До 144 GPU в одной стойке, 5 петафлопс FP64 и ставка на агентный ИИ как на новый режим научной работы: Nvidia на конференции ISC High Performance 2026 в Гамбурге предложила не очередное ускорение железа, а новую схему для всей исследовательской цепочки. Для русскоязычной IT-аудитории это важный сигнал: рынок HPC все плотнее срастается с ИИ-агентами, а значит, разработка научного ПО, инфраструктуры и data pipelines будет перестраиваться под новые требования.
Компания, как пишет The Register, продвигает идею «агентных» суперкомпьютеров для науки на базе будущей платформы Vera Rubin и сопутствующего софта. Старший директор Nvidia по HPC и AI Factory Solutions Дион Харрис описал это так: ИИ перестает быть системой, которая просто отвечает на вопросы, и превращается в автономный контур, способный выполнять сложные задачи. В научном контексте речь идет о «со-ученых» из ИИ-агентов, которые могут планировать эксперименты, писать код для запуска симуляций, дергать суррогатные модели, анализировать данные и связывать все это в единый workflow. Формулировка звучит маркетингово, но сама тенденция вполне земная: чем больше в науке сложных вычислений, тем выше спрос на автоматизацию не только вычислений, но и исследовательской рутины вокруг них.
Новая ставка Nvidia: не просто GPU, а полный стек для лабораторий
В центре этой истории не только железо, но и попытка продать научным центрам целый стек. Nvidia утверждает, что для агентного ИИ в научных вычислениях нужны одновременно вычислительные ресурсы, память, сетевые соединения и специализированное ПО. Под это компания выводит связку из платформ Vera Rubin и Grace Blackwell, сети Quantum InfiniBand и нескольких новых программных инструментов. Среди них ALCHEMI для химии и материаловедения, DAQIRI для работы со следующими поколениями научных инструментов и cuPhoton для обработки петабайтных массивов изображений с камер и телескопов.
ALCHEMI Nvidia описывает как отраслевой toolkit для поиска новых химических соединений и материалов; внутри упоминается микросервис BGR, который должен моделировать миллионы молекул и структур. DAQIRI адресован задачам, где данные нужно не просто сохранить, а успеть осмыслить на лету. Харрис привел в пример эксперимент ATLAS в CERN: обычно там удается сохранить менее 2 процентов данных о столкновениях, а новая схема с ускоренным ИИ-триггером должна позволить извлекать больше полезной информации. По его словам, FPGA остаются на сверхбыстрой маршрутизации, а GPU берут на себя deep learning-модели для отбора событий. Третья часть, cuPhoton, рассчитана на астрономию и визуальные наблюдения. Nvidia заявляет, что в тестах на 32 суперчипах Grace Blackwell при моделировании данных обсерватории Rubin эта библиотека ускорила загрузку и чтение изображений в 15 000 раз, а обработку и анализ сигналов — до 8 000 раз. Это именно заявления компании, не независимый бенчмарк, но цифры показывают, в какую сторону она строит аргументацию.
Главный аппаратный герой презентации — Vera Rubin NVL, который должен выйти в четвертом квартале 2026 года. В одной стойке Nvidia обещает до 144 GPU и 5 петафлопс производительности FP64, то есть в режиме, который особенно важен для классических HPC-нагрузок, а не только для обучения моделей. Компания отдельно давит на память: по словам Харриса, Vera Rubin дает в 2,8 раза большую пропускную способность памяти по сравнению с Blackwell. На стойку приходится 41 ТБ памяти HBM4 и суммарная пропускная способность 3 ПБ/с. Для научных кодов, которые чаще упираются не в «голые» вычисления, а в движение данных, это, пожалуй, более важная цифра, чем красивый пик FLOPS на слайде.
Зачем ученым ИИ-агенты и что это меняет для индустрии
Самый любопытный момент в материале — не железо, а прямой ответ Nvidia на вопрос, зачем вообще внедрять агентный ИИ в науку, если научное исследование традиционно движется человеческим любопытством, гипотезами и спором. Харрис ответил без лишней скромности: по версии Nvidia, ИИ не обязателен для науки, но уже становится инструментом, позволяющим делать работу в масштабах, которые людям в одиночку недоступны. Аргумент ожидаемый и местами циничный: агенты не спят, не едят, не уходят на перерыв, могут проглатывать тысячи и миллионы научных статей и помнить детали из разных дисциплин — от астрофизики до зоологии. Перевод на нормальный язык такой: Nvidia хочет, чтобы научные группы думали об ИИ не как о чат-боте для резюме статей, а как о круглосуточной команде цифровых стажеров и инженеров-автоматизаторов.
Первыми «агентными» суперкомпьютерами компания называет системы Mission и Vision для Лос-Аламосской национальной лаборатории в США. Mission должен получить 2160 GPU Rubin и 1080 CPU Vera, Vision — 1298 Rubin и 648 Vera. На ISC также был анонсирован Veritas с 576 GPU Rubin и 288 CPU Vera. То есть разговор уже идет не о пробном кластере для лаборатории на пару стоек, а о больших национальных машинах, где Nvidia пытается застолбить следующую архитектурную норму. Если эта модель приживется, разработчикам в HPC и adjacent-сегментах придется думать не только об оптимизации CUDA-кода или MPI, но и о том, как встраивать агентов в пайплайны симуляций, оркестрацию задач, data ingestion и управление экспериментами.
Есть и второй слой контекста: Nvidia подает Европу как новую горячую точку HPC. Компания заявляет, что за последний год в регионе ввели в строй 35 новых суперкомпьютеров, и все они используют ее технологии. В перечне — Jupiter, который подается как европейская экзафлопсная система, MareNostrum 5 в Barcelona Supercomputing Center, Blue Swan от Bavaria AI, HammerHAI в Университете Штутгарта и мощности итальянской CINECA. Для рынка это означает усиление зависимости науки и национальных вычислительных программ от одного поставщика полного стека — от ускорителей и CPU до сетей и библиотек. Для бизнеса и госзаказчиков тут одновременно и выгода, и риск: выигрыш в скорости внедрения может обернуться еще более жестким vendor lock-in.
Для разработчиков, продактов и CTO в этой новости практический вывод довольно конкретный. Nvidia продает не просто новый GPU, а новый интерфейс между наукой, ИИ и инфраструктурой. Если модель взлетит, спрос сместится в сторону специалистов, которые умеют собирать надежные агентные workflow поверх симуляторов, приборов и массивов данных, а не только обучать модели или настраивать кластеры. Вопрос теперь не в том, появятся ли ИИ-агенты в научных вычислениях, а в том, где закончится полезная автоматизация и начнется дорогая прослойка из маркетинга, оркестрации и лишней сложности.