NVIDIA SC26 Special Address
导读
2026年11月18日,NVIDIA在SC26超级计算大会上把“代理式AI”推到科学计算的正中央。公司官方博客称,Ian Buck在特别演讲中发布Nemotron for Science、Rubin HPC GPU以及扩展的Vera CPU平台;NVIDIA的SC26新闻汇总则强调,新工具让AI代理能在研究者自己的系统上规划实验、运行代码并检查结果。值得注意的不是又多了几个型号,而是科学软件的使用方式可能从“人操作工具”转向“人设定目标、代理执行闭环”。
这一转向有现实背景。科学发现既要处理越来越大的实验与模拟数据,也要把数据变成可验证结论,而后者仍依赖专家手工配置软件、迁移代码和反复试错。NVIDIA把模型、代理工具与硬件平台放在同一场发布中,说明代理要调用模拟、读取结果并决定下一步,必须有开放模型、可本地部署的工具链和匹配架构。SiliconANGLE将这场发布概括为“代理成为新科学家,而它们需要一个实验室”,并引述Ian Buck以“循环是新基准”总结这一主张,点出竞争焦点已从单次模型能力转向持续运行的科研闭环。
这也是这段特别演讲值得现在观看的原因。官方发布给出的是清单,视频则把清单放回一条二十年的技术线索:Ian Buck从2006年CUDA在Supercomputing大会上的小型教程讲起,说明GPU加速如何从基础数学库扩展到量子化学、气候预测、空间生物学等领域,再落到DGX Spark、实时科学库和代理式工作流。这条线索回答了一个关键问题:为什么NVIDIA能在此时把代理式AI带进科学计算,而不是让它停留在通用大模型的演示里。
视频提供的判断依据也更具体。Ian Buck在演讲中称,Argonne国家实验室的绑定位点设计任务里,代理仅凭一句提示便自主提出假设、选择AI模拟、生成子代理与代码、执行计算并迭代结果,最终识别出两个新的结合位点;GROMACS配置代理能检查500多个选项、修复设置并在沙盒中验证,带来5倍性能提升;SETI研究所则把艾伦望远镜阵列的观测流程完全代理化,用户用自然语言下达指令即可完成数据收集、校准和多普勒处理。这些案例仍需独立复现,但已展示“代理调用科学工具”的具体形态,而非抽象口号。
更值得注意的是,视频没有把代理式科研描述成纯软件故事。Ian Buck称,代理的工具调用需要大量CPU执行调度、操作和结果收集,GPU负责高效计算;NVIDIA因此把Grace/Vera CPU与Blackwell/Rubin GPU配对,并以Rubin HPC GPU和光子共封装交换机补齐面向科学负载的混合平台。他还以DKRZ新超算为例称,Vera CPU在把模拟性能翻倍的同时只需原CPU集群约四分之一能耗。由此,视频给读者的不是某一项跑分,而是一组评估代理式科学计算能否落地的标准:真实科学软件能否接入、本地数据与模型能否受控、CPU与GPU能否协同、系统能否在功耗约束下稳定运行。
因此,这段特别演讲的价值不在重复SC26的发布标题,而在于把“代理式AI进入科学计算”拆成可检验的工程问题:模型是否开放、工具链能否让代理操作真实软件、硬件能否支撑长时间闭环、研究者是否保留对数据和模型的控制。NVIDIA已用官方发布把这些问题推到台前,视频则给出它自己的答案和案例;接下来要看的,是这些答案能否在更多实验室、更多学科和独立复现中站住脚。
核心结论
- CUDA二十年生态积累构成科学加速的底层基石:从2006年CUDA以极简理念起步,到覆盖量子化学、气候预测等领域的庞大库体系,再到超1.2亿次下载和111万开发者,这一生态使GPU加速成为跨学科科学发现的统一平台,为后续所有突破提供了历史与平台基础。
- CUDA-X新库将实时处理推向仪器端,离线分析转为实时发现:冰立方中微子望远镜的南极就地处理、空间转录组学两秒级重建、实时原子显微镜与聚变等离子体可视化等案例表明,新库正把数据处理直接移至科学仪器端,使极端环境与前沿研究从滞后分析走向实时科学发现。
