谷歌雲用 AI 代理破解超算瓶頸
高性能計算與人工智能的融合速度,超過了許多研究團隊的適應能力。算力資源難以獲取,工作負載如今橫跨雲端和本地集群運行。衡量標準正從峰值性能轉向“獲得發現所需的時間…
高性能計算與人工智能的融合速度,超過了許多研究團隊的適應能力。算力資源難以獲取,工作負載如今橫跨雲端和本地集群運行。衡量標準正從峰值性能轉向“獲得發現所需的時間”。在芝加哥舉行的 SC26 大會上,超算與 AI 的融合充分展現了這一轉變。
谷歌雲高性能計算產品負責人 Annie Ma-Weaver 表示,研究人員需要的算力超過任何單一站點所能提供,雲服務商現在正把 AI 代理作為連接分散資源的中間層來推廣。“我們正在提供這種靈活性。我們明白研究人員確實需要獲得算力,但他們不一定想學習所有關於如何把這些算力連接起來、如何跨不同集群進行編排的細枝末節,”Ma-Weaver 說。
Ma-Weaver 和谷歌雲高性能計算產品經理 Megan Gawlik 在 SC26 大會上接受了 theCUBE Research 的 John Furrier 和 Gemma Allen 的採訪,地點在 SiliconANGLE Media 的直播演播室 theCUBE。她們討論了 AI 代理如何簡化對分佈式計算資源的訪問、改變仿真和天氣預報,以及研究人員對 AI 生成結果的依賴所引發的問題。
代理式 HPC 將重點從浮點運算轉向科學發現 Ma-Weaver 解釋說,谷歌雲構建其代理式 HPC 戰略基於三大支柱:專用硬件、Slurm 和 Kubernetes 等開源編排工具,以及協作式 AI 代理。該公司在 SC26 大會的公告中闡述了這一方法。
Gawlik 表示,AI 代理現在能幫助科學家檢索研究文獻、調試代碼,並在幾分鐘內生成假設,而過去需要數週時間。“你能夠探索更多場景,可能用同樣的時間就可以去驗證那個假設是否合理,”Gawlik 說,“我認為這不僅是速度問題,更是準確性問題——你能從這種額外速度中真正獲得更高的準確性。”
仿真領域也在發生變化。Ma-Weaver 指出,工程師過去要在整個參數空間內運行仿真,現在可以先用 AI 判斷哪些候選方案值得測試。“例如,在計算機輔助工程領域,我們看到的情況是,你可以提前識別出哪些是非必要參數,然後就不運行這些仿真,從而縮短總仿真時間,”她說,“我們還發現,如果你在做設計並且有初始原型,你可以生成新穎、有創意的新原型。”
這些成果已經進入生產環境中的天氣預報領域。Ma-Weaver 解釋說,美國國家海洋和大氣管理局的預報平臺擁有繁重且緊密耦合的工作負載,過去只能在本地運行,現在則運行在谷歌雲上。Gawlik 指出,美國國家颶風中心還使用了谷歌的 WeatherNext 模型來預測 2025 年 10 月颶風梅利莎的路徑和強度。
但她補充說,對 AI 生成結果日益增長的依賴也給年輕研究人員帶來了風險——他們可能傾向於依賴機器輸出,而不是培養批判性思維能力。“AI 仍然不完美,”Gawlik 說,“我認為即使有輸出,我們稱之為 AI 垃圾。它可能仍然是垃圾。”
以下是完整影片採訪,屬於 SiliconANGLE 和 theCUBE 對 SC26 大會報道的一部分:
(*披露:谷歌雲贊助了 theCUBE 的這一環節。谷歌雲及其他贊助商對 theCUBE 或 SiliconANGLE 上的內容沒有編輯控制權。)
原文連結: https://siliconangle.com/2026/11/18/hpc-meets-ai-agents-google-cloud-targets-time-discovery-sc26/
insigtX 內容為資訊/教育性質,非投資建議。