NVIDIAのAI in Science誓約が計算資源を拡大、だが真の課題はアクセス
NVIDIAは、欧州全域で35台のNVIDIAベースのスーパーコンピューターが開発中であるなか、欧州のAI in Science Enablers Initiativeに参加した。NVIDIAのAI in Science誓約は、ソフトウェア、トレーニング、技術支援、計算資源への経路を組み合わせるものだ。しかし、その意義はより難しい問いにかかっている。小規模な研究チームが、これらの資源を継続的な科学研究へと転換できるかどうかである。
欧州委員会は10月15日、ダブリンで開催されたEuropean AI in Science Summitにおいて、このイニシアチブを開始した。これは、民間および慈善団体による貢献を、欧州におけるAI科学のための資源であるRAISE（Resource for AI Science in Europe）へと結び付けるものだ。NVIDIAはGoogle、Mistral AI、Elsevier、Frontiers、Sanofi、Novo Nordisk Foundationと並ぶ初期参加者の一社である。
これは単なるハードウェア発表ではない。欧州はすでに、EuroHPCや各国のAIファクトリーを通じ、共有スーパーコンピューティングへ多額の投資を行ってきた。この新たなイニシアチブは、ソフトウェアの準備、専門スキル、技術支援、実用的なアクセス経路を含め、こうしたインフラを取り巻く運用上の障壁への対処を目指す。
大規模な機関にとって、こうした障壁は困難ではあっても対処可能だ。小規模な研究室、若手研究者のグループ、あるいは科学系スタートアップには、専任のインフラエンジニアがいない場合がある。実験をノートPCから、スケジュール管理された分散GPU環境へ移行するための時間や資金も不足し得る。
したがって中心となる競争は、NVIDIAと別の半導体企業との対決ではない。広範なアクセスと、名目上の利用可能性との競争である。欧州はより多くのマシンを導入できるが、既存のコンピューティング拠点の外にいる研究者もそれらを効果的に使える場合にのみ、このイニシアチブは成功する。
NVIDIAのAI in Science誓約は4層のアクセスを組み合わせる
NVIDIAのコミットメントが重要なのは、科学計算をプロセッサーの出荷ではなく、相互接続された資源のシステムとして扱っているためだ。
同社の科学誓約によると、その貢献には、アクセラレーテッドツール、モデル、クラウドリソース、トレーニング、技術支援、共同プロジェクト、スタートアップ支援が含まれる。これらの要素は、ソフトウェア、スキル、専門家の支援、計算資源という4つの実用的な層に対応する。
ソフトウェア層には、250を超えるオープンモデル、250のオープンデータセット、1,400のオープンソースプロジェクトから成るNVIDIAの既存コレクションが含まれる。同社によれば、これらの資源は言語モデル、ヘルスケア、ロボティクス、気候研究、フィジカルAI、自律システム、その他の科学分野にまたがる。
科学者は、汎用モデルで毎回プロジェクトを始めるのではなく、専門的なコンポーネントを活用できる。BioNeMoは計算生物学と分子研究を支援する。PhysicsNeMoは、物理的制約をモデル開発に組み込む物理情報機械学習のためのライブラリを提供する。Earth-2は、気象・気候研究向けのモデルとツールを提供する。
第2の層はトレーニングだ。NVIDIAのDeep Learning Instituteは、アクセラレーテッドコンピューティングとディープラーニング向けのダウンロード可能な教材を収めたコースウェアハブを公開している。これらのコースには、講義ノート、コードサンプル、Jupyterノートブック、実習ガイドが含まれる。
オープンコースウェアには、教材に応じてApache License 2.0またはCreative Commons Attribution 4.0の条件が適用される。教育者は、大学の授業、スーパーコンピューティングのブートキャンプ、コミュニティイベント向けに内容を調整できる。学習者は教材へのアクセスにあたり、登録や期限の遵守を必要としない。
