NVIDIA AI in Science 承诺带来更多算力，但真正考验在于能否获得使用权

NVIDIA 已加入欧洲 AI in Science Enablers Initiative，目前欧洲大陆有 35 台基于 NVIDIA 的超级计算机正在建设中。NVIDIA AI in Science 承诺结合了软件、培训、技术支持和算力获取渠道。然而，其意义取决于一个更棘手的问题：较小规模的研究团队能否将这些资源转化为持续开展的科学研究。

欧盟委员会于 10 月 15 日在都柏林举行的 European AI in Science Summit 上启动了该倡议。该倡议将私人及慈善机构的贡献与 RAISE——欧洲 AI 科学资源平台（Resource for AI Science in Europe）连接起来。NVIDIA 是首批参与者之一，其他参与者包括 Google、Mistral AI、Elsevier、Frontiers、Sanofi 和 Novo Nordisk Foundation。

这不仅是一项硬件公告。欧洲已通过 EuroHPC 和国家级 AI 工厂大力投资共享超级计算基础设施。新倡议试图解决围绕这些基础设施的运营障碍，包括软件准备、专业技能、技术支持及易于使用的访问途径。

对于大型机构而言，这些障碍虽具挑战性，但仍可应对。较小的实验室、处于职业早期的研究团队或科技创业公司，可能没有专职的基础设施工程师。它们也可能缺乏将实验从笔记本电脑迁移至按计划调度的分布式 GPU 环境所需的时间和资金。

因此，核心竞争并非 NVIDIA 与另一家芯片公司之间的较量，而是广泛可及性与名义可用性之间的较量。欧洲可以部署更多机器，但只有既有计算中心之外的研究人员也能有效使用它们，该倡议才算成功。

NVIDIA AI in Science 承诺整合了四个层面的访问能力

NVIDIA 的承诺之所以重要，是因为它将科学计算视为相互连接的资源体系，而非单纯交付处理器。

根据该公司的科学承诺，其贡献涵盖加速工具、模型、云资源、培训、技术支持、协作项目及创业公司支持。这些要素对应四个实际层面：软件、技能、专家协助和算力。

软件层包括 NVIDIA 现有的逾 250 个开放模型、250 个开放数据集和 1,400 个开源项目。该公司表示，这些资源涵盖语言模型、医疗健康、机器人、气候研究、物理 AI、自动驾驶系统及其他科学领域。

科学家可以使用专业组件，而不必从通用模型开始构建每个项目。BioNeMo 支持计算生物学和分子研究。PhysicsNeMo 提供物理信息机器学习库，将物理约束纳入模型开发。Earth-2 则提供用于天气和气候研究的模型与工具。

第二个层面是培训。NVIDIA 的 Deep Learning Institute 已开放课程资料中心，其中包含可下载的加速计算和深度学习材料。这些课程包括讲义、代码示例、Jupyter notebooks 和实验指南。

这些开放课程资料根据材料不同采用 Apache License 2.0 或 Creative Commons Attribution 4.0 条款。教育工作者可以将其改编用于大学课程、超级计算训练营和社区活动。学习者无需注册，也不受截止日期限制，即可获取这些材料。

开放课程只能解决部分技能问题。科学软件往往涉及特定领域的数据集、陌生的集群调度器和分布式工作流。研究人员还必须了解哪些数值方法能够从 GPU 中获益，同时不损害准确性或可复现性。

这正是技术支持构成第三个层面的原因。NVIDIA 表示，将提供办公答疑时间、训练营和黑客松，帮助研究人员利用自己的数据调优模型。这类支持可以缩短演示 notebook 与可重复实验之间的距离。

第四个层面是算力访问。NVIDIA 正与云合作伙伴及法国、西班牙和瑞典等国家的 AI 工厂合作。其 Inception 创业公司计划也会为符合条件的公司对接技术资源和基础设施机会。

这些组成部分使 NVIDIA AI in Science 承诺有别于传统的教育活动。课程材料可以教研究人员了解加速工作流如何运行；专家辅导可以帮助他们调整该工作流；访问计划则可进一步提供运行它的场所。

但这些环节仍需在实践中真正衔接。一名完成课程却无法获得合适算力的研究人员，依然会受阻。获得短期配额却没有持续支持的团队，也可能难以复现或扩展其成果。

欧洲正试图弥合基础设施与可用性之间的差距

欧洲面临的问题不再是简单缺少高性能计算机，而是各方将共享基础设施转化为研究产出的能力并不均衡。

欧洲大陆已通过 European High Performance Computing Joint Undertaking（EuroHPC）建立起庞大的公共计算网络。该组织汇集欧盟和各国资源，用于采购超级计算机，并支持研究、公共机构和产业。