- GPU超算将科学模拟的规模与精度推向前所未有的水平:4.4万亿粒子银河系模拟和12,000原子酶模拟等戈登·贝尔奖级成果,证明GPU加速使科学家能够追踪暗物质分布、模拟更大生物分子,从而深化对星系形成与量子化学等基本问题的理解。
- Neotron for Science以开放模型和代理工具重塑科学发现流程:完全开放、可本地运行的模型配合微调、强化学习与代理构建工具,使代理能自主规划、调用模拟与AI工具;Argon国家实验室案例中代理仅凭一句提示便发现两个新结合位点,证明端到端科学发现闭环已经跑通。
- 代理式科学计算需要CPU与GPU协同的混合硬件栈支撑:代理的工具调用需要CPU执行调度与数据操作,GPU负责高效计算;Grace/Vera CPU与Blackwell/Rubin GPU配对,加上Rubin HPC GPU和光子共封装交换机,共同构成高能效、高可靠的混合平台,使代理式科学计算能在超算规模稳定运行。
观点拆解
1. CUDA生态二十年积累成为科学计算加速的基石 04:20
-
CUDA从2006年超算大会的小型教程起步,以“把C放到GPU上”的极简理念降低开发门槛:Ian Buck回顾CUDA首次公开亮相于2006年Supercomputing大会的一场小型GPU计算教程,运行在GeForce 8800 GTX上。其核心设计思路是让开发者用最熟悉的C语言编程、尽量少改代码,从而把GPU加速能力交给科学计算社区,这为后续二十年的生态扩展奠定了开发者基础。
“想法很简单:把C放到GPU上,尽量少做改动,帮助这个社区、帮助开发者。”
04:57“那是CUDA起步的地方。它运行在一块GeForce 8800 GTX GPU上。”
04:52 -
二十年库扩展使CUDA覆盖从基础数学到量子化学、气候预测等广泛科学领域:从最初的cuBLAS、cuFFT等基础数学库,到深度学习时代的cuDNN,再到基因组学、张量网络、数据科学,以及今天的量子计算、光刻、数字孪生、机器人、气候预测和药物发现,CUDA库体系随科学需求持续扩张。这种“为每种工作负载建库”的路径让平台生产力随库的丰富而增长,成为跨学科科学加速的统一底座。
“从2006年第一个工具包到今天,我们一起构建了一个几乎覆盖所有工作负载的库体系。”
05:22“当然今天还有量子计算、光刻、数字孪生、机器人、气候预测、药物发现。”
06:17 -
超1.2亿次下载、约111万开发者与超1000个SDK,使CUDA成为加速科学发现的开放平台:Ian Buck给出CUDA库超过1.2亿次下载、约111万开发者、超过1000个SDK的规模数据,并强调平台开放免费、兼容自2006年首款GeForce 8800 GTX以来的每一代GPU。这些数字和开放性共同说明CUDA已从工具包演变为科学发现的加速平台,其使命就是为发现提供平台。
“如今加速计算始于这些CUDA库。它的下载量已超过1.2亿次。”
06:43“我们粗略统计约有111万开发者,可能还更多。我们把它开放且免费,这很好。”
06:56 -
CUDA库正直接驱动从空间生物学到癌症研究的实际科学突破:Ian Buck明确表示CUDA库正在为每一项新的科学突破提供动力,并以空间生物学为例:在约一平方厘米组织样本中读取约12亿条RNA链、约70万个细胞,借助CUDA加速可在约两秒内完成重建,使研究从单个样本走向整条样本流水线。这说明CUDA生态不仅是历史积累,更是当下癌症等前沿研究的实际加速工具。
“回到科学。我谈到的那些CUDA库,确实在为每一项新的科学突破提供动力。”
12:34“使用CUDA加速全自动完成,只需大约两秒钟。”
13:57
2. CUDA-X新库正把实时处理能力带入天文、生物与聚变等前沿科学 07:49
-
冰立方中微子望远镜借助CUDA-X实现南极就地实时数据处理:Ian Buck以冰立方为例说明,这个埋在南极地下的巨型中微子望远镜面临数据回传难题,而NVIDIA帮助研究者在南极本地用DGX处理数据,把原本需要传回数据中心的分析变为就地完成。这体现了CUDA-X把实时处理能力带到极端环境科学仪器端的方向。
