今年5月NVIDIA推出Ampere GPU架构的时候,公布了一套名为Selene的新型超级计算机,总性能在全球排名第7。Selene现在成为美国最快的工业系统,也是有史以来第二高能效的系统。Selene采用风冷方式,在标准数据中心内构建完成仅仅用了三周时间,而通常安装一套超级计算机需要9-12个月。如此之快,很可能是因为采用了NVIDIA即插即用的DGX系统,该系统配置了AMD CPU、A100 GPU和Mellanox HDDR网络。不久之后,佛罗里达大学宣布他们也构建了同样是基于DGX A100平台的超级计算机。因此,NVIDIA履行了首席执行官黄仁勋(Jensen Huang)的承诺,即NVIDIA不仅有GPU业务,还将在端到端数据中心的竞争中脱颖而出。
Selene不是NVIDIA首次涉足基于DGX的超级计算机,NVIDIA最早是在2017年推出Volta GPU的时候公布了SaturnV超级计算机。NVIDIA在构建自有超级计算机的过程中积累了很多经验,从而帮助NVIDIA将这些经验运用于学术界和大型云基础设施,同时为NVIDIA工程师们提供世界一流的产品设计和软件优化计算平台。SaturnV和Selene还可作为参考架构,供潜在客户进行测试,以确定是否可以满足他们的需求,让外界对于NVIDIA作为高性能基础设施的一级厂商充满信心。不仅佛罗里达大学对于NVIDIA系统的表现印象深刻,美国阿贡国家实验室、微软和洛克希德·马丁公司也都拥有了自己的DGX SuperPOD,而且该设计在HGX版本中已经开源,任何数据中心都可以根据需要自行构建。
许多媒体文章中都详细介绍过,这套系统是在疫情期间配置和安装的,为了遵守社交隔离政策,只有两个安装团队。我们在这里想重点谈一谈该系统对NVIDIA业务及其合作伙伴业务的意义和影响。
NVIDIA在DGX和HGX参考体系结构方面拥有丰富的经验,NVIDIA和合作伙伴网络也进行了整体的升级,提供从芯片和模块到包括软件、计算基础设施、网络和存储在内的全套数据中心。现在,客户可以直接找NVIDIA合作伙伴经销商或者DGX就绪数据中心合作伙伴安装DGX、DGX POD和DGX SuperPOD,或者以云的方式获得这些资源。可以肯定的是,DGX A100并不便宜,起价为19.9万美元,但是客户能够在几周之内(而不是几个月)就让系统平稳且低风险地运转起来。
NVIDIA尚未将该系统的收入数据从其他业务中划分出来,但是我预计这个产品系列将会迅速增长,成为NVIDIA的一个重要收入和利润来源。毕竟,NVIDIA到目前为止至少有十几个DGX客户,而Selene本身配置有280个DGX A100,如果有人要购买的话,标价为5600万美元。
最重要的是,NVIDIA一直在价值链上端发展,致力于将以往归于OEM合作伙伴的收入和利润收入自己的囊中。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。