在研究与开发医疗设备算法的过程中,始终需要具有高端算力的专用PC来探索最先进的算法。
并行计算平台和编程模型CUDA的出现,推动了NVIDIA GPU在许多医疗设备、医疗器械和模型中的集成,实现了高性能算法工作负载的软件开发循环。如今,AI已被应用于医学影像工作流程,并且自然而然地扩展到了其他使用医学影像的领域,例如具有视频或图像采集功能的医疗设备等。为了将AI集成到医疗设备中,需要投入更多的计算资源来加快新功能的开发。
NVIDIA正在推出NVIDIA Clara AGX开发套件来满足这一需求,从而推动针对医疗器械的高级算法和AI技术的研究。Clara AGX开发套件包含:Jetson AGX Xavier、Mellanox Connect X-6 NIC、RTX 6000 GPU和HDMI 2.0输入。Clara AGX SDK提供必要的OS、驱动程序和存储库、容器化运行时,以及AI技术示例。这一硬件和软件的组合创建了一个独特的平台,通过该平台,医疗设备制造商、软件开发者和医学研究界能够更轻松地将AI先进技术应用于医疗器械。
用于AI技术开发的可扩展计算
Clara AGX开发套件建立在Jetson AGX Xavier基础之上,包含一个基于Jetson产品系列的丰富且多样化存储库和工具的生态系统。Jetson AGX Xavier模块将运行功率低至10W、算力高达32 TOPS的AI自主机器变成现实。作为全球领先AI计算平台的一部分,该模块受益于NVIDIA丰富的AI工具和工作流,开发者可使用它快速训练和部署神经网络。Jetpack SDK是一款用于构建AI应用的综合解决方案,它通过标准Linux操作系统、为主板组件提供支持的BSP以及对CUDA的支持(并因此带来了整个CUDA加速生态系统),为Clara AGX开发套件提供支持。此外,Clara AGX SDK包含用于构建流数据处理流程的Rivermax和DeepStream、支持通过EGX进行部署的容器化运行时,以及用于为特定用例建模的参考应用。
虽然Jetson平台在技术上非常适合产品化,但新一代算法的开发需要NVIDIA独立GPU提供更多计算资源。高性能的RTX GPU能够减少优化代码所需的时间,并且可以在不影响性能的情况下进行算法实验。
Clara AGX开发套件中包含NVIDIA RTX 6000 GPU,其峰值性能超过200 INT8 AI TOPS。RTX 6000可以运行最复杂、要求最高的AI应用中的多个并发推理流程,从而促进最新AI模型的研发。
当研发完成且最终AI模型已准备就绪时,开发者可以优化这些模型,并将它们部署到一个完全可扩展的架构上。追求低功耗用例的开发者可以使用Jetson产品系列,该系列产品满足了小型产品对功耗和尺寸要求。此外,开发者也可以在结合Jetson和RTX GPU的产品系统上,部署高性能用例。NVIDIA正通过一套应用软件提供一个完整且可扩展的产品系列。
适用于高带宽传感器的可扩展连接
医疗器械以及许多其他嵌入式系统都需要通过GPU Direct或RDMA流在各类上游传感器和GPU之间建立高带宽连接。Clara AGX开发套件让客户能够通过两种不同的媒介实现这类专用连接。
第一种是通过集成NVIDIA Mellanox ConnectX-6 NIC实现对100G以太网和10G以太网的支持。该先进设备能够以全线速将GPU Direct连接到RTX 6000 GDDR DRAM。Clara AGX开发套件可减轻网络堆栈的负担,从而使串流的传感器数据包能够实现最高的吞吐量和性能,同时最大程度地减少对CPU利用率的影响。
第二种是用户可以采用两个支持自定义PCIe卡或其它NIC的PCIe Gen4x8插槽。第一个PCIe端口用于连接NVIDIA Mellanox ConnectX-6 NIC中的集成交换机。该端口支持将RDMA数据直接传输到RTX6000 GDDR DRAM中,其用例包括具有多个4k60 12G SDI输入的自定义视频采集卡。第二个PCIe端口用于直接连接Jetson AGX Xavier模块。该端口可以连接外部主机或通过自定义卡实现专用输出。
合作伙伴开发者计划
NVIDIA还为Clara AGX开发套件推出了合作伙伴开发者计划,包含NVIDIA硬件和协作网络。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。