“这是一个冰立方仪器。它是一台巨大的、字面意义上千兆吨级的望远镜,并不仰望天空,而是埋在南极地下,试图发现宇宙中微子。”
07:49“问题在于,你在南极,把数据传回数据中心再处理有点困难。所以我们一直在帮助他们,研究者可以在南极本地处理所有这些数据。”
09:58 -
空间转录组学库将组织样本RNA重建从离线分析压缩到两秒级:在空间生物学案例中,显微镜读取组织样本中约12亿条RNA链和70万个细胞,重建问题极其困难。Ian Buck指出,借助CUDA-X库,这一全自动重建只需约两秒,使研究者能从单个样本处理扩展到整条组织样本流水线,用于癌症研究。
“这是一个非常困难的重建问题:要判断这个细胞是什么、它在哪里,如果是癌细胞,要看它往哪里去,并看到细胞内正在发生的个体RNA表达。”
13:31“使用CUDA-X库全自动完成只需大约两秒。所以现在我们可以不只处理一个组织样本,而是处理整条组织样本流水线,来理解癌症并开展研究。”
13:57 -
实时原子显微镜与聚变等离子体可视化把离线仪器变为实时科学发现工具:Ian Buck介绍了两个新库:Daiquiri让劳伦斯伯克利国家实验室的原子显微镜从离线取图变为实时观察原子移动;cuPhoton则帮助Pacific Fusion实时可视化聚变反应堆内部等离子体,并用于全球分布式望远镜观测黑洞。这些案例共同说明CUDA-X正把仪器数据直接送入GPU处理,实现实时科学发现。
“这实际上把他们的原子显微镜从离线模式——放入样本、处理、稍后得到图像——转变为完全实时。他们实际上能看到硅和单个原子移动、调整样本,做成实时原子显微镜。”
14:35“为此我们必须把数据直接从仪器移出,进来并处理,全部实时完成。Daiquiri的设计就是把数据从仪器直接送入GPU,立即运行处理,使其从离线仪器变为实时仪器。”
14:58“cuPhoton帮助它们可视化反应堆内部正在发生的情况。”
15:41
3. 戈登·贝尔奖级模拟展示GPU超算在星系形成与量子化学中的规模突破 19:46
-
ULIX超算上的银河系模拟以4.4万亿粒子规模深化暗物质研究:Ian Buck介绍,在ULIX超算上运行的银河系形成模拟达到4.4万亿粒子规模,模拟了约45亿年前银河系形成过程,用于研究暗物质分布及其在星系演化中的作用。这一规模突破使科学家能够更精细地追踪星系旋臂折叠、旋转以及暗物质随时间的分布变化,从而回答暗物质从何而来、如何影响星系形成等基本问题。
“这实际上是我认为是最大的银河系模拟之一。关于我们星系的一个大问题是,理解是什么把一切维系在一起。”
20:52“这是一个4.4万亿粒子模拟。所有的小白点都是恒星、氢气和所有暗物质。我们让这个模拟运行,研究旋臂如何折叠和旋转,并研究暗物质的不同分布,以理解暗物质从何而来,在星系形成初期它在哪里,以及它如何随时间演变。”
21:42 -
量子化学酶模拟以12,000原子规模实现40倍于此前最先进水平的突破:Ian Buck提到,量子化学团队完成了全球最大的酶模拟之一,涉及12,000个原子,模拟规模比此前最先进水平扩大了40倍。这一成果展示了GPU加速在量子化学领域的规模突破,使更大、更复杂的生物分子模拟成为可能,从而推动对酶等生物系统的深入理解。
“我们有量子化学团队,为了理解世界上最大的之一——我想是最大的酶模拟。这实际上是12,000个原子,并且能够模拟——将模拟规模扩大到此前最先进水平的40倍。”
20:16 -
戈登·贝尔奖级成果彰显GPU超算在科学模拟中的规模与精度飞跃:Ian Buck在总结戈登·贝尔奖投稿时,重点展示了ULIX超算上的两项标志性成果:4.4万亿粒子银河系模拟和12,000原子酶模拟。这些工作不仅体现了GPU加速将科学模拟的规模和精度推向前所未有的水平,也展示了超算在解决星系形成、暗物质本质和量子化学等基本科学问题上的巨大潜力。
“我们在欧洲建造的超级计算机,百亿亿级超级计算机ULIX,做出了一些令人惊叹的工作。”