オープンな教材は、スキルの問題の一部しか解決しない。科学ソフトウェアでは、分野固有のデータセット、使い慣れないクラスタースケジューラ、分散ワークフローがしばしば関わる。研究者は、精度や再現性を損なうことなく、どの数値手法がGPUの恩恵を受けられるかも理解しなければならない。
そのため、技術支援が第3の層を成す。NVIDIAは、研究者が自らのデータを用いてモデルを調整できるよう、オフィスアワー、ブートキャンプ、ハッカソンを提供するとしている。こうした支援は、デモ用ノートブックと再現可能な実験の間にある隔たりを縮め得る。
第4の層は計算資源へのアクセスだ。NVIDIAは、フランス、スペイン、スウェーデンを含む各国のクラウドパートナーおよびAIファクトリーと連携している。同社のInceptionスタートアッププログラムも、条件を満たす企業を技術リソースやインフラ機会へと結び付ける。
これらの要素により、NVIDIAのAI in Science誓約は従来型の教育キャンペーンと一線を画す。コース教材は、アクセラレーテッドワークフローの仕組みを研究者に教えられる。専門家とのセッションは、そのワークフローの適応を助けられる。そしてアクセスプログラムは、その実行場所を提供できる。
ただし、これらの要素は実際の運用でつながる必要がある。コースを修了しても適切な計算資源を得られない研究者は、依然として行き詰まる。短期の割り当てを受けても継続的な支援がないチームは、成果の再現や拡張に苦労する可能性がある。
欧州はインフラと使いやすさの隔たりを埋めようとしている
欧州の問題は、もはや高性能コンピューターが単純に不足していることではない。共有インフラを研究成果へ転換する能力にばらつきがあることだ。
欧州大陸は、EuroHPCとして知られるEuropean High Performance Computing Joint Undertakingを通じて、充実した公共コンピューティングネットワークを構築してきた。この組織は、スーパーコンピューターの調達と、研究、公的機関、産業の支援に向けて、欧州連合と各国の資源を結集している。
EuroHPCによると、すでに12台のスーパーコンピューターを調達している。そのシステムにはドイツのJUPITERが含まれ、さらにAIに特化した設備が各国のAIファクトリーを通じて開発されている。研究者は欧州内の所在地を問わず、競争的なアクセス公募を通じて計算能力を申請できる。
一例が、ドイツ初のAIファクトリーであるHammerHAIだ。EuroHPCの契約は、同システムの取得、設置、保守に5,500万ユーロを割り当てている。欧州とドイツの公的プログラムがこの予算を等分して負担する。
HammerHAIは、製造業とエンジニアリングに重点を置き、科学機関、スタートアップ、企業にサービスを提供するよう設計されている。AI最適化スーパーコンピューターに、コンサルティング、教育、技術支援を組み合わせる予定だ。
この組み合わせは、より広範な政策転換を示している。公的機関は、希少なハードウェアが制約の一つにすぎないことをますます認識している。研究者には、見つけやすい申請プロセス、準備済みのソフトウェア環境、失敗したジョブを診断できる人材も必要だ。
アクセラレーテッドコンピューティングは、通常GPUなどの専用プロセッサーへ適したワークロードを移し、多数の計算を並列で実行する。こうした手法は、気候シミュレーション、分子スクリーニング、材料モデリングに必要な時間を短縮できる。しかし既存の研究コードは、GPUが利用可能になっただけで効率化するわけではない。
研究室では、アプリケーションの一部を書き換えたり、データの準備方法を変えたり、新たな数値手法を検証したりする必要があるかもしれない。また、クラスタ向けに依存関係をパッケージ化し、Slurmのようなスケジューラを学ぶ必要もある。こうした各作業には、小規模チームには不足しがちなスキルが求められる。
欧州委員会のRAISEイニシアチブは、民間組織にモデル、ソフトウェア、データ、専門知識、トレーニング、計算資源の提供を求めている。その目的は、公的投資を置き換えるのではなく補完することだ。