EuroHPC 表示，已采购 12 台超级计算机。其系统包括位于德国的 JUPITER，另有更多聚焦 AI 的设施正通过国家级 AI 工厂建设。无论研究人员身处欧洲何地，都可以通过竞争性访问征集申请算力。

其中一个例子是德国首座 AI 工厂 HammerHAI。一份 EuroHPC 合同为该系统的采购、安装和维护安排了 5,500 万欧元。欧洲和德国的公共计划将平分这笔预算。

HammerHAI 旨在服务科研机构、创业公司和企业，重点关注制造业与工程领域。它将把面向 AI 优化的超级计算机与咨询、教育和技术协助相结合。

这种组合揭示了更广泛的政策转变。公共机构日益认识到，稀缺硬件只是约束之一。研究人员还需要易于发现的申请流程、预先准备好的软件环境，以及能够诊断任务失败原因的人员。

加速计算会将适合的工作负载转移至专用处理器——通常是 GPU——以并行执行大量计算。这种方式可以缩短气候模拟、分子筛选和材料建模所需的时间。然而，现有研究代码并不会仅因 GPU 可用就自动变得高效。

实验室可能需要重写应用程序的部分内容、以不同方式准备数据，或验证新的数值方法。它还可能需要为集群打包依赖项，并学习使用 Slurm 等调度器。每项任务都需要较小团队可能并不具备的技能。

欧盟委员会的 RAISE 倡议呼吁私营组织提供模型、软件、数据、专业知识、培训和算力。其目标是补充公共投资，而不是取代公共投资。

Google 已承诺为欧洲研究人员提供云服务额度，以及来自 Google DeepMind 的科学模型访问权限。Mistral AI 正提供开放权重模型、API 额度和研究机会。Novo Nordisk Foundation 计划向欧洲科学家开放其 Gefion 超级计算机的算力。

这些承诺带来了有益的多样性。一些研究人员需要通用云算力，另一些则需要满足主权或数据治理要求的国家级系统。某些项目受益于开放权重，而另一些项目则更依赖经过整理的科学数据。

NVIDIA 占据了尤其有影响力的位置，因为其硬件和软件已为许多欧洲系统提供基础支持。这一既有基础可简化跨站点部署，但也可能加深对单一供应商编程环境、库和优化工具的依赖。

因此，NVIDIA AI in Science 承诺同时服务于两种利益。它既降低研究人员的采用门槛，也扩大接受 NVIDIA 计算栈培训的科学家群体。这两种利益可以兼容，但政策制定者应同时评估二者。

开放资源有所帮助，但算力配额决定谁能参与

该倡议的决定性机制，是从开放学习转向实际且足够长期的算力配额。

NVIDIA 表示，研究人员和创业公司可通过云合作伙伴、国家级 AI 工厂和 EuroHPC 中心获取基础设施。意大利的 CINECA 和德国的 Jülich Supercomputing Centre 已为符合条件的开放研究提供免费 GPU 使用权。

国家计划则增加了更多途径。法国的 AI2F 已与 NVIDIA 的 Inception 计划合作，而 Barcelona Supercomputing Center 已试点一项加速器计划。NVIDIA 表示，西班牙目前正将这一工作推进为完整计划。

Sweden AI Factory 也已宣布与 NVIDIA 合作。该机构计划向 Inception 创业公司及从事生命科学、材料、自主系统和游戏等领域工作的中小企业开放基础设施和专业知识。

据 NVIDIA 称，欧洲目前有 19 家由 EuroHPC 资助的 AI 工厂。这些设施旨在将基础设施与咨询、培训和创业支持等服务结合起来。这一运营模式比原始峰值性能更贴近较小团队的需求。

短期教育配额可帮助科学家检验一种方法是否可行。但严肃的研究通常需要反复实验、数据准备、调试和验证，也可能需要一个稳定的环境，让协作者在数月后仍可重新访问。

因此，配额规则将影响哪些领域能够受益。运行大型模拟任务的气候项目，与进行大量较小实验的分子设计创业公司，需求并不相同。评审流程必须比较不同项目，同时不能将科学价值压缩为单一利用率指标。

数据治理带来了另一项约束。医疗、基因组或商业敏感信息并不总能转移到不受限制的云环境中。研究人员在运行模型前，可能需要区域托管、访问控制和有据可查的数据处理安排。

主权算力是指在一个地区的法律、安全与治理要求下运行的基础设施。它可以帮助欧洲团队将敏感数据保留在获批准的环境中。然而，主权取决于运营和软件控制，而不仅仅是服务器的物理位置。