20:00“更不用说,它绝对美丽。一定要祝贺Rican的人们,我们本周晚些时候将看到戈登·贝尔奖的结果。”
22:09
4. Neotron for Science以开放模型和代理工具重塑科学发现流程 28:27
-
Neotron for Science以完全开放、可本地运行的模型降低科学AI的使用门槛:Ian Buck强调Neotron系列模型从零训练、数据与配方全部开放,且许可宽松、可本地部署,让研究者真正拥有模型与数据。这为科学发现提供了可自主掌控的基础模型平台,是代理式科学计算落地的前提。
“Neimatron是NVIDIA开发的完全开放模型。我们从零开始训练,提供全部数据和配方来构建前沿级模型,但完全彻底开放。”
30:10“最重要的是,你可以在本地运行它。无论是你的DGX Spark、工作站还是你自己的超级计算机。你拥有你的数据,你拥有模型。”
30:45 -
配套微调、强化学习与代理构建工具,让代理能自主调用科学工具:NVIDIA不仅开放模型,还释放了微调、强化学习以及构建代理工具的全套工具链,并提供生物学、化学等内置配方。其目标是让代理能够理解并调用科学软件,在本地GPU上运行高精度、完全在框架内的代理,从而把模型能力转化为可执行的科研工作流。
“我们同时发布所有工具,帮助你进行微调和强化学习,最重要的是构建知道如何与你的科学工具对话的代理工具。”
31:12“这套工具和模型免费提供给你们构建,包括一些面向科学的内置配方。我们已有生物学和化学的示例,以及其他即将推出的内容,用来打造高精度、完全在框架内、可在本地GPU上运行的代理。”
31:26 -
Argon国家实验室案例证明代理可自主规划并发现两个新结合位点:在Argon国家实验室的binder设计任务中,代理仅凭一句提示便自主规划、提出假设、选择AI模拟、生成子代理与代码、执行计算并迭代结果,最终发现两个新的结合位点。这一实证表明Neotron for Science已能驱动端到端的科学发现闭环,而非停留在概念演示。
“代理随后就行动:它规划,尝试不同假设,决定每个假设该运行哪些AI模拟。它生成子代理,选择技能。然后生成代码,在计算机上执行操作,配置、读回结果、查看数据、重新提交新任务。”
32:28“结果它实际上为这个酶识别出了两个新的结合位点,从而完成了那次发现。”
32:50
5. 代理式AI已从概念走向GROMACS配置、SETI观测和代码移植等实际科研场景 33:15
-
GROMACS配置代理:自动修复配置错误并实现5倍性能提升:Ian Buck以GROMACS为例,说明代理能检查超过500个配置选项、修复错误、在沙盒中重跑验证,最终带来5倍性能提升。这展示了代理在解决科研软件长期存在的配置效率瓶颈上的实际价值。
“他实际上发现了一套5倍的性能提升。”
34:09“它实际上会修复你的设置文件。它会在沙盒中重新运行GROMACS并测试验证其工作正常,然后再执行实际任务。”
34:01 -
SETI艾伦望远镜阵列全代理化:自然语言指令驱动复杂射电天文观测:SETI研究所将艾伦望远镜阵列完全代理化,用户只需用自然语言发出指令,代理即可自动收集数据、校准、处理多普勒频移并输出结果。这降低了射电天文学的操作门槛,有望扩大用户基础。
“他们已将艾伦阵列的望远镜仪器完全代理化。”
34:52“代理会处理所有这些。”
35:45 -
Insight AI移植代理:数十万行遗留代码加速5倍以上:NVIDIA发布Insight AI移植代理,可将数十万行遗留代码移植到GPU,在WRF测试中仅消耗约1.5亿token即获得超过5倍的性能提升。这为科研代码现代化提供了高效工具。
“它可以处理数十万行代码并将其移植到GPU。”
36:17“在仅消耗约1.5亿token后,WRF中那个特定例程获得了超过5倍的提升。”
36:32
6. 代理式科学计算需要CPU与GPU协同的新硬件栈 37:01
-
