Zobowiązanie NVIDIA AI in Science otwiera dostęp do większej mocy obliczeniowej, ale prawdziwym sprawdzianem jest dostęp

NVIDIA dołączyła do europejskiej inicjatywy AI in Science Enablers Initiative, podczas gdy na całym kontynencie powstaje 35 superkomputerów opartych na technologii NVIDIA. Zobowiązanie NVIDIA AI in Science łączy oprogramowanie, szkolenia, wsparcie techniczne i ścieżki dostępu do mocy obliczeniowej. Jego znaczenie zależy jednak od trudniejszego pytania: czy mniejsze zespoły badawcze będą w stanie przekształcić te zasoby w trwałą pracę naukową.

Komisja Europejska uruchomiła inicjatywę 15 października podczas European AI in Science Summit w Dublinie. Łączy ona wkład prywatny i filantropijny z RAISE, czyli Resource for AI Science in Europe. NVIDIA jest jednym z kilku pierwszych uczestników, obok Google, Mistral AI, Elsevier, Frontiers, Sanofi i Novo Nordisk Foundation.

Nie jest to wyłącznie zapowiedź sprzętowa. Europa już intensywnie inwestowała we współdzielone superkomputery za pośrednictwem EuroHPC i krajowych AI factories. Nowa inicjatywa ma rozwiązać bariery operacyjne związane z tą infrastrukturą, w tym przygotowanie oprogramowania, dostęp do specjalistycznych kompetencji, wsparcie techniczne i użyteczne ścieżki dostępu.

Dla dużej instytucji bariery te są trudne, lecz możliwe do opanowania. Mniejsze laboratorium, grupa badawcza na początku kariery lub startup naukowy może nie dysponować dedykowanymi inżynierami infrastruktury. Może też nie mieć czasu ani finansowania potrzebnych, by przenieść eksperyment z laptopa do planowanego, rozproszonego środowiska GPU.

Główną rywalizacją nie jest zatem NVIDIA kontra inna firma produkująca chipy. Chodzi o szeroki dostęp kontra nominalną dostępność. Europa może instalować więcej maszyn, ale inicjatywa odniesie sukces tylko wtedy, gdy badacze spoza ugruntowanych centrów obliczeniowych będą mogli skutecznie z nich korzystać.

Zobowiązanie NVIDIA AI in Science łączy cztery warstwy dostępu

Zaangażowanie NVIDIA ma znaczenie, ponieważ traktuje obliczenia naukowe jako system powiązanych zasobów, a nie dostawę procesorów.

Według zobowiązania naukowego firmy jej wkład obejmuje narzędzia przyspieszone sprzętowo, modele, zasoby chmurowe, szkolenia, wsparcie techniczne, projekty współpracy i pomoc dla startupów. Elementy te odpowiadają czterem praktycznym warstwom: oprogramowaniu, kompetencjom, pomocy ekspertów i mocy obliczeniowej.

Warstwa oprogramowania obejmuje istniejącą kolekcję NVIDIA liczącą ponad 250 otwartych modeli, 250 otwartych zbiorów danych i 1 400 projektów open source. Firma podaje, że zasoby te obejmują modele językowe, ochronę zdrowia, robotykę, badania klimatu, fizyczną AI, systemy autonomiczne i inne dziedziny nauki.

Naukowcy mogą korzystać ze specjalistycznych komponentów, zamiast rozpoczynać każdy projekt od modelu ogólnego przeznaczenia. BioNeMo wspiera biologię obliczeniową i badania molekularne. PhysicsNeMo udostępnia biblioteki do uczenia maszynowego uwzględniającego prawa fizyki, które wprowadza ograniczenia fizyczne do tworzenia modeli. Earth-2 oferuje modele i narzędzia do pracy nad pogodą i klimatem.

Drugą warstwą są szkolenia. Deep Learning Institute firmy NVIDIA otworzył centrum materiałów dydaktycznych zawierające materiały do pobrania dotyczące obliczeń przyspieszonych i głębokiego uczenia. Kursy te obejmują notatki z wykładów, przykłady kodu, notatniki Jupyter i przewodniki laboratoryjne.