欧洲设施还必须协调软件环境。在一家 AI 工厂开发的工作流，不应要求在另一家设施中完全重建。共享容器、版本化依赖项和可移植的任务描述可以减少这种摩擦。

可复现性同样重要。当另一支团队能够审查方法并重复整个过程时，模型结果才具有科学价值。开放代码和数据集有助于实现这一目标，但研究人员还需要配置细节、硬件信息和可靠的访问渠道。

这正是实用知识管理发挥作用的地方。研究团队必须保存实验记录、模型版本、集群说明和验证决策。一个可搜索的技术知识库可以帮助协作者保留复杂计算工作流程背后的上下文。

最有力的访问计划将培训、技术建议、基础设施和文档连接起来。如果这些要素彼此割裂，负担就会重新落在研究人员身上。这种结果将有利于那些已经具备应对碎片化系统能力的机构。

开放软件的承诺仍处于 NVIDIA 平台之内

开放模型和课程材料降低了入门门槛，但并未消除 NVIDIA 更广泛计算技术栈带来的战略依赖。

该公司将其承诺描述为始于开源技术。一些资源显然符合传统开源许可标准。新课程可在既定许可下下载、修改和再分发。

其他要素则需要更仔细地审视。“开放模型”可能指多种不同安排，包括发布权重、提供可访问的推理代码，或完整记录训练过程。这些类别提供的可复现性和控制程度各不相同。

NVIDIA 的 Nemotron 系列将开放权重与精选数据、配方和工具结合起来。其科学软件包面向从分子设计到气候建模的多种应用。研究人员仍应审查每个组件的许可证、源代码可用性和硬件要求。

可移植性至关重要，因为欧洲已明确表达了对技术自主的诉求。一个项目可能以开放代码起步，但在采用厂商专有库、部署工具和优化方法后，迁移成本会变得高昂。

CUDA 是 NVIDIA 占主导地位的并行计算平台，拥有庞大的开发者群体和成熟的科学计算库。对于当下需要可用工具的研究人员而言，这种成熟度是真实优势。但当替代加速器采用不同的编程环境时，它也会带来切换成本。

AMD、Intel 和专用芯片开发商仍在争夺科学计算工作负载。欧洲的处理器项目也希望在区域基础设施中扮演更重要的角色。它们面临的挑战不仅是匹配硬件性能，还包括支持研究人员所期待的软件库和受过训练的人才队伍。

NVIDIA AI in Science 承诺能够扩大参与范围，同时强化 CUDA 作为默认科学计算平台的地位。这是该倡议的核心权衡。即时可用性可能会加强一种欧洲机构日后希望降低的依赖。

这并不意味着这些开放资源缺乏诚意或无法使用。它意味着公共研究机构应当区分访问权和可移植性。它们应当追问：受训研究人员能否迁移其方法，项目能否继续实际掌控自身工作流程。

采购决策可以保留选择空间。设施可以要求采用可移植的数据格式、可复现的环境文件和透明的基准测试报告。培训项目也可以在教授厂商专有工具的同时，讲授通用并行计算概念。

该倡议的其他参与方提供了有益的制衡。Mistral AI 提供由欧洲开发的开放权重模型。Google 则贡献了通往不同云端和模型生态系统的访问渠道。公共设施可以比较这些路径，而不应将单一技术栈视为普适方案。

独立评估将不可或缺。NVIDIA 关于模型、数据集、软件项目和计划中基础设施的数字，描述了其贡献规模。但这些数字并不能证明有多少研究人员将完成项目或发表可复现的成果。

该公司还表示，35 台 NVIDIA AI 超级计算机正在欧洲 23 个国家开发建设。其基础设施公告称，这些系统将服务超过 300 万名研究人员。

这一覆盖范围估计不等同于实际使用量。一个系统可以属于服务数百万人的网络，而其最先进资源仍可能受到限制。未来报告应区分符合资格的群体、活跃用户和已完成项目。

小型实验室需要的不只是邀请

最具说服力的检验在于：没有专职计算人员的团队，能否在没有隐性机构优势的情况下，从一个想法推进到经验证的结果。

大型大学通常雇有研究软件工程师、数据管理员和集群管理员。当环境配置失败或应用超出内存限制时，科研人员可以寻求帮助。较小机构可能只能依靠一名具备技术经验的研究人员。

初创企业也面临类似问题。一家科学技术公司或许能用临时额度构建早期原型，却会在验证阶段遇到明显的资源缺口。在监管机构、客户或投资者认可其证据之前，它也可能需要稳定一致的基础设施。

职业早期研究人员用于掌握基础设施工作的时间有限。一名博士生若花数月配置软件，就会失去原本可用于实验、论文和协作的时间。培训材料只有与可用系统相匹配时，才能减轻这种负担。