Googleは、欧州の研究者向けクラウドクレジットとGoogle DeepMindの科学モデルへのアクセスを誓約している。Mistral AIは、オープンウェイトモデル、APIクレジット、研究機会を提供している。Novo Nordisk Foundationは、Gefionスーパーコンピューターの計算能力を欧州の科学者に提供する意向だ。
こうしたコミットメントは、有益な多様性をもたらす。一部の研究者には汎用クラウドの計算能力が必要であり、他方では主権やデータガバナンスの要件を満たす国家システムへのアクセスが必要となる。オープンウェイトの恩恵を受けるプロジェクトもあれば、キュレーション済みの科学データへの依存度がより高いものもある。
NVIDIAは、そのハードウェアとソフトウェアがすでに多くの欧州システムを支えているため、とりわけ大きな影響力を持つ。その導入済み基盤は、複数拠点での展開を簡素化できる。一方で、特定ベンダーのプログラミング環境、ライブラリ、最適化ツールへの依存を深める可能性もある。
したがってNVIDIAのAI in Science誓約は、二つの利益に同時に資する。研究者の導入障壁を下げる一方、NVIDIAのコンピューティングスタックで訓練を受けた科学者の層を拡大する。これらの利益は両立するが、政策立案者は両方を評価すべきだ。
オープンな資源は役立つが、計算資源の割り当てが参加者を決める
このイニシアチブの決定的な仕組みは、オープンな学習から、実際に十分な期間利用できる計算資源の割り当てへと引き渡す部分にある。
NVIDIAによると、研究者とスタートアップは、クラウドパートナー、各国のAIファクトリー、EuroHPCセンターを通じてインフラへアクセスできる。イタリアのCINECAとドイツのJülich Supercomputing Centreは、条件を満たすオープンリサーチに対し、すでに無料のGPUアクセスを提供している。
各国プログラムは、さらに多くの経路を加えている。フランスのAI2FはNVIDIAのInceptionプログラムと協力しており、Barcelona Supercomputing Centerはアクセラレータープログラムを試行してきた。NVIDIAによれば、スペインは現在、この取り組みを本格的なプログラムへ移行させている。
Sweden AI FactoryもNVIDIAとの協業を発表している。ライフサイエンス、材料、自律システム、ゲームなどの分野で活動するInceptionスタートアップや中小企業に対し、インフラと専門知識を開放する計画だ。
NVIDIAによれば、欧州には現在、EuroHPCの資金提供を受けたAIファクトリーが19カ所ある。これらの施設は、助言、トレーニング、スタートアップ支援を含むサービスとインフラを組み合わせることを目的としている。この運用モデルは、生のピーク性能よりも小規模チームにとって重要だ。
短期間の教育用割り当ては、科学者が手法の有効性を試す助けになる。だが本格的な研究では、多くの場合、反復実験、データ準備、デバッグ、検証が必要となる。共同研究者が数カ月後に再び利用できる安定した環境も必要になり得る。
そのため、割り当てのルールがどの分野に恩恵が及ぶかを左右する。大規模なシミュレーションを実行する気候プロジェクトは、多数の小規模実験を行う分子設計スタートアップとは異なるニーズを持つ。審査プロセスでは、科学的価値を単一の利用率指標へ還元せずに、プロジェクトを比較しなければならない。
データガバナンスも別の制約を加える。医療、ゲノム、商業的に機微な情報は、制限のないクラウド環境へ常に移せるとは限らない。研究者はモデルを実行する前に、地域内ホスティング、アクセス制御、文書化された処理体制を必要とする場合がある。
ソブリンコンピューティングとは、地域の法的要件、セキュリティ要件、ガバナンス要件の下で運用されるインフラを指す。欧州のチームが機微なデータを承認済み環境内に保持する助けとなり得る。ただし、主権性は単にサーバーの物理的な場所ではなく、運用とソフトウェアの管理に依存する。
