Nvidia本周二宣布在英国上线Cambridge-1超级计算机,该系统预计耗资1亿美元,用于支持生命科学方面的研究。
Nvidia表示,这台超级计算机是英国迄今为止所部署的速度最快的计算机。
Nvidia公司创始人、首席执行官黄仁勋表示:“Cambridge-1系统将让全球领先的商界和学术界研究人员能够使用英国这台性能最高的超级计算机完成他们毕生的工作,以前所未有的规模和速度发现疾病和治疗的线索,而这在英国是前所未有的。这些科研成果虽然是在英国创造的,但影响力将是全球性的,推动开创性的研究,将让全球数百万人从中受益。”
在Linpack工具的测试下,Cambridge-1的系统性能可达8 petaflops 的性能。Linpack是一种主流的基准测试工具,通过让系统解决一系列数据方程式来测试系统的速度。Nvidia表示,Cambridge-1在运行AI工作负载时的性能可跃升到400 petaflops。
Cambridge-1系统是完全由可再生能源提供动力的,运行在数据中心运营商Kao Data管理的数据中心内。这台超级计算机采用给了80个Nvidia DGX A100计算模块,这些模块配备了用于运行AI软件的高端A100数据中心显卡,以及BlueField-2 DPU。DPU是一种辅助芯片,可以执行诸如网络管理之类的日常杂务,释放系统主处理器的资源用于执行其他任务,从而具有加速应用的效果。
Nvidia利用去年发布了SuperPOD架构打造了Cambridge-1系统。SuperPOD解决了构建超级计算机通常需要花费数月甚至是数年时间的这一挑战,通过使用Nvidia旗下Mellanox子公司的网络设备,将DGX A100计算模块连接在一起,使得该架构可以相对轻松地将DGX A100计算模块配备到超级计算机中,结果就是在某些情况下,硬件部署过程可以从几年或者几个月缩短到几周。
Nvidia将向生命科学领域的研究人员提供Cambridge-1系统,帮助推进他们的工作。Nvidia表示,正在与来自5个组织的研究人员展开Cambridge-1系统所支持的首批项目,包括AstraZeneca 、GSK、Guy’s and St Thomas’ NHS Foundation Trust、King’s College London和Oxford Nanopore Technologies。
目前Nvidia正在帮助AstraZeneca公司开发一种AI模型,研究可用于制造新药的化学结构。此外Nvidia计划把Cambridge-1系统用于一个旨在利用机器学习算法自动分析组织样本扫描的项目。
GSK将在药物发现过程中采用Cambridge-1系统,而King’s College London和Guy’s and St Thomas’ NHS Foundation Trust正在利用该系统训练AI模型以生成并合成大脑图像,从而使研究人员更好地了解大脑疾病,帮助他们开发促进早期诊断和治疗的各种方法。
King’s College London生物医学工程与成像科学学院院长Sebastien Ourselin教授说:“通过这一合作关系,我们将能够在医疗研究中具备前所未有的计算能力,这将真正改变患者的健康和治疗状况。”
此外,Oxford Nanopore Technologies公司也将利用Cambridge-1系统来改进他们的科学算法。该公司提供的DNA和RNA测序产品主要用于医疗和环境监测等领域。Nvidia表示,该公司预计利用Cambridge-1可以把某些算法改进任务的持续时间从几天缩短到几个小时。
好文章,需要你的鼓励
量子计算初创公司PsiQuantum宣布完成10亿美元E轮融资,由贝莱德领投,淡马锡和Baillie Gifford参投。本轮融资使公司估值达到70亿美元,较2021年D轮融资估值翻倍。资金将用于加速建造拥有超过百万量子比特的大规模可靠量子计算机,目标在2028年前完成。公司还宣布与英伟达合作开发量子算法和软件。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
Adobe公司正式推出首个AI智能体产品系列,旨在变革企业客户体验创建和营销活动优化方式。这些基于Adobe Experience Platform的智能体能够自动化网站优化、内容制作、受众细分等客户体验相关任务。产品包括受众智能体、客户旅程智能体、实验智能体、数据洞察智能体等多个专业工具,并配备AEP智能体编排器进行统一管理。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。