現(xiàn)代高性能計算不僅使得更快的計算成為可能，它正驅(qū)動著 AI 系統(tǒng)解鎖更多領(lǐng)域的科學(xué)突破。

高性能計算經(jīng)歷了多次迭代，每一次都源于對技術(shù)的創(chuàng)造性再利用。例如，早期的超級計算機使用現(xiàn)成的組件制造。后來，研究人員用個人電腦構(gòu)建了強大的集群，甚至改造游戲顯卡，把它們用于科學(xué)研究。

當(dāng)今的高性能計算系統(tǒng)專為高速計算而設(shè)計，其中許多都采用了 NVIDIA 加速計算技術(shù)。在 ISC 2025 大會上揭曉的最新全球最快超級計算機 TOP500 榜單顯示，NVIDIA 為該榜單中 77% 的系統(tǒng)提供動力。

與此同時，像 Tensor Core 這樣的創(chuàng)新功能為矩陣乘法等常見運算提供了更快的計算能力，而混合精度等技術(shù)的普及則大幅提升了性能和能效，推動了氣候科學(xué)和醫(yī)學(xué)等領(lǐng)域的飛躍式發(fā)展。

NVIDIA 為 TOP500 中名列前茅的系統(tǒng)提供動力

NVIDIA 在超算領(lǐng)域繼續(xù)處于領(lǐng)先地位，為最新 TOP500 榜單中的 381 個系統(tǒng)提供動力，包括新進躋身前十的于利希超算中心的 JUPITER 超級計算機（排名第 4）。

TOP500 前 100 名系統(tǒng)中，目前有 83 個采用了加速計算，僅 17 個只使用了 CPU。

此外，在 Green500 全球最節(jié)能 FP64 超級計算機榜單上，前兩名均采用了 NVIDIA GH200 Grace Hopper 超級芯片，前十名中有九個系統(tǒng)均由 NVIDIA 加速。

Tensor Core 在科學(xué)領(lǐng)域的應(yīng)用

AI 性能的提升不僅源于浮點運算量的增加，也越來越多地根植于硬件與軟件的融合，例如對于 Tensor Core 的使用。

Tensor Core 是 NVIDIA GPU 內(nèi)的先進組件，專為加速矩陣運算（AI 和深度學(xué)習(xí)的核心計算）而設(shè)計。通過更高效地處理復(fù)雜計算，Tensor Core 加速了模型訓(xùn)練和推理等過程。

Tensor Core 加速了常見的矩陣運算，尤其是當(dāng)組織轉(zhuǎn)向 FP8 等更低精度進行模型訓(xùn)練時。隨著精度每降低一級，吞吐量就會提高近一倍，同時還能保持準(zhǔn)確。目前，只有模擬工作負(fù)載中的某些運算可以利用 Tensor Core。這些運算通常占總運行時間的一小部分，而且很少對整體性能產(chǎn)生重大影響。

隨著 GPU 上越來越多的物理空間被用于為 AI 構(gòu)建的低精度 Tensor Core，高性能計算社區(qū)迎來了把這些硬件重新用于推進科學(xué)發(fā)現(xiàn)的機會。

為此，NVIDIA 正投資開發(fā)新方法，以便將 Tensor Core 用于更廣泛的科學(xué)模擬相關(guān)場景。

RIKEN 研究所計算科學(xué)中心的 Yuki Uchino 和芝浦工業(yè)大學(xué)教授 Katsuhisa Ozaki 發(fā)表了一篇論文，其中展示了如何利用 Tensor Core 中的整數(shù)矩陣乘法加速器和一種名為 Ozaki scheme 的算法，使 GPU 中的整數(shù)單元能夠?qū)崿F(xiàn)包括 FP64 在內(nèi)的任意精度。

受此方案啟發(fā)，NVIDIA 正在開發(fā)相關(guān)庫，以利用更多 GPU Tensor Core 來加速高精度張量和矩陣計算，聚焦于提升準(zhǔn)確度、性能和能效。

使用這些庫已展現(xiàn)出一些驚人的優(yōu)勢：在一個硅模擬中，把大約 1000 個原子暴露在紫外線下，使用這些庫的速度比使用 FP64 硬件快 1.8 倍，而二者輸出相同結(jié)果，這節(jié)省了時間和能源。

