulation, quantum computing, at kaugnay na mga infrastructure. Habang lumalago ang AI agents mula information processing tools patungong research assistant na kayang tumawag ng specialized software at magsagawa ng kumplikadong mga gawain, ang synergistic na ugnayan ng GPU computing, scientific software, at high-speed interconnect network ay magiging susi sa susunod na yugto ng kompetisyon sa high-performance computing.
Rubin HPC: Mahigit 50,000 CUDA cores sa isang GPU, optimo para sa siyentipikong komputasyon
Ayon sa Nvidia, ang Rubin HPC ay bagong idinagdag na GPU sa Vera Rubin platform, sadyang ginawa para sa scientific, engineering at data analysis workload. May higit 50,000 CUDA cores sa isang GPU, ito ay bagong record sa dami ng cores sa Nvidia GPU. Inilagay din ang sparse data acceleration at ang ikapitong henerasyon ng NVLink interconnect technology para mapabuti ang data transfer efficiency sa pagitan ng mga GPU.

Itinuro ng Nvidia na malaki ang kaibahan ng scientific computing at tradisyonal na AI training tasks. Sa climate modeling, engineering simulation, genome analysis o financial risk calculation, madalas na kailangan nito ng paulit-ulit na extraction ng information mula sa napakalaking data bago gawin ang computation at ulitin uli ang proseso. Kaya, hindi sapat ang basta pagdaragdag ng GPU computing cores; kailangang sabay na tumaas ang data transfer at processing capacity upang hindi masayang ang cores sa paghihintay ng data.
Pinagtutuonan ng Rubin HPC ang balanseng paggalaw ng data at computing power, gamit ang acceleration sa sparse matrix operation, stencil computation, sorting at reduction -- mga common scientific operations para mapataas ang overall computing efficiency.
Lalo ring binigyang-diin ng Nvidia ang pagbabago ng demand dahil sa AI agents. Habang tumutulong na ang mga ito sa siyentipiko at inhinyero sa paghahanap ng mas maraming candidate materials, molecular structures, at industrial design scheme, mahalaga ang simulation computation para ipatunay ang mga hypothesis. Magpapadala ng hypothesis ang agent, tatawagin ang simulation tool para subukan ang resulta, at aayusin ang susunod na hakbang base sa feedback. Mas mabilis ang GPU simulation, mas maraming scheme ang maaaring masuri ng researcher.
Sinabi ng Nvidia na inaasahang ilulunsad ang Rubin HPC sa 2028. Layunin ng produkto na pagsamahin ang AI agents, GPU-accelerated simulation, at scientific data processing upang paikliin ang cycle mula hypothesis hanggang discovery.
Pagpapalawak ng CUDA-X sa Scientific Computing: Black hole analysis mula isang buwan naging 8 minuto
Kung ang Rubin HPC ay nagbibigay ng lakas na hardware, ang itinatampok na CUDA-X software library ng Nvidia ay susi para magamit ng AI agent ang professional scientific computing tools.
Sa SC26, inihayag ng Nvidia ang progresibo ng CUDA-X library, kabilang ang mga bagong tools gaya ng cuPhoton, cuPotential, at cuSpa, saklaw ang astrophysics, material science, drug development, at single-cell biology.

Lalo na sa larangan ng astronomy, isang halimbawa ang napakahalaga.
Ang Event Horizon Telescope (EHT) ay kumokonekta sa mga radio telescope sa buong mundo upang lumikha ng virtual telescope kasing laki ng Earth para obserbahan ang black hole. Pero ang data mula rito ay maaaring umabot sa petabytes, at ang tradisyonal na pagproseso ay aabot ng buwan.
Ang cuPhoton.xBeam module ng Nvidia ay kayang gamitin ang GPU upang pabilisin ang correlation processing ng radio astronomy data, mula sa dating mahigit isang buwang analysis naging 8 minuto na lang. Ginamit na ang tool na ito para suriin ang jet data ng black hole na J1924 at 3C279, pati na rin sa real-time na pagbuo ng imahe ng black hole sa sentro ng Messier 87 galaxy.
