AREXOpen in interactive Feed

AREX Feed Article

Google Cloud 在 SC26 发布 agentic HPC:智能体先审配额、等人工批准,才执行 gcluster deploy

November 14, 2026

SC26 超算大会(国际高性能计算、网络、存储与分析大会,官网)定于 11 月 15~20 日在芝加哥 McCormick Place 举行。开幕前一天,Google Cloud 官方博客于 11 月 14 日发布文章,作者是 HPC 产品经理 Megan Gawlik 与 HPC 集团产品经理 Annie Ma-Weaver。文章以「agentic HPC」为主线:扩展开源 Cluster Toolkit,把教智能体搭建与运行 HPC 负载的可组合 agent skills 发布到 Google Skills 与 DeepMind Science Skills 两个 GitHub 仓库,同时演示云端规模的进化智能体(evolutionary agents)以及专为 HPC 与 AI 交汇设计的超算基础设施。

公告的核心是一套部署前置流程:当用户让智能体搭建一套集群时,infrastructure skill 会指示它先审计计算与存储配额,对区域容量做快速 canary(金丝雀探测)检查,把工作负载匹配到经过验证的 Cluster Toolkit blueprint,并在等待人工批准之后,才运行 gcluster deploy 命令。这些能力与动机描述均出自 Google Cloud 自家的公告口径,尚无独立验证;但 skills 本体已按 Apache-2.0 许可开源在 GitHub 上,任何人都可以下载查看它到底怎么写。

Cluster Toolkit 的这次扩展:从 YAML blueprint 到 agent skills

Cluster Toolkit 是 Google Cloud 的开源部署工具:用户以 YAML 编写声明式 blueprint,gcluster 命令行工具把它与各模块一起编译成包含 Terraform、Packer 配置的部署目录,再落地成 Google Cloud 上的集群(Cluster Toolkit 文档)。Google Cloud 博客称,各组织目前依赖它部署可重复、生产可用的 HPC 环境;这次的扩展思路,是把团队积累的 HPC 与科学领域知识打包成可复用的 agent skills——带自描述、确定性的工具,经过自动化端到端测试验证,发布到 Google Skills 与 DeepMind Science Skills 两个仓库。

两个仓库均处于开放状态。google/skills 收录面向 Google 产品与技术的 Agent Skills,条目覆盖 Google Cloud、AI/ML、数据库与安全等方向,可用 npx skills add google/skills 安装;google-deepmind/science-skills 聚焦科研任务,覆盖基因组学、结构生物学、化学信息学与文献检索,README 建议配合 Google Antigravity 的 Science 插件使用,其许可与免责声明注明这是「非 Google 官方产品」。Cluster Toolkit 文档也已内置智能体接入点:仓库附 AGENTS.md、GEMINI.md、CLAUDE.md 上下文文件,指向 cluster-blueprint-assistant skill,帮助 AI 编码助手发现、定制并验证 blueprint。

博客把这次发布拆成三层:基础设施 skills 负责「部署前先验证」,负载专用 skills 懂具体科学应用,再往上是内置治理与 Day-2(部署后运维)诊断。

不受引导的智能体会怎么出错:Google 列出的三种情形

gcluster deploy 前的多道关卡,源自博客列出的三种出错情形:缺少基础设施与领域上下文时,不受引导的智能体可能把不兼容的存储层与计算优化型 VM(虚拟机)配对,可能忽略 placement(放置)策略,也可能在诊断多节点 MPI fabric(网络互连)故障时直接停滞。这三种情形都是 Google 的示例性描述,博客未附具体事故案例。

对应这些风险,infrastructure skills 把这四步全部放在 gcluster deploy 之前执行,人工批准是最后一道关卡。治理层同样写进 skills 设计:智能体在严格的 IAM(身份与访问管理)、Kueue 配额与预算护栏内运行,操作全程在 Cloud Logging 留下溯源记录。博客的定调是,agentic HPC「不是把不受引导的模型放任到终端上」,而是把 Gemini 的推理能力、Cluster Toolkit skills 的工程经验、Batch 上的进化优化与专用超算硬件组合起来。

集群上线之后:domain skills 与 Day-2 诊断

集群跑起来后,连接两个仓库的 domain skills 继续引导智能体:配置 OpenFOAM 与 Siemens STAR-CCM+ 的流体力学计算,调优 GROMACS 与 AlphaFold 3 的生命科学管线,或启动 Devito 与 Open Porous Media(OPM)的地下模拟,并配浏览器端 3D 可视化。部署后的排障也有对应 skills:结构化排障 skills(gke-kueue-debugging)用来自动处理卡死的队列或节点排空(node drains)。