欧州の施設は、ソフトウェア環境についても連携しなければならない。あるAIファクトリーで開発されたワークフローが、別の施設で完全な再構築を必要とすべきではない。共有コンテナ、バージョン管理された依存関係、移植可能なジョブ記述は、その摩擦を減らすことができる。
再現性も同様に重要である。あるチームが手法を検証し、プロセスを繰り返せるとき、モデルの結果は科学的に有用になる。オープンなコードとデータセットはその目標を支えるが、研究者には設定の詳細、ハードウェア情報、そして信頼できるアクセス手段も必要だ。
ここで実践的なナレッジマネジメントが重要になる。研究チームは、実験ノート、モデルのバージョン、クラスターの利用手順、検証に関する判断を保存しなければならない。検索可能な技術ナレッジベースは、共同研究者が複雑なコンピューティングワークフローを取り巻く文脈を維持する助けとなる。
最も強力なアクセスプログラムは、トレーニング、技術支援、インフラ、ドキュメントを結び付けるものとなる。これらの要素が分断されたままであれば、負担は再び研究者に戻る。その結果、断片化されたシステムを使いこなす体制をすでに備えた機関が有利になるだろう。
オープンソフトウェアの可能性は依然としてNVIDIAのプラットフォームの内側にある
オープンモデルと教材は参入障壁を下げるが、NVIDIAの広範なコンピューティングスタックによって生じる戦略的依存を解消するものではない。
同社は、この誓約をオープンソース技術から始めるものと説明している。一部のリソースは、従来のオープンライセンス基準を明確に満たしている。新たなコースは、定められたライセンスの下でダウンロード、改変、再配布できる。
ただし、他の要素についてはより詳細な検討が必要だ。「オープンモデル」は、公開された重み、利用可能な推論コード、完全に文書化されたトレーニングプロセスなど、複数の形態を指し得る。これらの区分は、再現性と制御の水準がそれぞれ異なる。
NVIDIAのNemotronファミリーは、オープンな重みに、選択されたデータ、レシピ、ツール群を組み合わせている。同社の科学向けパッケージは、分子設計から気候モデリングまで幅広い用途を対象とする。研究者は依然として、各コンポーネントのライセンス、ソースの利用可能性、ハードウェア要件を確認すべきである。
欧州は技術的自律性への関心を明言しているため、移植性は重要である。プロジェクトはオープンコードで始められても、ベンダー固有のライブラリ、デプロイメントツール、最適化手法を採用した後には、移行コストが高くなる可能性がある。
NVIDIAの主要な並列コンピューティングプラットフォームであるCUDAは、大規模な開発者基盤と成熟した科学ライブラリを持つ。この成熟度は、今すぐ使えるツールを必要とする研究者にとって真の利点である。一方で、代替アクセラレータが異なるプログラミング環境を採用している場合、切り替えコストも生じる。
AMD、Intel、そして特化型チップの開発企業は、科学ワークロードを巡って競争を続けている。欧州のプロセッサプロジェクトも、域内インフラでより大きな役割を担おうとしている。その課題はハードウェア性能を匹敵させることだけではなく、研究者が期待するソフトウェアライブラリと訓練済みの人材を支えることにもある。
NVIDIA AI in Scienceの誓約は、CUDAを科学分野のデフォルトプラットフォームとして強化しながら、参加の裾野を広げる可能性がある。これが同イニシアチブの中心的なトレードオフである。直ちに利用できることが、欧州の機関が後に減らしたいと考える依存関係を強める場合がある。
これは、オープンなリソースが不誠実である、あるいは利用できないという意味ではない。公的研究機関は、アクセスと移植性を区別すべきだということである。訓練を受けた研究者が手法を移転できるか、プロジェクトがワークフローに対する実務上の管理権を維持できるかを問うべきである。
調達の判断は選択肢を維持できる。施設は、移植可能なデータ形式、再現可能な環境ファイル、透明性のあるベンチマーク報告を求めることができる。トレーニングプログラムでは、ベンダー固有のツールと併せて、汎用的な並列コンピューティングの概念を教えることも可能だ。