圖 1. 使用原生 FP64 硅和仿真技術(shù)對 998 個硅原子

進行 BerkeleyGW 模擬的性能比較

借助這些新的庫，BerkeleyGW 等常見的高性能計算模擬將很快能夠利用低精度 Tensor Core，實現(xiàn)性能和能效的飛躍。

AI 超級計算推動科學(xué)進步

盡管 TOP500 榜單凸顯了當(dāng)今超級計算機非凡的高精度運算速度，但并未體現(xiàn)出它們在通過混合精度和 AI 推動科學(xué)發(fā)現(xiàn)方面的巨大影響力。

去年，諾貝爾化學(xué)獎和物理學(xué)獎被授予使用 AI 的科研人員，包括 Demis Hassabis 和 John Jumper（因在谷歌 DeepMind 的蛋白質(zhì)結(jié)構(gòu)預(yù)測模型 AlphaFold 上的卓越工作而獲獎），以及多倫多大學(xué)名譽教授 Geoff Hinton 和普林斯頓大學(xué)名譽教授 John Hopfield（因推進神經(jīng)網(wǎng)絡(luò)架構(gòu)而獲獎）。

高性能計算領(lǐng)域的最高榮譽“戈登·貝爾獎”授予了 KAUST 的 David Keyes 團隊，表彰他們使用混合精度方法來模擬龐大的 ERA5 氣候數(shù)據(jù)集。該數(shù)據(jù)集提供了過去 80 年中每小時的大氣、陸地和海浪變量估計值，包含從地表到 80 公里高度的 137 個海拔層。

混合精度是一種結(jié)合了多種浮點精度格式的技術(shù)。使用較低精度的數(shù)據(jù)類型可提升性能和能效，讓應(yīng)用程序能夠使用更少的資源來實現(xiàn)更高的性能。

隨著科學(xué)家構(gòu)建新的 AI 模型以加速科學(xué)工作流，混合精度在科學(xué)領(lǐng)域的應(yīng)用日益普及。

在英國，布里斯托大學(xué)的 Isambard-AI 系統(tǒng)（由 NVIDIA Grace Hopper 提供動力）使用混合精度來訓(xùn)練 Nightingale 等模型。

Nightingale 是用于醫(yī)療和生物醫(yī)學(xué)研究的多模態(tài)基礎(chǔ)模型，集成了影像、心臟病學(xué)和電子健康記錄。與醫(yī)療領(lǐng)域的其它大語言模型不同，Nightingale 不僅使用基于文本的推理，還利用影像模式和標(biāo)準(zhǔn)診斷技術(shù)，結(jié)合海量患者數(shù)據(jù)來提供醫(yī)學(xué)見解。Nightingale 的目標(biāo)是成為其它醫(yī)療應(yīng)用軟件的基礎(chǔ)，包括醫(yī)生辦公助手和遠程醫(yī)療分診系統(tǒng)。

通過使用混合精度，Isambard-AI 實現(xiàn)了訓(xùn)練 Nightingale 等多模態(tài)大語言模型所需的大規(guī)模和準(zhǔn)確性，而無需為訓(xùn)練或推理配置過多的硬件。

邁向高性能計算的下一次迭代

加速計算、先進的張量技術(shù)和混合精度方法的結(jié)合，正在改變計算科學(xué)，也展示了 AI 驅(qū)動更多突破的潛力。

隨著 JUPITER 等系統(tǒng)入選 TOP500，越來越多的工作借助 AI 來用于科學(xué)研究和創(chuàng)新，如將 Isambard-AI 超級計算機用于科學(xué)研究及通過 Ozaki 仿真方法所帶來的諸多創(chuàng)新，這些都推動著 Tensor Core 處理高精度計算的性能不斷提升，一個新時代正在到來。

從某些指標(biāo)來看，超級計算機將繼續(xù)提速，但僅有速度是不夠的。要找到破解重要科學(xué)難題的新見解，需要依賴智能、靈活的方法，以在不犧牲科學(xué)嚴(yán)謹(jǐn)性的前提下加速科學(xué)發(fā)現(xiàn)，從而滿足科學(xué)和高性能計算社區(qū)乃至全球的需求。