Otwarte materiały dydaktyczne są udostępniane na warunkach Apache License 2.0 lub Creative Commons Attribution 4.0, zależnie od materiału. Edukatorzy mogą dostosować je do kursów uniwersyteckich, boot campów superkomputerowych i wydarzeń społecznościowych. Osoby uczące się nie muszą zapisywać się ani dotrzymywać terminu, aby uzyskać dostęp do materiałów.

Otwarte lekcje rozwiązują tylko część problemu kompetencyjnego. Oprogramowanie naukowe często obejmuje zbiory danych specyficzne dla danej dziedziny, nieznane harmonogramy klastrów i rozproszone przepływy pracy. Badacze muszą również rozumieć, które metody numeryczne mogą korzystać z GPU bez pogarszania dokładności lub odtwarzalności.

Dlatego wsparcie techniczne tworzy trzecią warstwę. NVIDIA podaje, że zapewni konsultacje, boot campy i hackathony, które pomogą badaczom dostrajać modele przy użyciu własnych danych. Takie wsparcie może skrócić drogę między demonstracyjnym notatnikiem a powtarzalnym eksperymentem.

Czwartą warstwą jest dostęp do mocy obliczeniowej. NVIDIA współpracuje z partnerami chmurowymi i krajowymi AI factories w krajach takich jak Francja, Hiszpania i Szwecja. Jej program dla startupów Inception łączy również kwalifikujące się firmy z zasobami technicznymi i możliwościami infrastrukturalnymi.

Te komponenty odróżniają zobowiązanie NVIDIA AI in Science od konwencjonalnej kampanii edukacyjnej. Materiały kursowe mogą nauczyć badacza, jak działa przyspieszony przepływ pracy. Sesje z ekspertami mogą pomóc dostosować ten przepływ pracy. Programy dostępu mogą następnie zapewnić miejsce do jego uruchomienia.

Elementy te nadal muszą połączyć się w praktyce. Badacz, który ukończy kurs, lecz nie może uzyskać odpowiedniej mocy obliczeniowej, pozostaje zablokowany. Zespół, który otrzyma krótką alokację bez stałego wsparcia, może mieć trudności z odtworzeniem lub rozwinięciem wyniku.

Europa próbuje zamknąć lukę między infrastrukturą a użytecznością

Problemem Europy nie jest już prosty brak komputerów o wysokiej wydajności; jest nim nierówna zdolność do przekształcania współdzielonej infrastruktury w wyniki badań.

Kontynent zbudował znaczącą publiczną sieć obliczeniową za pośrednictwem European High Performance Computing Joint Undertaking, znanej jako EuroHPC. Organizacja łączy zasoby Unii Europejskiej i państw członkowskich, aby pozyskiwać superkomputery oraz wspierać badania, instytucje publiczne i przemysł.

EuroHPC podaje, że zamówiło już 12 superkomputerów. Jego systemy obejmują JUPITER w Niemczech, a dodatkowe instalacje skoncentrowane na AI powstają w ramach krajowych AI factories. Badacze mogą wnioskować o zasoby w ramach konkurencyjnych naborów niezależnie od miejsca w Europie, w którym się znajdują.

Jednym z przykładów jest HammerHAI, pierwsza niemiecka AI factory. Umowa EuroHPC przeznacza 55 mln euro na zakup, instalację i utrzymanie systemu. Europejskie i niemieckie programy publiczne pokrywają ten budżet po równo.

HammerHAI ma obsługiwać instytucje naukowe, startupy i firmy, ze szczególnym uwzględnieniem produkcji i inżynierii. Połączy superkomputer zoptymalizowany pod kątem AI z konsultacjami, edukacją i pomocą techniczną.

To połączenie ujawnia szerszą zmianę polityki. Instytucje publiczne coraz częściej uznają, że deficyt sprzętu jest tylko jednym z ograniczeń. Badacze potrzebują również łatwych do znalezienia procesów składania wniosków, przygotowanych środowisk programistycznych i osób zdolnych diagnozować nieudane zadania.