このイニシアチブの他の参加者は、有益な対抗軸を提供する。Mistral AIは欧州で開発されたオープンウェイトモデルを提供する。Googleは異なるクラウドおよびモデルエコシステムへのアクセスを提供する。公的施設は、単一のスタックを万能なものとして扱うのではなく、これらの経路を比較できる。
独立した評価が不可欠となる。モデル、データセット、ソフトウェアプロジェクト、計画中のインフラに関するNVIDIAの数値は、同社の貢献規模を示している。しかし、それだけでは、どれだけの研究者がプロジェクトを完了し、再現可能な結果を発表するかは立証されない。
同社はまた、23の欧州諸国で35基のNVIDIA AIスーパーコンピューターが開発中だとしている。同社のインフラ発表によれば、これらのシステムは300万人以上の研究者に提供される予定である。
この到達範囲の推計は、実測された利用状況とは異なる。あるシステムが数百万人にサービスを提供するネットワークに属していても、その最先端リソースは制約されたままである可能性がある。今後の報告では、利用資格を持つコミュニティと実際の利用者、完了したプロジェクトを区別すべきである。
小規模な研究室には招待だけでは足りない
最も信頼できる試金石は、専任のコンピューティング担当者を持たないチームが、隠れた組織的優位性なしに、アイデアから検証済みの結果へ進めるかどうかである。
大規模な大学には、研究ソフトウェアエンジニア、データスチュワード、クラスター管理者が勤務していることが多い。研究環境が失敗したり、アプリケーションがメモリ制限を超えたりした場合、研究者は支援を求めることができる。小規模な機関では、技術経験を持つ研究者が一人だけという場合もある。
スタートアップも同様の問題に直面する。科学ベースの企業は、一時的なクレジットを利用して初期プロトタイプを構築できても、検証段階で大きなリソース不足に直面する可能性がある。規制当局、顧客、投資家がその根拠を受け入れる前に、一貫したインフラを必要とする場合もある。
若手研究者がインフラ作業を習得するために使える時間は限られている。ソフトウェアの設定に数か月を費やす博士課程学生は、本来なら実験、論文、共同研究に充てられる時間を失う。教材がこの負担を軽減するのは、利用可能なシステムに適合する場合に限られる。
NVIDIAが提案するオフィスアワー、ブートキャンプ、ハッカソンは、有用な入口を提供できる。同社は、Austrian Scientific Computing、ドイツのスーパーコンピューティングセンター、The Cyprus Instituteと共に、Pharos-CYシステム向けの欧州AIハッカソンを共同開催している。
ハッカソンは、集中的な学習と迅速なプロトタイピングに適している。しかし、実験が繰り返し失敗し、予定されたイベントの外で新たな疑問が生じる長期的な研究には適しにくい。参加者には、ワークショップ終了後の支援チャネルが必要である。
各国のAIファクトリーは、地域の専門家を維持することでその空白を埋められる。これらの専門家は、インフラと地域の研究ニーズの両方を理解できる。また、ワークロードに大規模モデル、小規模な特化型モデル、あるいは従来のシミュレーションのどれが必要かを利用者が判断する助けにもなる。
この助言は無駄を防ぐことができる。科学AIは、あらゆる問題に自動的に最適なアプローチとなるわけではない。従来型の数値ソルバーのほうが、特定の課題ではより正確で、解釈しやすく、効率的である場合がある。
選考プロセスは、流行の用語ではなく適切な手法を評価すべきである。そうでなければ、研究者はアクセスの可能性を高めるために、通常のコンピューティングプロジェクトをAI作業として言い換えるかもしれない。それは需要シグナルを歪め、希少なリソースを消費することになる。
地理的な分布にも注意が必要である。多くの国にまたがるネットワークがあっても、平等な参加は保証されない。既存の連携関係、より強い助成金申請部門、英語による支援を持つ大学が、不釣り合いに大きな配分を得る可能性がある。
透明性のある申請データがあれば、このプログラムが表明した対象層に届いているかが明らかになる。有用な指標には、機関規模、国、キャリア段階、学問分野ごとの申請件数が含まれる。採択率と配分規模も同じ区分で報告されるべきである。
