Nvidia zaprezentowała akcelerator Rubin HPC, którego układ ma ponad 50 tys. rdzeni CUDA. To procesor graficzny przeznaczony do obliczeń naukowych i zadań związanych ze sztuczną inteligencją, a nie do gier czy typowych komputerów domowych. Dla porównania GeForce RTX 5090 ma 21 760 rdzeni — Rubin HPC oferuje więc ich ponad dwa razy więcej.
Na praktyczne testy trzeba będzie jednak poczekać. Nvidia przewiduje, że akcelerator trafi do wdrażanych systemów w 2028 roku, dlatego na razie nie ma niezależnych wyników, które pokazywałyby, jak radzi sobie w rzeczywistych zastosowaniach.
Akcelerator do nauki, nie do grania
Rubin HPC został ogłoszony podczas konferencji superkomputerowej SC26 i ma być częścią platformy Vera Rubin. Nvidia wskazuje na zastosowania takie jak symulacje materiałów i cząsteczek, modelowanie klimatu, analiza danych czy projektowanie przemysłowe. Duża liczba rdzeni CUDA ma wspierać obliczenia, które wymagają przetwarzania ogromnych zbiorów informacji.
Ważna jest nie tylko moc obliczeniowa, ale też sprawne przesyłanie danych między podzespołami. Według Nvidii połączenie tych elementów ma ograniczyć sytuacje, w których jednostki obliczeniowe czekają na potrzebne informacje. Firma nie podała jednak szczegółowych wyników, które pozwoliłyby ocenić skalę tej poprawy.
Liczba rdzeni robi wrażenie, ale nie wystarczy, by ocenić możliwości akceleratora. W obliczeniach naukowych liczy się także to, jak sprawnie system przesyła dane i jak dobrze oprogramowanie wykorzystuje sprzęt. Na niezależne porównania z innymi rozwiązaniami trzeba będzie poczekać do wdrożenia Rubin HPC.
Zobacz także: Najpotężniejszy serwer: 81 920 rdzeni CPU i 1,28 PB RAM w jednym 42U racku.
Obsługa rzadkich danych i komunikacja między GPU
Układ ma wykorzystywać mechanizmy przyspieszające obliczenia na rzadkich danych, czyli takich, w których istotna jest tylko część informacji z dużego zbioru. Takie operacje pojawiają się między innymi przy pracy z macierzami rzadkimi, sortowaniu, redukcji danych i obliczeniach typu stencil.
Rubin HPC ma również korzystać z siódmej generacji technologii NVLink. Ma ona usprawniać komunikację między wieloma kartami graficznymi pracującymi w jednym systemie, co jest istotne przy dużych symulacjach rozdzielanych na kilka procesorów. Nvidia nie ujawniła na razie przepustowości NVLink w tej konfiguracji.
AI ma przyspieszyć badania
Nvidia wiąże nowy akcelerator z rosnącą rolą agentów AI w nauce i inżynierii. Takie narzędzia mogą proponować nowe materiały, cząsteczki lub projekty, a symulacje pozwalają wstępnie sprawdzić ich właściwości przed eksperymentem w laboratorium albo budową prototypu.
Szybsze obliczenia mogłyby umożliwić badaczom sprawdzenie większej liczby pomysłów. Rzeczywiste korzyści będą jednak zależeć między innymi od używanego oprogramowania, konfiguracji systemu i rodzaju zadania. Nvidia wskazuje też na biblioteki CUDA-X, które udostępniają zoptymalizowane narzędzia do symulacji, analiz naukowych i przetwarzania danych.
Na niezależną ocenę trzeba poczekać
Sama liczba rdzeni CUDA nie przesądza o tym, jak szybko Rubin HPC wykona konkretne obliczenia. Znaczenie mają również architektura, pamięć, komunikacja między podzespołami oraz optymalizacja programów. Dopóki akcelerator nie trafi do działających systemów, zapowiedzi producenta nie da się zweryfikować w niezależnych testach.
Nvidia zakłada dostępność rozwiązania w 2028 roku. Dopiero wtedy będzie można sprawdzić, czy Rubin HPC rzeczywiście przyspiesza symulacje i analizę danych w deklarowanym stopniu — oraz jak wypada w porównaniu z innymi akceleratorami do obliczeń wysokiej wydajności.


50k rdzeni CUDA robi wrażenie na papierze — w końcu liczby, które da się pokazać inwestorom. Ale bez info o taktowaniach, FP64 i przepustowościach pamięci to tylko headline. I tak: to jasno nie do grania, więc kto liczy na RTX-y w obudowie — pomylił adres.
Kolejna wielka zapowiedź, ale gdzie konkrety? „Ponad 50 tys. rdzeni” brzmi ładnie, ale co z FP64, ile HBM, jaka szerokość magistrali pamięci na rdzeń, TDP i realne NVLink v7 bandwidth? Termin 2028 daje Nvidii dużo czasu na PR, a konkurencja może to rozjechać. Dopóki nie ma niezależnych benchmarków, traktuję to jako marketing.
Mam klaster na H100 i praktyka uczy ostrożności — skala sieci i sterowniki potrafią zabić przewidywane przyspieszenia. Operacje na rzadkich macierzach często wymagaja przepisania kernel’i i dopasowania do cuSparse/NCCL, inaczej rdzenie siedzą i czekają na dane. Rubin moze pomóc, ale obawiam sie, że soft musi nadążyć.
Sama liczba rdzeni nic nie mówi o throughputie w zastosowaniach HPC/AI. Kluczowe parametry to: FP64/GFLOPS, tensor-core throughput (FP16/FP8混?), HBM capacity i bandwidth (GB/s), cache hierarchy, NVLink latency/bandwidth, GPUDirect RDMA oraz topologia NUMA w multi-GPU node. Dla stencil i sparse istotne są hw gather/scatter i wsparcie dla formatów rzadkich. Bez Linpack/HPCG i realnych sparse-matrix multiply resultów ciężko ocenić realny gain. CUDA-X to +, ale to dopiero połowa sukcesu — druga połowa to optymalizacje algorytmiczne i runtime.
Planujemy zakup GPU do labu — lepiej czekac na Rubin w 2028 czy brac H100/A100 teraz? Najwieksze pytania to: kompatybilnosc ze Slurm/OpenMPI, wymagania power/cooling i czy istniejące biblioteki obsluga sparse beda wspierac nowe hw out of the box. Ktos ma prognoze cen albo wie cos wiecej o throughput NVLink v7?