Obliczenia przyspieszone przenoszą odpowiednie obciążenia na wyspecjalizowane procesory, zwykle GPU, aby wykonywać wiele obliczeń równolegle. Takie podejście może skrócić czas potrzebny na symulacje klimatyczne, badania przesiewowe cząsteczek i modelowanie materiałów. Istniejący kod badawczy rzadko jednak staje się wydajny tylko dlatego, że dostępny jest GPU.

Laboratorium może potrzebować przepisać część aplikacji, inaczej przygotować dane lub zweryfikować nową metodę numeryczną. Może też musieć spakować zależności dla klastra i nauczyć się obsługi harmonogramu takiego jak Slurm. Każde z tych zadań wymaga kompetencji, których mniejsze zespoły mogą nie posiadać.

Inicjatywa RAISE Komisji Europejskiej prosi organizacje prywatne o zapewnienie modeli, oprogramowania, danych, wiedzy eksperckiej, szkoleń i mocy obliczeniowej. Celem jest uzupełnienie inwestycji publicznych, a nie ich zastąpienie.

Google zobowiązało się udostępnić europejskim badaczom kredyty chmurowe oraz dostęp do modeli naukowych Google DeepMind. Mistral AI oferuje modele o otwartych wagach, kredyty API i możliwości badawcze. Novo Nordisk Foundation zamierza udostępnić europejskim naukowcom zasoby swojego superkomputera Gefion.

Zobowiązania te wprowadzają użyteczną różnorodność. Niektórzy badacze potrzebują ogólnej mocy obliczeniowej w chmurze, podczas gdy inni wymagają dostępu do krajowego systemu spełniającego wymogi suwerenności lub zarządzania danymi. Część projektów korzysta z otwartych wag, podczas gdy inne bardziej zależą od starannie dobranych danych naukowych.

NVIDIA zajmuje szczególnie wpływową pozycję, ponieważ jej sprzęt i oprogramowanie już stanowią podstawę wielu europejskich systemów. Ta zainstalowana baza może uprościć wdrożenia w różnych lokalizacjach. Może też pogłębiać zależność od środowiska programistycznego, bibliotek i narzędzi optymalizacyjnych jednego dostawcy.

Zobowiązanie NVIDIA AI in Science służy zatem jednocześnie dwóm interesom. Obniża bariery wdrożenia dla badaczy, jednocześnie poszerzając pulę naukowców przeszkolonych w zakresie stosu obliczeniowego NVIDIA. Interesy te są zgodne, ale decydenci powinni oceniać oba.

Otwarte zasoby pomagają, lecz alokacja mocy obliczeniowej decyduje o uczestnictwie

Decydującym mechanizmem inicjatywy jest przejście od otwartej nauki do rzeczywistej, wystarczająco długiej alokacji zasobów obliczeniowych.

NVIDIA podaje, że badacze i startupy mogą uzyskać dostęp do infrastruktury za pośrednictwem partnerów chmurowych, krajowych AI factories i centrów EuroHPC. CINECA we Włoszech i Jülich Supercomputing Centre w Niemczech już zapewniają bezpłatny dostęp do GPU dla kwalifikujących się otwartych badań.

Programy krajowe tworzą dodatkowe ścieżki. Francuskie AI2F współpracowało z programem Inception firmy NVIDIA, podczas gdy Barcelona Supercomputing Center pilotażowo uruchomiło program akceleracyjny. NVIDIA podaje, że Hiszpania przenosi obecnie te działania do pełnego programu.

Sweden AI Factory również ogłosiła współpracę z NVIDIA. Planuje otworzyć infrastrukturę i wiedzę ekspercką dla startupów Inception oraz małych i średnich firm działających w takich obszarach jak nauki przyrodnicze, materiały, systemy autonomiczne i gry.

Według NVIDIA Europa ma obecnie 19 AI factories finansowanych przez EuroHPC. Obiekty te mają łączyć infrastrukturę z usługami, w tym doradztwem, szkoleniami i wsparciem dla startupów. Ten model działania jest dla mniejszych zespołów bardziej istotny niż surowa wydajność szczytowa.

