英伟达正将 AI 基础设施的竞争进一步延伸至科学计算领域。
在 11 月 16 日于芝加哥举行的超级计算大会 SC26 上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代 GPU——Rubin HPC,并围绕 CUDA-X 软件库、光子计算和量子计算等领域公布一系列进展,试图将 GPU 加速计算、AI 智能体与传统高性能计算(HPC)整合到统一平台。
此次发布释放出一个重要信号:随着 AI 智能体开始参与科研工作,能够自主提出假设、调用计算工具、运行仿真并根据结果调整方案,科学计算对算力的需求也正在发生变化。英伟达希望通过软硬件协同设计,让 AI 不只是辅助研究人员分析数据,还能直接参与从提出问题到验证结果的科学发现过程。
其中,Rubin HPC 是此次发布的核心硬件产品。与主要面向 AI 训练和推理的 GPU 不同,这款产品针对科学与工程计算中大量数据读取、稀疏矩阵运算和复杂仿真任务进行了专门优化。

英伟达在 SC26 期间还披露,Vera CPU 机架将于明年初上市。
整体来看,SC26 释放的信号是,英伟达希望争夺的不仅是 AI 训练和推理所需的 GPU 市场,还包括科学计算、工程仿真、量子计算以及相关基础设施的更广阔市场。随着 AI 智能体逐渐从信息处理工具转向能够调用专业软件、执行复杂任务的研究助手,GPU 算力、科学计算软件和高速互连网络之间的协同,将成为下一阶段高性能计算竞争的重要方向。
Rubin HPC:单颗 GPU 超过 5 万 CUDA 核心,专为科学计算优化
英伟达介绍,Rubin HPC 是 Vera Rubin 平台新增的一款 GPU,专门面向科学、工程和数据分析工作负载。其单颗 GPU 搭载超过 5 万个 CUDA 核心,创下英伟达 GPU 核心数量的新纪录,同时引入稀疏数据加速能力,并采用第七代 NVLink 互连技术,提高 GPU 之间的数据传输效率。

英伟达指出,科学计算与传统 AI 训练任务存在明显差异。无论是气候建模、工程仿真、基因组分析还是金融风险计算,相关应用往往需要从海量数据中反复提取分散的信息,再执行计算并不断重复这一过程。因此,单纯增加 GPU 计算核心并不足以解决问题,还需要同步提高数据传输和处理能力,避免计算核心因等待数据而闲置。
Rubin HPC 的设计重点正是让数据移动与计算能力保持平衡,通过加速稀疏矩阵运算、模板计算(Stencil Computation)、排序和归约等常见科学计算操作,提高整体计算效率。
英伟达尤其强调了 AI 智能体带来的需求变化。随着智能体能够帮助科学家和工程师探索更多候选材料、分子结构和工业设计方案,仿真计算将成为验证这些方案的重要环节。智能体提出假设后,可以调用仿真工具测试结果,再根据反馈调整下一步研究方向。GPU 仿真速度越快,研究人员能够探索的方案就越多。
英伟达表示,Rubin HPC 预计将于 2028 年上市。公司希望通过这款产品,将 AI 智能体、GPU 加速仿真和科学数据处理整合起来,缩短从提出假设到验证发现的周期。
CUDA-X 扩展科学计算版图:黑洞分析从一个月缩短至 8 分钟
如果说 Rubin HPC 提供的是硬件算力,那么英伟达此次重点展示的 CUDA-X 软件库,则是让 AI 智能体能够调用专业科学计算工具的关键。
英伟达在 SC26 公布了 CUDA-X 库的扩展进展,涉及 cuPhoton、cuPotential 和 cuSpa 等工具,覆盖天体物理、材料科学、药物研发和单细胞生物学等领域。
其中,天文学领域的一项应用颇具代表性。
事件视界望远镜(EHT)通过连接全球各地的射电望远镜,形成相当于地球直径的虚拟望远镜,用于观测黑洞。但相关观测会产生 PB 级数据,传统处理流程可能需要数月时间。
英伟达推出的 cuPhoton.xBeam 模块能够利用 GPU 加速射电天文数据的关联处理,将原本需要一个多月的分析任务缩短至 8 分钟。该工具已经用于分析黑洞喷流 J1924 和 3C279 的观测数据,并推动梅西耶 87 星系中心黑洞的实时图像重建。
在核聚变研究方面,英伟达展示了 cuPhoton.xLens 的应用。研究人员可以在等离子体仿真运行过程中同步提取数据和分析结果,而不必等到实验或计算全部结束后再进行处理。结合运行在本地系统上的 Nemotron 智能体,研究人员还能对仿真结果进行交互式分析,并实时调整模拟方向,为聚变反应堆靶室和腔体设计提供参考。
药物研发方面,cuPotential 基于西蒙斯基金会 Flatiron 研究所及 D. E. Shaw Research 的相关研究成果开发,能够将现有分子模拟软件的运行速度提高最高 3 倍,同时改善计算稳定性和准确性。该工具有助于生成用于生成式 AI 模型训练的合成数据,并帮助研究人员寻找此前未知的分子结合位点、计算分子之间的相互作用强度。
在材料科学领域,英伟达介绍了 Daviator 工具。这是一组面向广泛使用的 Vienna Ab initio Simulation Package(VASP)的批量 GPU 计算内核,可将量子力学计算速度提高最高 22 倍,同时将成本降低最高 75%。
在生物医学领域,新开源的 cuSpa 能够加速细胞多边形计算,为大规模空间图谱和患者、癌症模型构建提供支持。纪念斯隆凯特琳癌症中心的相关应用实现了相比 CPU 最高 900 倍的加速。
