La SC26, NVIDIA a prezentat Nemotron for Science, un GPU Rubin HPC și platforma Vera extinsă pentru CPU-uri, plus o colaborare cu IBM și Fermilab pe computație cuantică. Ideea centrală: agenții AI intră în laborator, rulează simulări și verifică rezultate pe sistemele cercetătorilor, nu doar în cloud.
Ce a anunțat NVIDIA, pe scurt
Ian Buck, vicepreședinte hyperscale și high-performance computing la NVIDIA, a deschis săptămâna companiei la SC26 din Chicago. Anunțurile verificate din materialul sursă: Nemotron for Science, Rubin HPC GPU, platforma Vera CPU extinsă și un parteneriat în computația cuantică cu IBM și Fermilab, conform blogului NVIDIA.
Nemotron for Science combină modelul deschis Nemotron 3.5 Super VL cu un set de date deschis de chimie și rețete de post-antrenare pentru științele vieții. Se poate rula local, pe un DGX Spark, pe o stație de lucru sau pe propriul supercomputer. Buck a insistat pe mesajul de proprietate: datele și modelul rămân la cercetător.
Rubin HPC este un GPU nou în platforma Vera Rubin, construit pentru știință, inginerie, analytics și AI. Suportă precizii de la FP64 la FP4, adaugă accelerare pentru date rare și se conectează prin NVLink de generația a șaptea. Peste 50.000 de nuclee CUDA, de aproximativ trei ori mai multe decât Hopper, cu disponibilitate estimată în 2028.
Pe partea de CPU, Buck a explicat de ce agenții au nevoie de procesoare puternice: între pașii modelului rulează apeluri de unelte, evaluări, operații și colectare de rezultate. DKRZ, centrul german de calcul climatic, a ales CPU-uri Vera pentru supercomputerul HLRE-5, estimat pentru începutul lui 2028, alăturându-se sistemelor Vera deja anunțate la Texas Advanced Computing Center.
La capitolul cuantic, o simulare pe JUPITER de la Jülich arată că tehnica numită magic state cultivation reduce de zece ori operațiile pentru un pas logic. NVIDIA, IBM și Fermilab anunță planuri pentru o platformă de co-design care să susțină cercetarea în corectarea erorilor. Pe networking, Buck a arătat una dintre primele implementări ale switch-urilor cu optică co-packaged NVIDIA Photonics, la Lambda.
Agenții științifici ies din demo și intră în laborator
Partea cea mai interesantă pentru cine urmărește piața AI nu e hardware-ul, ci felul în care NVIDIA poziționează agentul: un software care planifică experimente, rulează cod și verifică rezultate pe sistemele cercetătorilor. Nu un chatbot care explică chimie, ci un executant care alege ce simulări să ruleze.
Exemplele date de Buck sunt concrete. La Argonne National Laboratory, un agent construit cu toolkit-ul a pornit de la un singur prompt, a planificat și testat ipoteze, a ales simulările și a identificat două situri de legare noi. Un agent de la KTH Royal Institute of Technology repară singur configurări GROMACS stricate și, într-o rulare peste noapte pe un DGX Spark, a rezolvat 81% din cazurile de test. La SETI Institute, un agent a primit un prompt de o linie pentru a trasa o linie de metanol la Allen Telescope Array și apoi s-a recalibrat singur pentru efectul Doppler.
Aici e schimbarea de substanță. Până acum, agentul AI în știință însemna asistent de literatură sau generator de cod. Acum vorbim despre un ciclu complet: ipoteză, execuție, verificare, ajustare. Iar faptul că rulează local, pe infrastructura instituției, schimbă discuția despre confidențialitate și despre costul marginal al fiecărui experiment.
Rămâne o întrebare pe care materialul sursă nu o acoperă: cât de bine generalizează acești agenți în afara scenariilor demonstrate? Un rezultat de 81% pe cazuri de test reparate sună bine, dar depinde cum au fost alese cazurile. O verificare incompletă nu dovedește nici că funcționează universal, nici că nu funcționează. Pentru o evaluare serioasă ai nevoie de seturi de test independente și de măsurarea ratei de erori pe care agentul le introduce, nu doar a celor pe care le rezolvă.
De ce contează CPU-urile într-o lume a GPU-urilor
Un detaliu care trece neobservat: Buck a petrecut timp real vorbind despre CPU-uri. Explicația e simplă și corectă. Un agent nu e o singură inferență mare, e o buclă. Modelul decide, apelează o unealtă, primește rezultatul, evaluează, decide din nou. Între pașii modelului, cineva trebuie să ruleze codul, să citească fișiere, să lanseze simularea, să adune output-ul.
Asta înseamnă că arhitectura pentru agenți nu seamănă cu cea pentru antrenare. Ai nevoie de mult CPU capabil și de latențe mici între noduri, nu doar de un GPU uriaș. Alegerea DKRZ pentru Vera nu e întâmplătoare: centrele de calcul climatic rulează modele masive de simulare, iar un strat de agenți deasupra înseamnă și mai multă orchestrere.