Krótka alokacja edukacyjna może pomóc naukowcowi sprawdzić, czy dane podejście działa. Poważne badania często wymagają powtarzanych eksperymentów, przygotowania danych, debugowania i walidacji. Mogą też wymagać stabilnego środowiska, do którego współpracownicy będą mogli wrócić wiele miesięcy później.

Zasady alokacji będą zatem wpływać na to, które dziedziny skorzystają. Projekt klimatyczny z dużymi przebiegami symulacji ma inne potrzeby niż startup zajmujący się projektowaniem molekularnym, który prowadzi wiele mniejszych eksperymentów. Procesy oceny muszą porównywać projekty bez sprowadzania wartości naukowej do jednej miary wykorzystania zasobów.

Zarządzanie danymi stanowi kolejne ograniczenie. Informacje medyczne, genomowe lub wrażliwe z handlowego punktu widzenia nie zawsze mogą zostać przeniesione do nieograniczonego środowiska chmurowego. Badacze mogą potrzebować regionalnego hostingu, kontroli dostępu i udokumentowanych zasad przetwarzania przed uruchomieniem modelu.

Suwerenna moc obliczeniowa oznacza infrastrukturę działającą zgodnie z wymogami prawnymi, bezpieczeństwa i zarządzania obowiązującymi w danym regionie. Może pomóc europejskim zespołom utrzymać wrażliwe dane w zatwierdzonych środowiskach. Suwerenność zależy jednak od operacji i kontroli nad oprogramowaniem, a nie wyłącznie od fizycznej lokalizacji serwera.

Europejskie ośrodki muszą również koordynować środowiska programistyczne. Przepływ pracy opracowany w jednej AI factory nie powinien wymagać całkowitej przebudowy w innej. Współdzielone kontenery, wersjonowane zależności i przenośne opisy zadań mogą ograniczyć te trudności.

Odtwarzalność ma równie duże znaczenie. Wynik modelu staje się użyteczny naukowo, gdy inny zespół może przeanalizować metodę i powtórzyć proces. Otwarty kod i zbiory danych wspierają ten cel, lecz badacze potrzebują także szczegółów konfiguracji, informacji o sprzęcie i niezawodnego dostępu.

W tym miejscu istotne staje się praktyczne zarządzanie wiedzą. Zespoły badawcze muszą zachowywać notatki z eksperymentów, wersje modeli, instrukcje dotyczące klastrów i decyzje walidacyjne. Przeszukiwalna techniczna baza wiedzy może pomóc współpracownikom zachować kontekst otaczający złożone procesy obliczeniowe.

Najsilniejsze programy dostępu połączą szkolenia, doradztwo techniczne, infrastrukturę i dokumentację. Jeśli elementy te pozostaną rozdzielone, ciężar ponownie spadnie na badacza. Taki rezultat faworyzowałby instytucje już przygotowane do poruszania się po rozproszonych systemach.

Obietnica otwartego oprogramowania nadal pozostaje częścią platformy NVIDIA

Otwarte modele i materiały szkoleniowe obniżają bariery wejścia, ale nie usuwają strategicznej zależności tworzonej przez szerszy stos technologiczny NVIDIA.

Firma opisuje swoje zobowiązanie jako inicjatywę rozpoczynającą się od technologii open source. Niektóre zasoby wyraźnie spełniają konwencjonalne standardy otwartych licencji. Nowe kursy można pobierać, modyfikować i redystrybuować zgodnie z określonymi licencjami.

Inne elementy wymagają bliższego zbadania. „Otwarty model” może oznaczać kilka różnych rozwiązań, w tym udostępnione wagi, dostępny kod inferencyjny lub w pełni udokumentowany proces szkolenia. Kategorie te zapewniają różne poziomy odtwarzalności i kontroli.

Rodzina Nemotron firmy NVIDIA łączy otwarte wagi z wybranymi danymi, recepturami i narzędziami. Jej pakiety naukowe są przeznaczone do zastosowań od projektowania molekularnego po modelowanie klimatu. Badacze powinni nadal sprawdzać licencję, dostępność źródeł i wymagania sprzętowe każdego komponentu.

