英伟达在芝加哥举行的SC26大会上,将科研智能体与新一代高性能计算硬件一并推向前台。公司超大规模与高性能计算副总裁Ian Buck介绍了Nemotron for Science、Rubin HPC GPU及扩展后的Vera CPU平台,并公布与IBM、费米国家加速器实验室的量子计算合作计划。

这些安排指向一个具体变化:科研软件开始承担规划实验、调用工具和检查结果的连续任务。判断其价值,需要同时考察任务完成质量、计算资源消耗,以及新硬件和合作计划的实际进度。

科研智能体把模型接入实验流程

Nemotron for Science将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方案结合起来。研究人员可以在DGX Spark、工作站或自有超级计算机上运行。

本地部署让模型能够围绕研究机构自身的数据与计算环境工作。其意义在于,智能体不只生成文字答案,还能把假设转化为模拟任务,再根据结果继续处理。按照Buck的介绍,阿贡国家实验室使用该工具包构建的智能体,从一条提示出发规划和检验假设、选择模拟,并识别出两个新的结合位点。

但自动完成流程与研究结论可靠仍是两个层次。上述案例展示了任务衔接能力,尚不足以证明智能体可以普遍替代研究人员对实验设计和结果的判断。后续更有价值的观察指标,是不同任务中的可重复性、错误处理能力及人工复核负担。

效率提升需要连同资源成本衡量

Buck列举的应用涉及软件维护和代码迁移。瑞典皇家理工学院开发的智能体,在单台DGX Spark上运行一夜,修复了81%的GROMACS测试案例;英伟达的Nsight AI Porting Agent则将天气研究与预报模型WRF中的一个例程迁移至GPU,使该例程加速超过5倍,消耗约1.5亿个令牌。

这两组结果衡量的是不同能力:前者是特定测试集中的修复比例,后者是单个例程迁移后的运行加速,不能直接推导出整个科研项目的效率提升。尤其是代码迁移,运行阶段节省的时间,还需要与智能体生成、试错和验证代码所消耗的资源一起计算。

我们的判断是,科研智能体的商业价值更适合按完整任务成本评估。若某个例程需要反复运行,前期迁移投入可能被后续使用摊薄;若任务只执行少数几次,单看加速倍数就容易高估收益。现有案例支持继续验证这一工具路径,但不足以量化普遍适用的成本优势。

CPU与GPU分工对应不同工作负载

Buck强调,智能体在模型推理步骤之间需要CPU执行工具调用、评估和结果汇总。这解释了英伟达为何在发布GPU之外,同时扩展Vera CPU平台:持续运行的科研智能体需要多种计算资源协作。

德国气候计算中心已为预计2028年初投入使用的HLRE-5超级计算机选择Vera CPU。Rubin HPC则是Vera Rubin平台面向科学、工程、分析及AI的新GPU,预计2028年推出,支持FP64至FP4精度、稀疏数据加速和第七代NVLink,拥有超过5万个CUDA核心。

这些规格体现了兼顾传统科学计算与AI任务的设计方向,但核心数量和精度支持范围并不等于实际应用性能。对科研机构而言,程序能否适配、不同精度是否满足计算要求,以及CPU与GPU之间的任务协调效率,都会影响最终使用效果。已公布的选型也应与未来交付和运行表现分别看待。

量子合作仍需区分目标与研究结果

英伟达、IBM与费米国家加速器实验室计划建立量子计算协同设计平台,支持纠错和应用研究。英伟达与IBM将把DGX B200系统同IBM量子计算机配合使用,其中包括采用IBM Quantum Nighthawk的系统。

在量子解码方面,Buck提出将延迟从约300微秒降至10微秒的目标,并称新的CUDA-Q解码算法TCBP-JOBS将纠错研究计算时间从12周缩短至45分钟。这两个指标分别涉及解码延迟目标与研究计算耗时,不能合并理解为实际量子系统已实现同等幅度的整体提速。

贯穿此次发布的主线,是把模拟、AI和量子研究接入更完整的计算流程。其进展应通过具体任务验证:智能体能否稳定完成研究步骤,2028年的硬件安排能否落实,以及量子纠错算法能否在目标系统中满足延迟要求。这些条件决定了发布内容距离持续可用的科研能力还有多远。