代理式AI的工具调用需要CPU承担调度与执行,CPU与GPU协同成为新硬件栈的基础:Ian Buck指出,代理运行中的工具调用需要大量CPU来执行操作、收集结果,而GPU负责高效计算;NVIDIA将Grace/Vera CPU与Blackwell/Rubin GPU配对,形成让GPU持续高速运转的协同架构。这说明代理式科学计算并非单纯堆叠GPU,而是需要CPU与GPU各司其职的混合计算平台。
“工具调用以及代理的运行实际上需要大量CPU,而不仅仅是GPU。”
37:08“它们需要一个CPU来运行、评估、执行工具、完成操作、收集结果。”
37:50 -
Vera CPU以能效和性能优势支撑科学计算,回应超算的功耗约束:Ian Buck以DKRZ新超算为例,说明Vera CPU在将模拟性能翻倍的同时仅需原有CPU集群四分之一的能耗;他强调许多数据中心和超算受功耗限制,CPU与GPU都必须高能效。这显示CPU协同方案不仅提升性能,也直接回应了科学计算规模化部署的能源瓶颈。
“这实际上将其现有CPU集群上的模拟性能翻倍,但只需要四分之一的能源。”
38:18“我们的GPU和CPU必须高能效。我们不能浪费能源。世界上许多数据中心都只是受功耗限制,超算也受功耗限制。”
38:28 -
Rubin HPC GPU与光子共封装交换机补齐混合平台,面向科学负载平衡并提升可靠性:NVIDIA推出专为科学、工程和AI平衡设计的Rubin HPC GPU,支持从FP64到FP4的全精度并大幅增加CUDA核心,同时以光子共封装交换机降低延迟、功耗并提升链路可靠性。这些硬件共同构成高能效、高可靠的混合计算平台,使代理式科学计算能够在超算规模上稳定运行。
“这是Rubin HPC。这是一款新GPU,是我们正在打造的Rubin架构的新变体,面向科学、工程、分析和AI。”
42:11“这样做的好处是将光直接带到硅片附近,带来一点更低的延迟、更少的功耗,但最重要的是更高的可靠性。”
46:25
7. DGX Spark将数据中心级AI算力下沉到科研现场与桌面 09:58
-
DGX Spark 让极端环境下的科研数据得以本地处理:Ian Buck 以南极观测站为例指出,将海量数据传回数据中心十分困难,而 DGX Spark 能在现场直接完成数据处理与缩减,使偏远地区的科研工作不再受制于网络传输瓶颈。
“问题在于,你在南极。很难把数据传回数据中心进行处理。所以我们一直在帮助他们,实际上那里的研究人员……你可以直接在本地处理所有数据。”
09:58“这台仪器每天产生约一TB的数据。从南极运输非常困难。他们可以在那里完成所有处理和數據缩减。”
10:41 -
DGX Spark 以小型化形态将 Blackwell 算力交付到科研人员桌面:NVIDIA 正式为 HPC 激活 DGX Spark,强调其虽为可放在桌面上的小型设备,却搭载最新 Blackwell 技术,让研究人员拥有属于自己的数据中心级算力。
“我们在 Supercomputing 上宣布的一件事是,我们正在为 HPC 激活它。我们希望你们拥有最新的 Blackwell 技术,尽管是更小的外形尺寸,可以放在你的桌子上。”
11:25“它是你的。你可以拥有它,并开发下一代 AI 模拟,使用最新的 Blackwell、最新的 CUDA 以及我们所有的库来完成这项工作。”
11:38 -
配套 HPC 工具包与多机互联能力将 DGX Spark 变成桌面级迷你超算:NVIDIA 发布专为 DGX Spark 设计的 HPC 工具包,支持构建和运行模拟代码、训练科学 LLM 及创建代理式 AI 框架;同时多台设备可互联组成可扩展的桌面迷你超算,降低代理式计算机的使用门槛。
“我们发布了一个新的 HPC 工具包,即面向 DGX Spark 的 HPC 工具包,它旨在让你构建和运行模拟及所有那些代码,我们已经测试过,它允许你构建和训练自己的科学 LLM 模型,并构建和创建 AI 代理框架。这是你的代理式计算机。”