Przenośność ma znaczenie, ponieważ Europa deklaruje zainteresowanie autonomią technologiczną. Projekt może rozpocząć się od otwartego kodu, lecz po wdrożeniu bibliotek specyficznych dla dostawcy, narzędzi wdrożeniowych i metod optymalizacji jego przeniesienie może stać się kosztowne.

CUDA, dominująca platforma NVIDIA do obliczeń równoległych, ma dużą społeczność deweloperów i dojrzałe biblioteki naukowe. Ta dojrzałość jest realną zaletą dla badaczy, którzy potrzebują działających narzędzi już teraz. Tworzy jednak również koszty zmiany, gdy alternatywne akceleratory korzystają z odmiennych środowisk programistycznych.

AMD, Intel i wyspecjalizowani twórcy chipów nadal konkurują o obciążenia naukowe. Europejskie projekty procesorów również dążą do większej roli w regionalnej infrastrukturze. Ich wyzwanie polega nie tylko na dorównaniu wydajnością sprzętu, ale także na zapewnieniu bibliotek oprogramowania i wykwalifikowanej kadry, których oczekują badacze.

Zobowiązanie NVIDIA AI in Science może poszerzać udział, jednocześnie umacniając CUDA jako domyślną platformę naukową. To kluczowy kompromis tej inicjatywy. Natychmiastowa użyteczność może wzmacniać zależność, którą europejskie instytucje będą później chciały ograniczyć.

Nie oznacza to, że otwarte zasoby są nieszczere lub bezużyteczne. Oznacza natomiast, że publiczne organizacje badawcze powinny odróżniać dostęp od przenośności. Powinny pytać, czy przeszkoleni badacze mogą przenosić swoje metody oraz czy projekty zachowują praktyczną kontrolę nad własnymi procesami pracy.

Decyzje zakupowe mogą zachować wybór. Ośrodki mogą wymagać przenośnych formatów danych, odtwarzalnych plików środowiskowych i przejrzystego raportowania benchmarków. Programy szkoleniowe mogą również uczyć ogólnych koncepcji obliczeń równoległych obok narzędzi specyficznych dla danego dostawcy.

Pozostali uczestnicy inicjatywy stanowią użyteczną przeciwwagę. Mistral AI oferuje modele z otwartymi wagami opracowane w Europie. Google zapewnia dostęp do innego ekosystemu chmurowego i modelowego. Publiczne ośrodki mogą porównywać te ścieżki, zamiast traktować jeden stos jako uniwersalny.

Niezależna ocena będzie niezbędna. Dane NVIDIA dotyczące modeli, zbiorów danych, projektów oprogramowania i planowanej infrastruktury opisują skalę jej wkładu. Nie dowodzą jednak, ilu badaczy ukończy projekty lub opublikuje odtwarzalne wyniki.

Firma podaje również, że w 23 krajach europejskich powstaje 35 superkomputerów NVIDIA AI. Jej ogłoszenie infrastrukturalne mówi, że systemy te będą obsługiwać ponad 3 miliony badaczy.

Szacunek zasięgu nie jest tym samym co zmierzone wykorzystanie. System może należeć do sieci obsługującej miliony osób, podczas gdy jego najbardziej zaawansowane zasoby pozostają ograniczone. Przyszłe raportowanie powinno oddzielać uprawnione społeczności od aktywnych użytkowników i ukończonych projektów.

Mniejsze laboratoria potrzebują czegoś więcej niż zaproszenia

Najbardziej wiarygodnym testem jest to, czy zespoły bez dedykowanego personelu obliczeniowego potrafią przejść od pomysłu do zwalidowanego wyniku bez ukrytych przewag instytucjonalnych.

Duże uniwersytety często zatrudniają inżynierów oprogramowania badawczego, opiekunów danych i administratorów klastrów. Ich naukowcy mogą szukać pomocy, gdy środowisko przestaje działać lub aplikacja przekracza limit pamięci. Mniejsze instytucje mogą polegać na jednym badaczu z doświadczeniem technicznym.