プログラムは、初期アクセス後に何が起こるのかも説明すべきである。研究者は、成功したプロジェクトが配分を更新できるのか、別のシステムへ移行できるのか、出版や再現実験の支援を受けられるのかを知る必要がある。
公的資金は引き続き中心的な役割を担う。民間のコミットメントはソフトウェア、専門知識、容量を追加できるが、企業は優先順位を変えられる。欧州は、安定した適格性ルールやサービス提供の約束を欠く利益に、長期的な科学インフラを依存させることはできない。
欧州委員会の憲章は、公的資金だけで提供できる範囲を超えた民間支援を位置付けることで、この点を認めている。その区別は明確に保たれるべきだ。企業の誓約は公的研究能力を補完するものであり、その代替ではない。
誓約が欧州の科学を変えるかを示す3つのシグナル
次の段階は、発表されたリソース数ではなく、検証可能な参加と完了した研究によって評価されるべきである。
最初のシグナルは、具体的なアクセス条件の公表である。研究者には、参加する各AIファクトリーまたはクラウドルートについて、適格性ルール、申請日、配分規模、対応するワークロード、更新方針が必要だ。
明確な条件は、NVIDIA AI in Scienceの誓約が実用的なアクセスを生み出すという主張を強める。不確実な容量を前提に計画を立てられないチームにとって、将来の経路への曖昧な言及は、特にその主張を弱めることになる。
2つ目のシグナルは、各国のパイロットが再現可能なプログラムへと発展することを示す証拠である。Barcelonaのアクセラレータ全面展開とSweden AI Factoryの協力は、注目すべき初期事例だ。申請件数、完了率、継続配分は、このモデルがパイロット参加者の範囲を超えて機能するかを示せる。
成功するプログラムは、ワークショップへの参加者数以上の成果を生むべきである。チームが検証済みの実験を実行し、再現可能な環境を維持し、初期支援の終了後も作業を継続できるようにすべきだ。
3つ目のシグナルは、開発中の35システムを実際に誰が利用しているかに関する独立した報告である。NVIDIAは、この整備によって23か国の300万人以上の研究者を支援できるとしている。アクティブユーザー数、提供されたGPU時間、完了プロジェクトは、より確かな指標となる。
研究成果には時間がかかるため、初期の報告で即時の科学的発見を求めるべきではない。それでも短期的な指標によってアクセスを測定できる。これには、最初のジョブの完了、継続利用、支援対応時間、施設間での移行の成功が含まれる。
移植性もその報告に含めるべきである。研究者が公的システムや異なるハードウェア環境間でワークフローを移せるなら、欧州はより大きな強靱性を得られる。1台のマシンでの成功事例よりも、再利用可能な手法のほうが重要である。
このイニシアチブは、どの支援形態が最も価値を証明するかも明らかにすべきだ。入門コースを必要とするチームもあるだろう。他方で、インフラエンジニアとの1時間の相談や、科学ソフトウェアの専門家とのより長い協業から大きな利益を得るチームもあるかもしれない。
欧州の試みは、企業の誓約よりも広い。欧州は、開放性、主権、科学的独立という目標を手放すことなく、公的インフラと民間の専門知識を結び付けようとしている。
NVIDIA AI in Scienceの誓約は、この試みに実質的なソフトウェアとハードウェアの基盤を与える。同時に、すでにアクセラレーテッドコンピューティングで優勢なプラットフォームへ注目を集中させる。両方の影響を慎重に測定する価値がある。
研究者にとって、直近で取るべき行動は実践的である。利用可能なコースウェアを確認し、各国のAIファクトリーの公募を追い、実際のプロジェクトに必要なリソースを文書化することだ。機関にとっての課題はより難しい。アクセスを予測可能で、移植可能で、持続的なものにしなければならない。
欧州は、小規模な研究室が恩恵を受けていることを示すのに十分な運用上の証拠を公表するだろうか。その答えこそが、発表されたインフラ規模ではなく、コンピューティング能力の拡大が科学的機会の拡大につながるかを決定する。