Pentru cine construiește produse AI, lecția se traduce direct: dacă planifici un agent care lucrează cu date reale, bugetează serios pentru partea de execuție și de unelte, nu doar pentru model. Modelele se schimbă lunar, infrastructura de rulare rămâne.
Ce înseamnă pentru tine, antreprenor sau marketer în România
Să fim transparenți: anunțurile de la SC26 nu îți schimbă campaniile de mâine. Rubin HPC are orizont 2028, iar HLRE-5 la fel. Nimeni nu își mută bugetul de ads pe baza unui GPU care nu e livrat.
Dar sunt trei lucruri pe care le poți folosi ca semnal, nu ca promisiune.
Primul: modelul open care rulează local. Ideea că un model specializat, cu date proprii, poate rula pe infrastructura ta, fără să trimiți totul într-un API străin, e exact argumentul pe care îl au acum echipele care vor AI în procese interne fără să expună date comerciale. Nu trebuie să fie Nemotron, dar principiul se aplică.
Al doilea: structura de agent cu buclă de verificare. Ce face agentul de la Argonne, adică planifică, execută, verifică, ajustează, e exact ce ar trebui să ceri de la orice automatizare de marketing pe care o cumperi. Un tool care doar generează variante de anunțuri fără să le măsoare e un generator, nu un agent.
Al treilea: răbdarea. Hardware-ul anunțat acum pentru 2028 ne amintește că infrastructura AI se mișcă pe cicluri de ani, în timp ce aplicațiile de marketing se mișcă pe cicluri de săptămâni. Dacă îți construiești strategia pe ce va exista peste doi ani, pierzi. Dacă o construiești pe ce poți măsura acum, câștigi timp.
Pentru partea de măsurare și vizibilitate în AI search, unde modelele devin tot mai des sursa de informație pentru clienți, merită citit și materialul despre metrica de trafic influențat de AI de la Semrush. Iar dacă automatizezi procese în magazine online, discuția despre automatizări fără cod cu Telegram și Zapier e mai aproape de realitatea ta decât un supercomputer.
Limitele anunțului și ce trebuie verificat
O parte din cifrele din prezentare sunt spectaculoase: reducerea de la 12 săptămâni la 45 de minute pentru un calcul de corectare a erorilor, scăderea latenței de decodare de la aproximativ 300 de microsecunde la 10, creșterea de peste cinci ori a unei rutine WRF după portare pe GPU. Sunt rezultate raportate de companie, pe scenarii alese de companie. Nu sunt minciuni, dar nici nu sunt audituri independente.
Ce ar trebui să verifici dacă te interesează subiectul: dacă rezultatele de portare se reproduc pe alt cod decât cel ales pentru demonstrație, dacă rata de 81% la GROMACS se menține pe configurări din afara setului de test, și dacă afirmația despre fiabilitatea switch-urilor Photonics (de 15 ori mai bună la erori de bit și link flaps) vine cu metodologie publicată. Până atunci, le tratezi ca direcție, nu ca fapt împlinit.
Asta e disciplina pe care o aplicăm și în auditurile noastre: distingem ce e măsurat de ce e ipoteză. Un audit automat nu dovedește singur o pierdere de bani sau o problemă de conformitate. Dovedește o suspiciune care cere verificare umană.
FAQ
Nemotron for Science e disponibil public? Materialul sursă spune că modelul e open și poate rula local pe DGX Spark, stație de lucru sau supercomputer propriu. Nu confirmă însă termeni de licențiere, disponibilitate pe țări sau costuri. Tratează anunțul ca direcție și verifică pagina oficială înainte să planifici ceva.
Când apar GPU-urile Rubin HPC în România? Nu există informație despre disponibilitate regională. Sursa indică doar orizontul 2028 pentru Rubin HPC și începutul lui 2028 pentru HLRE-5. Orice altă dată ar fi speculație.
Are legătură cu marketingul? Indirect. Agenții cu buclă de verificare, modelele care rulează local și CPU-urile pentru orchestrere sunt aceleași principii pe care le ceri de la orice automatizare de marketing serioasă. Hardware-ul nu îți schimbă campaniile, dar schimbă felul în care arată o automatizare bună.
Concluzia ALLSoft
AI-ul ajută. Un model bun analizează rapid seturi mari de date, propune planuri de test, structurează ipoteze și scurtează timpul dintre întrebare și primul draft de răspuns. În marketing, asta înseamnă mai puțin timp pierdut pe rapoarte și mai mult pe decizii.
Dar decizia și execuția rămân umane. Media buyer-ul știe ce se schimbă în cont când crește bugetul, ce înseamnă un CPA care arată bine dar nu ține, ce întrebare să pună când datele se contrazic. Un agent poate rula simularea, nu poate prelua răspunderea pentru bugetul clientului.
Pasul concret îl face ALLSoft Agency: pornim de la datele tale reale, separăm clar ce e măsurat de ce e ipoteză și construim un plan de test pe care îl poți urmări. Fără hype, fără cifre inventate, fără promisiuni de la SC26 aplicate pe un cont de mâine dimineață.
Comentarii
Ca sa lasi un comentariu, conecteaza-te sau fa-ti un cont gratuit.
Niciun comentariu inca. Fii primul.