AlphaEvolve on Cloud Batch:从笔记本上的种子算法到云端进化

博客认为,配置和运行现有求解器只是发现循环的一部分:在金融服务、EDA(电子设计自动化)、制造、物流、制药与 AI 训练领域,竞争优势来自更快的底层代码与算法,而这过去依赖稀缺的优化专家和昂贵的暴力算力。

Google DeepMind 开发的 AlphaEvolve 用 Gemini 驱动的进化循环,针对目标指标迭代变异、基准测试并优化代码与 3D 工程参数。AlphaEvolve on Cloud Batch 方案把「笔记本上的种子算法」到「大规模并行实验」的迁移流程化:单个 gcluster blueprint 即可提供 AlphaEvolve 控制器环境,Batch 把数百个候选评估并发分发到单 VM 沙箱或多节点 MPI 任务组;研究者可在托管 Python notebook 里引导进化实验、查看候选谱系,也可以把优化运行接进现有 CLI 工作流与 agent 开发工具。

规模是第三层考量:博客指出,在单节点、慢网络上演化出的算法可能只在小规模下表现好;让候选跨配备 Cloud RDMA(远程直接内存访问)与 Google Cloud Managed Lustre 的计算实例评估,再用 Spot VM 或 Dynamic Workload Scheduler(DWS)平衡成本与周转时间,得到的是面向真实超算 fabric 调优的算法。Google 称这将「永久降低未来每次生产运行的算力成本」——这是它的说法,公告未附对比数据。

从 H4D 到 Vera Rubin NVL72:底座硬件清单

博客同时给出硬件清单,由 Cluster Director 统一管理,支撑 agentic 流水线在内存带宽受限的物理求解器、领域基础模型(AlphaFold 3、AlphaGenome、WeatherNext)与大规模 AI 训练之间动态切换:

  • CPU:H4D 搭载第 5 代 AMD EPYC 处理器与 Cloud RDMA,含面向大型 EDA 与工程模型的 3 TB 大内存配置;C4A 基于 Google Axion Arm,主打性能功耗比。
  • GPU:A4 与 A4X 基于 NVIDIA Blackwell B200 和 GB200 NVL72,用于物理-AI 耦合管线与多节点 GPU 模拟;新近可用的 A5X 裸金属实例基于 NVIDIA Vera Rubin NVL72 平台,用于扩展前沿 AI 训练与推理;G4 搭载 NVIDIA RTX PRO 6000 Blackwell GPU,面向 CAE(计算机辅助工程)、CFD(计算流体力学)与 3D 可视化,并降低按核计费的软件许可成本。
  • TPU:第 8 代 TPU 中,8t 面向大规模预训练、强化学习与加速数学建模仿真(ModSim),8i 面向高吞吐、低延迟推理与 agentic 推理;Batch 现已支持在单主机 TPU slice 上运行作业。
  • 存储:Google Cloud Managed Lustre 读吞吐最高 10 TB/s,支持 GPUDirect Storage over RDMA,80 PB Dynamic Tier 搭配 Cloud Storage Mirroring,还可配 Cloud Storage FUSE 本地 SSD 缓存。

Booth #3418:现场演示与现在就能下载的东西

SC26 展览集中在 11 月 17~19 日(会议日程)。Google Cloud 请参会者到 McCormick Place West 的 Booth #3418 看 Antigravity for HPC、HPC Prompt Playground 与 AlphaEvolve for HPC 的现场演示,并参加 Advanced Computing Community 半日工作坊与 Agentic and Hybrid HPC BoF(Birds of a Feather)分会。

比展台演示更容易核验的是 GitHub:经 npx skills add 即可把 skills 装进自己的智能体环境。这篇公告没有给出部署成功率或耗时对比等实测数字,「智能体可靠地搭建生产级 HPC」目前仍是 Google 单方的描述;这套前置关卡是否挡得住它列出的三种错误,要等使用者在现场与仓库里实际验过才有答案。

参考链接

  • What's new in HPC and AI at SC26 — Google Cloud Blog
  • SC26 — SC Conference 官网
  • Chicago — SC26
  • Cluster Toolkit overview — Google Cloud 文档
  • google/skills — GitHub
  • google-deepmind/science-skills — GitHub