Startupy mierzą się z podobnym problemem. Firma oparta na nauce może stworzyć wczesny prototyp przy użyciu tymczasowych kredytów, a następnie napotkać poważną lukę zasobów podczas walidacji. Może także potrzebować stabilnej infrastruktury, zanim regulatorzy, klienci lub inwestorzy zaakceptują jej dowody.

Badacze na początku kariery mają ograniczony czas na przyswojenie pracy infrastrukturalnej. Doktorant, który spędza miesiące na konfigurowaniu oprogramowania, traci czas, który w przeciwnym razie wspierałby eksperymenty, publikacje i współpracę. Materiały szkoleniowe zmniejszają to obciążenie tylko wtedy, gdy odpowiadają dostępnym systemom.

Proponowane przez NVIDIA dyżury konsultacyjne, bootcampy i hackathony mogą stanowić użyteczne punkty wejścia. Firma współorganizuje europejski hackathon AI dla systemu Pharos-CY wraz z Austrian Scientific Computing, niemieckimi centrami superkomputerowymi i The Cyprus Institute.

Hackathony dobrze sprawdzają się w intensywnej nauce i szybkim prototypowaniu. Gorzej nadają się do długotrwałych badań, w których eksperymenty wielokrotnie zawodzą, a pytania pojawiają się poza zaplanowanymi wydarzeniami. Uczestnicy potrzebują kanału wsparcia po zakończeniu warsztatów.

Krajowe fabryki AI mogą wypełnić tę lukę, utrzymując lokalnych ekspertów. Eksperci ci mogą rozumieć zarówno infrastrukturę, jak i regionalne potrzeby badawcze. Mogą także pomagać użytkownikom określić, czy dane obciążenie wymaga dużego modelu, mniejszego modelu specjalistycznego czy konwencjonalnej symulacji.

Takie wskazówki mogą zapobiegać marnotrawstwu. Naukowa AI nie jest automatycznie najlepszym podejściem do każdego problemu. Tradycyjny solver numeryczny może być dokładniejszy, łatwiejszy do interpretacji lub bardziej efektywny w konkretnym zadaniu.

Procesy selekcji powinny nagradzać odpowiednie metody, a nie modne terminologie. W przeciwnym razie badacze mogą przemianowywać zwykłe projekty obliczeniowe na prace AI, aby zwiększyć swoje szanse na dostęp. Zniekształciłoby to sygnały popytu i zużywało ograniczone zasoby.

Uwagę wymaga również rozkład geograficzny. Sieć obejmująca wiele krajów nie gwarantuje równego uczestnictwa. Uniwersytety z istniejącymi partnerstwami, silniejszymi biurami grantowymi i wsparciem w języku angielskim mogą uzyskać nieproporcjonalnie duży udział.

Przejrzyste dane dotyczące zgłoszeń ujawniłyby, czy program dociera do deklarowanej grupy odbiorców. Przydatne wskaźniki obejmują zgłoszenia według wielkości instytucji, kraju, etapu kariery i dyscypliny. Wskaźniki akceptacji oraz wielkości przydziałów powinny być raportowane według tych samych kategorii.

Programy powinny także wyjaśniać, co dzieje się po początkowym dostępie. Badacze muszą wiedzieć, czy udane projekty mogą odnowić przydziały, przenieść się do innego systemu lub uzyskać wsparcie w publikacji i replikacji.

Finansowanie publiczne pozostaje kluczowe. Prywatne zobowiązania mogą dodawać oprogramowanie, wiedzę ekspercką i moce obliczeniowe, lecz firmy mogą zmieniać priorytety. Europa nie może opierać długoterminowej infrastruktury naukowej na korzyściach pozbawionych stabilnych zasad kwalifikacji lub zobowiązań usługowych.

Karta Komisji uznaje to, pozycjonując wsparcie prywatne jako coś wykraczającego poza to, co może zapewnić samo finansowanie publiczne. To rozróżnienie powinno pozostać jasne. Zobowiązania korporacyjne są uzupełnieniem publicznych zdolności badawczych, a nie ich substytutem.