11:48“当然,如果只做一个那就不叫超级计算了。所以,我们把它们全部连接起来,驱动程序已运行并安装好。它运行 NPI。你可以在自己的桌子上搭建一个小型迷你超级计算机。插上墙电即可。它具有可扩展性、兼容性,并且可以从我们和合作伙伴处获得。”
12:08
8. 量子计算正通过GPU模拟与实时纠错走向实用化 22:21
-
量子计算受限于物理极限,需百倍物理量子比特支撑一个逻辑量子比特:Ian Buck指出量子比特工作在物理极限边缘,极不可靠且难以保持相干,当前一个科学相关的逻辑量子比特需要约100个物理量子比特协同工作,且需执行数十万次操作才能完成一步逻辑计算。这揭示了量子计算走向实用化的根本障碍在于纠错与相干控制,而非单纯的比特数量扩展。
“在量子计算中,这些比特运行在物理学的极限边缘。”
22:49“如今要形成一个科学相关的量子比特,实际上需要整整100个量子比特协同工作才能执行一次操作。”
23:10 -
GPU超算以数字孪生模拟量子计算机,魔法态培育将逻辑操作数降低10倍:NVIDIA利用Jupiter超算构建量子计算机的物理数字孪生,模拟热噪声等各类错误来源,以研究不同纠错算法。其中魔法态培育新技术在8000块GPU上完成模拟验证,将执行一步逻辑操作所需操作数降低10倍,等效于将科学相关量子比特数量提升10倍,展示了GPU模拟加速量子算法创新的直接价值。
“这是最近在Jupiter上完成的工作,它创下了容错量子超级计算的新纪录。这是对量子计算机物理数字孪生的实际模拟,模拟所有热噪声以及错误可能发生的各种方式,以研究不同算法和不同方法。”
24:30“他们在超过8000块GPU上运行了模拟,基于真实的数字孪生,证明他们可以使用新算法将操作数减少10倍,实际上相当于给你10倍数量的科学相关量子比特。”
25:19 -
与IBM、费米实验室合作,GPU实时纠错将数据处理从12周缩短至45分钟:NVIDIA宣布与IBM和费米实验室合作,用DGX B200 GPU配合IBM Nighthawk QPU实现实时错误检测与纠正,目标是将纠错处理延迟从约300微秒降至10微秒以内。同时新开发的CUDA量子解码器将量子计算后的数据分析时间从12周压缩到约45分钟,极大加速了纠错技术的实验迭代,是量子计算走向实用化的关键工程突破。
“我们今天上午还宣布,我们正与IBM和费米实验室合作,进一步改进和加速我们处理和读取这些量子计算机信息的方式。”
26:21“使用新的基于CUDA量子解码器、一种称为轨迹校准置信度校准的技术以及束搜索,那12周的时间在GPU上直接降到了约45分钟。”
28:02
总结
这场演讲的真正信号不是某一款产品,而是科学发现范式的整体迁移:CUDA二十年积累让GPU成为科学加速的通用底座,实时库把仪器变成发现工具,代理式AI则开始自主规划实验、调用模拟并迭代结果。当开放模型、混合硬件栈与代理工具链合为一体,科研效率的瓶颈将从算力转向研究者如何与代理协作设计发现流程。
信息源
视频来源
- NVIDIA SC26 Special Address:https://www.youtube.com/watch?v=uJG53ligJt4
外部资料
- Ian Buck Kicks Off NVIDIA's Week at SC26 as Science Enters the Age of ...:https://blogs.nvidia.com/blog/ian-buck-sc26/
- At SC26, NVIDIA Unveils the Latest Advancements in Scientific ...:https://blogs.nvidia.com/sc26-news/
- Nvidia at SC26: Agents are the new scientists, and they need a lab:https://siliconangle.com/2026/11/17/nvidia-at-sc26-agents-are-the-new-scientists-and-they-need-a-lab/