Sa nuclear fusion research, ipinakita ng Nvidia ang cuPhoton.xLens. Maaaring kunin ng researcher ang data at analysis result habang nagpapatakbo ng plasma simulation, hindi kailangang hintayin pa matapos ang buong eksperimento o simulation. Kapag sinamahan ng Nemotron agent na lokal na nagpapatakbo, maaring magsagawa ng interactive analysis sa simulation results at baguhin agad ang simulation direction, na nagbibigay ng gabay para sa fusion reactor chamber at cavity design.
Sa drug R&D, ang cuPotential na base sa research ng Simons Foundation Flatiron Institute at D. E. Shaw Research ay nagbibigay ng hanggang 3x na bilis sa molecular simulation software, kasabay ng pagpapabuti ng computational stability at accuracy. Makakatulong ang tool para gumawa ng synthetic data para sa generative AI model training at mapadali ang pagtuklas ng mga bagong molecular binding sites at pag-compute ng interaction strength sa pagitan ng molecules.
Para sa material science, ipinakilala ng Nvidia ang Daviator tool. Ito ay isang batch GPU compute kernel para sa malawakang ginagamit na Vienna Ab initio Simulation Package (VASP), na kayang magpabilis ng quantum mechanics computations ng hanggang 22x at magbaba ng gastos ng hanggang 75%.
Sa biomedical field, ang bagong open-source na cuSpa ay nagpapabilis ng polygonal computation ng cells, sumusuporta sa malakihang spatial mapping at construction ng patient at cancer models. Ang application na ginawa ng Memorial Sloan Kettering Cancer Center ay naabot ang hanggang 900x na pagbilis kumpara sa CPU.
Ipinakilala rin ng Nvidia ang rapids-singlecell framework na nagpapabilis ng single-cell data analysis. Gamit ang tool na ito, napa-advance ng Therna Biosciences ang data processing speed ng hanggang 200x; Ang Basecamp Research ay gumagamit ng Nvidia GPU-accelerated HMMER library para sa bio-sequence annotation na umabot sa 84x ang bilis sa benchmarks.
Pinapakita ng mga kasong ito ang layunin ng Nvidia na gawing set ng scientific computing tools ang CUDA-X na kayang tawagin ng AI agents direkta -- mula sa pagiging GPU computing accelerator library patungo sa direktang kasangkapan ng AI agents. Hindi lang pag-unawa at plano kundi pati na lang pagproseso, simulation at analysis ng datos ay natatapos sa algorithm library na ito.
Photon Interconnect at Quantum Computing: Pagpuno sa Batayang Imprastraktura ng Supercomputing
Maliban sa GPU at scientific software, pinalawak rin ng Nvidia ang focus nito sa supercomputing network interconnect at integrasyon ng quantum computing at tradisyonal na supercomputing.
Sa network infrastructure, ginagamit na ng cloud computing provider na Lambda ang Nvidia photonic co-packaged optics (CPO) technology sa produksyon, para ikonekta ang GB300 NVL72 system at mahigit 10,000 GPU sa AI factories.

Ayon sa Nvidia, natuklasan ng Lambda na kumpara sa tradisyonal na pluggable optical modules, ang photon switch ay nagpapababa ng rack-level network latency ng 4% at pod-level latency ng hanggang 10% — habang nananatiling pareho ang throughput.
Ayon sa Nvidia, sa pag-i-encapsulate ng light engine kasama ng switch chip, na may photon technology, nagkakaroon ng 5x increase sa energy efficiency at 15x increase sa reliability laban sa pluggable modules, at ang bilang ng lasers ay bumababa sa isang-kapat na ng tradisyonal na solusyon.
Para sa malalaking AI clusters, ang network failure ay pwedeng magresulta sa libong GPU na naghihintay ng data, nagpapababa ng utilization. Kasabay ng paglaki ng demand sa agent inference at distributed compute, ang network latency, power consumption at reliability ay magiging susi sa compute efficiency.
Sa quantum computing, pinalalawak ng Nvidia ang Slurm workload management system upang isama ang quantum processing units (QPU) sa tradisyonal na supercomputing workflows.
Inilahad ng Nvidia na sa nakaraang limang taon, halos 7x na dumami ang quantum processors sa supercomputing centers at sa kasalukuyan, may halos 30 supercomputing centers sa buong mundo na gumagamit ng mahigit 50 quantum processors.