Trzy sygnały pokażą, czy zobowiązanie zmienia europejską naukę

Kolejny etap należy oceniać na podstawie zweryfikowanego uczestnictwa i ukończonych badań, a nie liczby ogłoszonych zasobów.

Pierwszym sygnałem będzie publikacja konkretnych warunków dostępu. Badacze potrzebują zasad kwalifikacji, dat składania wniosków, wielkości przydziałów, obsługiwanych obciążeń i zasad odnowienia dla każdej uczestniczącej fabryki AI lub ścieżki chmurowej.

Jasne warunki wzmocniłyby argument, że zobowiązanie NVIDIA AI in Science tworzy praktyczny dostęp. Niejasne odniesienia do przyszłych ścieżek osłabiłyby go, zwłaszcza dla zespołów, które nie mogą budować planów wokół niepewnej dostępności zasobów.

Drugim sygnałem będą dowody, że krajowe pilotaże przekształcają się w powtarzalne programy. Pełne wdrożenie akceleratorów w Barcelonie i współpraca ze Sweden AI Factory to wczesne przypadki warte obserwacji. Liczba ich zgłoszeń, wskaźniki ukończenia i kolejne przydziały mogą pokazać, czy model działa poza kohortą pilotażową.

Udany program powinien przynosić więcej niż udział w warsztatach. Powinien pomagać zespołom prowadzić zwalidowane eksperymenty, zachowywać odtwarzalne środowiska i kontynuować pracę po zakończeniu początkowego wsparcia.

Trzecim sygnałem będzie niezależne raportowanie na temat tego, kto faktycznie korzysta z 35 rozwijanych systemów. NVIDIA twierdzi, że rozbudowa może wspierać ponad 3 miliony badaczy w 23 krajach. Liczba aktywnych użytkowników, dostarczone godziny GPU i ukończone projekty zapewniłyby solidniejszą miarę.

Rezultaty badań wymagają czasu, dlatego wczesne raportowanie nie powinno oczekiwać natychmiastowych odkryć naukowych. Wskaźniki krótkoterminowe nadal mogą mierzyć dostęp. Obejmują one ukończenie pierwszego zadania, ponowne wykorzystanie, czas reakcji wsparcia i udane transfery między ośrodkami.

W tym raportowaniu powinna pojawić się przenośność. Europa zyska większą odporność, jeśli badacze będą mogli przenosić procesy pracy między systemami publicznymi i różnymi środowiskami sprzętowymi. Metody wielokrotnego użytku są ważniejsze niż jedna udana demonstracja na jednej maszynie.

Inicjatywa powinna również ujawnić, które formy wsparcia okazują się najcenniejsze. Niektóre zespoły mogą potrzebować kursów wprowadzających. Inne mogą bardziej skorzystać z godziny rozmowy z inżynierem infrastruktury lub dłuższej współpracy ze specjalistą od oprogramowania naukowego.

Europejski eksperyment jest szerszy niż korporacyjne zobowiązanie. Region próbuje połączyć infrastrukturę publiczną z prywatną wiedzą ekspercką, nie rezygnując z celów dotyczących otwartości, suwerenności i niezależności naukowej.

Zobowiązanie NVIDIA AI in Science zapewnia temu eksperymentowi znaczącą podstawę programową i sprzętową. Koncentruje też uwagę na platformie już dominującej w obliczeniach przyspieszonych. Oba skutki zasługują na staranny pomiar.

Dla badaczy natychmiastowe działanie ma charakter praktyczny: należy przeanalizować dostępne materiały szkoleniowe, śledzić krajowe nabory fabryk AI i udokumentować zasoby potrzebne do rzeczywistego projektu. Dla instytucji zadanie jest trudniejsze. Muszą uczynić dostęp przewidywalnym, przenośnym i trwałym.

Czy Europa opublikuje wystarczająco dużo dowodów operacyjnych, aby wykazać, że mniejsze laboratoria odnoszą korzyści? Odpowiedź na to pytanie, a nie ogłoszona skala infrastruktury, określi, czy zwiększone moce obliczeniowe staną się zwiększonymi możliwościami naukowymi.