NVIDIA 提议的办公答疑时间、训练营和黑客松可以提供有用的切入点。该公司正与 Austrian Scientific Computing、德国超级计算中心和 The Cyprus Institute 共同为 Pharos-CY 系统组织一场欧洲 AI 黑客松。

黑客松适合集中学习和快速原型开发。但它们不太适合长期研究，因为实验会反复失败，问题也会在预定活动之外出现。参与者需要在工作坊结束后仍可使用的支持渠道。

国家 AI 工厂可以通过维持本地专家来填补这一空白。这些专家既能了解基础设施，也能理解区域科研需求。他们还可以帮助用户判断，某项工作负载需要大型模型、较小的专用模型，还是传统模拟方法。

这种指导可以避免浪费。科学 AI 并非对所有问题都自动是最佳方案。对于特定任务，传统数值求解器可能更准确、更具可解释性或更高效。

遴选流程应奖励恰当的方法，而非时髦的术语。否则，研究人员可能将普通计算项目重新包装为 AI 工作，以提高获得资源的机会。这会扭曲需求信号，并消耗稀缺资源。

地理分布同样需要关注。覆盖多个国家的网络并不保证平等参与。拥有既有合作关系、更强资助申请办公室和英语支持的大学，可能获得不成比例的份额。

透明的申请数据将揭示该计划是否触及其宣称的目标受众。有用指标包括按机构规模、国家、职业阶段和学科划分的申请数量。录取率和资源分配规模也应按相同类别公布。

项目还应说明初始访问结束后会发生什么。研究人员需要知道，成功项目是否可以续配资源、迁移到另一套系统，或获得用于发表和复现的支持。

公共资金仍处于核心地位。私营部门的承诺可以补充软件、专业知识和容量，但企业可能改变优先事项。欧洲不能将长期科学基础设施建立在缺乏稳定资格规则或服务承诺的权益之上。

委员会章程通过将私营支持定位为公共资金单独无法提供的补充，承认了这一点。这一区别应保持清晰。企业承诺是公共科研能力的补充，而不是替代品。

三个信号将显示这项承诺是否改变欧洲科学

下一阶段应以经验证的参与情况和完成的研究成果来评判，而不是以宣布的资源数量来衡量。

第一个信号是公布具体的访问条款。研究人员需要了解每个参与的 AI 工厂或云端路径的资格规则、申请日期、资源分配规模、支持的工作负载和续期政策。

清晰条款将增强这样一种判断：NVIDIA AI in Science 承诺创造了实际可用的访问机会。对于无法围绕不确定容量制定计划的团队而言，对未来路径的模糊提及会削弱这一判断。

第二个信号是国家试点转变为可重复项目的证据。Barcelona 的完整加速器部署和 Sweden AI Factory 的合作是值得关注的早期案例。它们的申请量、完成率和后续资源分配，可以显示该模式能否在试点群体之外奏效。

一个成功项目带来的不应只是工作坊出席率。它应帮助团队运行经过验证的实验、保留可复现环境，并在初始支持结束后继续推进工作。

第三个信号是独立报告：究竟是谁在使用正在建设的 35 套系统。NVIDIA 表示，这一建设计划可支持分布在 23 个国家的超过 300 万名研究人员。活跃用户数量、已交付 GPU 小时数和已完成项目将提供更坚实的衡量标准。

研究产出需要时间，因此早期报告不应要求立即出现科学发现。近期指标仍可衡量访问情况，包括首次任务完成率、重复使用情况、支持响应时间和设施间成功迁移次数。

可移植性应当出现在这些报告中。如果研究人员可以在公共系统和不同硬件环境之间迁移工作流程，欧洲将获得更强的韧性。可复用的方法比在一台机器上完成一次成功演示更重要。

该倡议还应揭示哪些支持形式最具价值。一些团队可能需要入门课程。另一些团队或许更受益于与基础设施工程师交流一小时，或与科学软件专家开展更长期的合作。

欧洲的这项试验不止是一项企业承诺。该地区正尝试将公共基础设施与私营专业知识连接起来，同时不放弃其对开放性、主权和科学独立性的目标。

NVIDIA AI in Science 承诺为这项试验提供了坚实的软件和硬件基础。它也将注意力集中到一个已经在加速计算领域占主导地位的平台上。这两种影响都值得谨慎衡量。

对研究人员而言，眼下的行动很实际：查看可用课程资料，关注国家 AI 工厂的征集通知，并记录真实项目所需的资源。对机构而言，任务更为艰巨。它们必须让访问变得可预测、可移植且可持续。

欧洲能否公布足够的运营证据，证明小型实验室正在受益？这个答案，而非基础设施宣布的规模，将决定扩大的计算能力是否会转化为扩大的科学机会。