Dahil maraming supercomputing center ang gumagamit na ng Slurm para sa CPU at GPU scheduling, umaasa ang Nvidia na ang pagpapalawak ng Slurm upang suportahan ang quantum processors ay magbibigay-daan sa unified scheduling ng classical at quantum resources sa pamilyar na workflow ng researchers.
Ang update sa Slurm ay resulta ng pakikipagtulungan sa IBM, Pasqal at quantum community, na nagpapahintulot sa mga tagagawa ng quantum processors na gumamit ng unified interface para kumonekta sa iba’t ibang supercomputing centers—nababawasan ang duplicated software adaptation effort.
Sinusuportahan ng bagong version ang QRMI at QDMI interfaces, at na-adopt na ng IBM, IQM, Quantinuum, at Pasqal. Ang Slurm 26.11 ay inaasahang release sa huling bahagi ng Nobyembre.

Samantala, pinalawak ng Nvidia ang CUDA-Q quantum computing platform. Ang bagong TCBP-JOBS quantum error correction decoding algorithm ay nagpapabilis ng hanggang 13,000x kumpara sa industry standard algorithms. Ang Fermilab, gamit ang CUDA-Q, ay pinabilis ang research mula sa dating limang buwan papuntang tatlong linggo lamang.
Ipinalas din ng Nvidia ang pagsasanib ng quantum at classical computing: Ginamit ng QunaSys ang 1,024 Nvidia Hopper GPUs upang mag-simulate ng mahigit 300 milyong quantum operations at umabot sa chemical accuracy sa tetrahydrogen atomic model; Ang Nvidia researchers ay ginamit ang Germany JUPITER supercomputer upang magsimula ng simulation ng 104 quantum bits sa realistic noise, para i-test ang future fault-tolerant quantum architectures.
Ika-20 Anibersaryo ng CUDA: Ang developer ecosystem bilang pangmatagalang depensa
Ang SC26 ay may isa ring simbolikong punto: Ipinagdiriwang ng Nvidia ang ika-20 anibersaryo ng CUDA.
Noong Nobyembre 2006, inilunsad ng Nvidia ang CUDA at isinulong ito bilang GPU programming platform para sa scientific computing sa SC06. Pinayagan ng CUDA ang researchers na magprogram ng GPU gamit ang pamilyar na programming model, pinalawak ang GPU application mula sa graphics tungo sa scientific simulation, engineering computation at data analysis.
Sa loob ng 20 taon, naging core ng Nvidia accelerated computing ecosystem ang CUDA. Ayon sa Nvidia, may higit 11 milyong developer na ang gumagamit ng CUDA worldwide, at may higit 1,000 libraries ang CUDA-X.
Kabilang sa mga tampok na kaso ng Nvidia: Ginamit ng research team ng University of Illinois ang CUDA upang pabilisin ang molecular dynamics simulation, tumulong sa pagtukoy ng atomic structure ng HIV capsid; Ginamit ng University of Toronto researchers ang dalawang Nvidia GPUs para mag-train ng AlexNet, nagdulot ng breakthrough sa deep learning noong 2012; Ginamit din ang CUDA sa AlphaFold 2 protein structure prediction software na nanalo ng 2024 Nobel Prize in Chemistry.
Mula sa orihinal na focus ng CUDA sa scientific simulation at engineering computation, patungo sa foundation ng deep learning at generative AI, at ngayo’y nagbibigay na rin ng scientific algorithms at computing tools para sa AI agents, patuloy na nilalawak ng Nvidia ang 20-taong software ecosystem nito tungo sa AI-driven research.
Vera CPU Racks ilalabas sa simula ng susunod na taon; Dell, HPE, Lenovo at Supermicro magtataguyod ng supply
Inihayag rin ng Nvidia na ang rack-level na Vera CPU platform para sa high-performance computing ay inaasahang magsisimulang maging available ng simula ng 2027 mula sa Dell Technologies, HPE, Lenovo at Supermicro.
Pinagsasama nito ang 192 Vera CPUs sa isang rack, nilagyan ng Nvidia Quantum-X800 InfiniBand interconnect, may 300TB memorya at may 1PB storage, na may liquid cooling design at peak memory bandwidth na higit 200TB/s.