英伟达还介绍了 rapids-singlecell 框架,能够加速单细胞数据分析。Therna Biosciences 利用该工具将数据处理速度提高 200 倍;Basecamp Research 使用英伟达 GPU 加速的 HMMER 库进行生物序列注释,相关基准测试速度最高提高 84 倍。
这些案例显示,英伟达正试图将 CUDA-X 从传统的 GPU 计算加速工具,进一步发展为 AI 智能体能够直接调用的科学计算工具集。智能体不仅负责理解研究问题和规划步骤,还可以调用专门的算法库完成数据处理、模拟和分析。
光子互连与量子计算:补齐超级计算基础设施
除了 GPU 和科学计算软件,英伟达此次还将重点延伸至超级计算系统的网络互连,以及量子计算与传统超级计算的融合。
在网络基础设施方面,云计算服务商 Lambda 正在将英伟达光子共封装光学技术(Co-Packaged Optics,CPO)应用于生产环境,用于连接搭载 GB300 NVL72 系统、拥有超过 1 万颗 GPU 的 AI 工厂。
英伟达表示,Lambda 的测试显示,与传统可插拔光模块相比,采用光子交换机后,机架级网络延迟降低约 4%,Pod 级网络延迟最高降低约 10%,同时保持相当的吞吐量。
英伟达称,光子技术通过将光引擎与交换芯片封装在一起,相比传统可插拔光模块,能实现最高 5 倍的能效提升和最高 15 倍的可靠性提升,激光器数量减少至传统方案的四分之一。
对于规模庞大的 AI 集群而言,网络故障可能导致数千颗 GPU 同时等待数据,降低整个系统的利用率。随着智能体推理和分布式计算需求增加,网络延迟、功耗和可靠性也将成为影响算力效率的重要因素。
量子计算方面,英伟达正在通过扩展 Slurm 工作负载管理系统,将量子处理器(QPU)纳入传统超级计算工作流。
英伟达透露,过去五年,超级计算中心部署量子处理器的数量增长接近 7 倍,目前全球近 30 家超级计算中心正在部署超过 50 台量子处理器。
由于许多超级计算中心已经使用 Slurm 管理 CPU 和 GPU 计算任务,英伟达希望通过扩展 Slurm 对量子处理器的支持,让研究人员能够在熟悉的工作流中统一调度经典计算资源和量子计算资源。
此次 Slurm 的更新基于此前与 IBM、Pasqal 及量子计算社区的合作,允许量子处理器制造商通过统一接口接入不同超级计算中心,减少每个量子处理器与不同超级计算系统之间重复开发适配软件的工作。
新版本还支持 QRMI 和 QDMI 等接口,并得到 IBM、IQM、Quantinuum、Pasqal 等企业采用。Slurm 26.11 预计于 11 月晚些时候发布。
与此同时,英伟达还扩展了 CUDA-Q 量子计算平台。其中,新的 TCBP-JOBS 量子纠错解码算法,相比行业标准算法速度最高提高 1.3 万倍;费米国家加速器实验室利用 CUDA-Q 开展相关研究,将原本通常需要五个月的工作缩短至三周。
英伟达还展示了量子与经典计算结合的实际应用:QunaSys 利用 1024 颗英伟达 Hopper GPU 模拟超过 3 亿次量子操作,并在四氢原子模型中达到化学精度;英伟达研究人员则利用德国 JUPITER 超级计算机模拟 104 个量子比特在真实噪声环境下的运行情况,用于测试未来容错量子计算架构。
CUDA 迎来 20 周年:开发者生态成为长期护城河
此次 SC26 还有一项具有象征意义的节点:英伟达正在庆祝 CUDA 发布 20 周年。
2006 年 11 月,英伟达正式推出 CUDA,并在当年的超级计算大会 SC06 上向科学计算领域推广这一 GPU 编程平台。CUDA 让研究人员能够通过相对熟悉的编程模型调用 GPU 进行通用并行计算,使 GPU 的应用范围从图形处理扩展至科学模拟、工程计算和数据分析。
20 年来,CUDA 逐渐成为英伟达加速计算生态的核心。英伟达表示,目前全球已有超过 1100 万名开发者使用 CUDA,CUDA-X 则拥有超过 1000 个库。
英伟达列举的代表性案例包括:伊利诺伊大学研究团队利用 CUDA 加速分子动力学模拟,帮助推进艾滋病病毒衣壳的原子结构研究;多伦多大学研究人员利用两颗英伟达 GPU 训练 AlexNet,推动 2012 年深度学习领域的突破;而获得 2024 年诺贝尔化学奖的 AlphaFold 2 蛋白质结构预测软件,也使用 CUDA 进行 GPU 计算。
从 CUDA 最初服务于科学模拟和工程计算,到后来成为深度学习和生成式 AI 发展的重要基础,再到如今为 AI 智能体提供科学算法和专业计算工具,英伟达正在将这套持续了 20 年的软件生态进一步延伸至 AI 驱动的科研领域。
Vera CPU 机架明年初上市,戴尔、慧与、联想和超微电脑供货
英伟达还宣布,面向高性能计算的 Vera CPU 机架级平台预计将于 2027 年初起由戴尔科技、慧与科技(HPE)、联想和超微电脑供应。
该平台将 192 颗 Vera CPU 整合在一个机架中,并通过英伟达 Quantum-X800 InfiniBand 网络互连,配备约 300TB 内存和 1PB 存储,采用液冷设计,峰值总内存带宽超过 200TB/s。
英伟达称,该平台旨在加速气候建模、分子动力学模拟等数据密集型科学计算任务。