Ayon sa Nvidia, idinisenyo ang platform na ito upang mapabilis ang tasks tulad ng climate modeling, molecular dynamics simulation at iba pang data-intensive scientific computing workloads.
Disclaimer: Ang nilalaman ng artikulong ito ay sumasalamin lamang sa opinyon ng author at hindi kumakatawan sa platform sa anumang kapasidad. Ang artikulong ito ay hindi nilayon na magsilbi bilang isang sanggunian para sa paggawa ng mga desisyon sa investment.
Baka magustuhan mo rin
Ang script sa pagtatapos ng 2018: Patuloy ang pagtaas ng interest rate ng US Federal Reserve, bumagsak ng 20% mula sa pinakamataas noong Setyembre ang stock market ng US, na nagtulak sa US Federal Reserve na "magbago ng direksyon" noong Enero.
Naniniwala ang trading manager ng Goldman Sachs na ang kasalukuyang market ng US stocks ay muling nagkakaroon ng sitwasyon gaya noong katapusan ng 2018 kung saan nagkaroon ng monetary tightening at naging pressured ang stock market. Ang Goldman Sachs Financial Conditions Index ay lumapit ng halos 8 puntos sa loob ng dalawang linggo, na siyang pinakamataas sa loob ng isang taon, at ang paglabas ng mga asset sa market ay nagmula sa technology stocks patungo sa mga defensive na sector. Ang sabayang pagbagsak ng ginto at stocks ay posibleng nagpapakita na ang mga investor ay nagbebenta ng assets para mag-ipon ng cash, kaya ang ginto ay nagiging mahalagang indikasyon ng liquidity pressure.

Ang mga trader ng Goldman Sachs ay "bumalik sa script ng 2018": Malinaw ko pa ring naaalala ang "araw ng Disyembre 24, tinanong ng mga kliyente kung bakit sobrang bumagsak? Hindi ko rin alam."
Sinabi ni Brian Garrett na ang kasalukuyang pag-aayos ng merkado ng US stocks ay kahalintulad sa matinding pagbagsak noong ika-apat na quarter ng 2018: ang S&P 500 ay nakatapos na ng 42% ng pagbaba sa parehong panahon noon, at ang VIX ay malapit na rin sa peak bago mag-Pasko. Kung mauulit ang ritmo ng kasaysayan, maaaring lumitaw ang bagong pinakamababang punto sa Enero ng susunod na taon, ngunit hindi pa malinaw ang mga senyales ng pagtatatag ng base mula sa credit market at patakaran ng Federal Reserve.
Anthropic (ANT.US) muntik nang "ma-breach ang presyo," ngunit si Claude ay kumakatok na sa "unang sagradong bundok ng mundo ng matematika"! 17 milyong linya ng Lean code ang ginamit para magsulat ng posibleng patunay ng Riemann hypothesis
Noong ika-20 ng Nobyembre, oras sa East Coast ng US, bumaba ang presyo ng Anthropic sa pangalawang araw ng paglalista sa pinakamababang halaga na $83.05, halos limang sentimo lamang ang layo mula sa presyo ng isyu na $83, at nagtapos sa $88.91, na bumaba ng 8.50%. Sa parehong araw, inihayag ng mathematician ng kumpanya na si Levant Alpberg sa kanyang personal na website na natagpuan nila ni Claude ang isang posibleng patunay para sa Riemann Hypothesis, isang problemang bumabagabag sa larangan ng matematika sa loob ng 167 taon, at inilabas nila ang humigit-kumulang 17 milyong linya ng Lean formalized code.

Habang bumagsak ang US stock market, ang kompanya sa likod ng 《GTA 6》ay tumaas pa rin ang stock price! Unang araw ng benta umabot sa $3.79 bilyon, bagong rekord; Nakatutok ngayon ang Wall Street sa susunod na henerasyon ng GTA Online
Ayon sa datos ng Rentrak, nalampasan ng global box office ng Grand Theft Auto VI ang pinakamataas na kinita ng pelikula sa kasaysayan, ang Avengers: Endgame, na may kabuuang kita na humigit-kumulang $2.94 bilyon sa buong mundo.

