Sugon 8000 China Menggerakkan 100,000 Kad AI untuk Simulasi Otak, Alam Semesta dan Cuaca

Daripada empat trilion zarah kosmik kepada otak digital

Simulasi menggunakan empat trilion zarah jirim gelap, otak digital yang mengandungi 100 bilion neuron dan sistem ramalan lautan dengan resolusi satu kilometer antara aplikasi yang dipersembahkan bersama sistem pengkomputeran Sugon 8000 China pada persidangan utama di Shenzhen.

Mesin itu, yang disifatkan pembangunnya sebagai superkluster AI pertama China yang dibangunkan sepenuhnya di dalam negara dan mengandungi 100,000 kad pemecut, diperkenalkan pada Persidangan Kebangsaan Pengkomputeran Prestasi Tinggi CCF ke-22. Acara itu berlangsung dari 17 hingga 20 Oktober 2026 di Pusat Pameran dan Konvensyen Dunia Shenzhen, dengan sepuluh pencapaian aplikasi termaju diumumkan pada 18 Oktober.

Sugon 8000, juga dikenali sebagai Dengfeng, dibina di Zhengzhou, wilayah Henan, dan disambungkan kepada Internet Pengkomputeran Super Kebangsaan. Reka bentuk terasnya menggabungkan pengkomputeran prestasi tinggi, yang membuat pengiraan berdasarkan peraturan matematik dan fizik, dengan kecerdasan buatan, yang mempelajari corak daripada data.

Matlamat praktikalnya adalah untuk memberi penyelidik cara lebih pantas menyiasat masalah yang sukar. Simulasi konvensional boleh menghasilkan data latihan, AI boleh meneliti pelbagai kemungkinan jawapan, dan satu lagi simulasi terperinci boleh menguji hasil yang paling menjanjikan.

Pengumuman penyempurnaan Sugon menyatakan sistem itu siap dan disambungkan kepada rangkaian pada 10 Julai 2026. Oleh itu, pembentangan Oktober tertumpu pada aplikasi daripada sistem yang sudah digunakan, termasuk kerja dalam bidang astronomi, bahan, sains hayat, cuaca dan pertanian.

Fungsi sebenar 100,000 kad yang disambungkan

Kad pemecut AI ialah perkakasan pengkomputeran yang direka untuk melaksanakan sejumlah besar pengiraan secara selari. Sambungan 100,000 kad membolehkan kluster membahagikan tugas berat kepada banyak pemproses, dengan syarat pemproses itu dapat bertukar-tukar data dengan cukup pantas.

Sugon berkata sistem itu menyokong format angka daripada FP64 hingga INT8. FP64 menggunakan 64 bit untuk mewakili nombor titik apung, sekali gus memberikan ketepatan angka yang tinggi bagi pengiraan saintifik. INT8 mewakili integer menggunakan lapan bit dan berguna untuk sesetengah operasi AI, apabila nombor yang lebih kecil boleh mengurangkan penggunaan memori dan kos pengiraan.

Peringkat penyelidikan yang berbeza memerlukan tahap ketepatan yang berbeza. Simulasi fizik terperinci mungkin memerlukan FP64, manakala model AI yang menapis bahan berpotensi mungkin menggunakan format ketepatan lebih rendah. Sugon 8000 direka untuk menyokong beban kerja ini pada platform pengkomputeran yang sama.

Peralihan daripada 10,000 kepada 100,000 kad merupakan peningkatan sepuluh kali ganda dalam bilangan kad. Prestasi sebenar turut bergantung pada kecekapan perisian membahagikan kerja, kelajuan pemindahan data dan tempoh pemproses menunggu antara satu sama lain.

Sugon menyifatkan pendekatannya sebagai penyepaduan asli pengkomputeran prestasi tinggi dengan AI. Dari segi praktikal, infrastruktur itu bertujuan mengendalikan simulasi saintifik, latihan model dan inferens, iaitu proses menggunakan model AI terlatih untuk menghasilkan jawapan.

Gelung penyelidikan yang menguji AI dengan fizik

Simulasi saintifik dan AI bermula dari titik yang berbeza. Simulasi mungkin menggunakan persamaan yang menerangkan interaksi atom atau pergerakan udara. Ia bermula dengan keadaan awal dan mengira apa yang berlaku seterusnya, lazimnya melalui banyak langkah kecil.

Model AI belajar daripada contoh. Dengan hasil simulasi yang mencukupi, model itu boleh mengenal pasti corak dan menganggarkan hasil jauh lebih pantas berbanding mengulangi setiap pengiraan terperinci. Kelajuan itu berguna apabila penyelidik perlu meneliti sejumlah besar reka bentuk atau susunan molekul yang berpotensi.

Pendekatan gabungan Sugon 8000 merangkumi tiga peringkat. Pertama, pengkomputeran saintifik menghasilkan data simulasi. Kedua, AI belajar daripada data itu dan menapis calon. Ketiga, pengiraan saintifik terperinci menguji kelompok lebih kecil jawapan yang menjanjikan.

Ujian akhir itu penting kerana AI boleh menghasilkan keputusan yang kelihatan munasabah tetapi tidak tepat, yang sering disebut sebagai halusinasi. Dalam penyelidikan saintifik, ramalan yang menarik tetap perlu diuji berdasarkan tingkah laku fizikal yang dikaji. Aliran kerja gabungan ini menumpukan pengiraan mahal kepada calon yang sudah melepasi tapisan awal.

Bagi penyelidik, manfaatnya ialah perubahan pada cara masa pengkomputeran digunakan. Daripada menjalankan pengiraan paling terperinci untuk setiap kemungkinan, mereka boleh menggunakan AI untuk mengecilkan skop carian dan memperuntukkan ketepatan lebih tinggi kepada kes yang wajar diteliti dengan lebih mendalam.

Pelancaran Julai dan pameran Oktober

Pengumuman Sugon pada Julai dan pembentangan persidangan pada Oktober menggambarkan peringkat pelaksanaan sistem yang berbeza. Syarikat itu terlebih dahulu mengumumkan penyempurnaan sistem, diikuti angka operasi dan kemudian pameran saintifik yang lebih luas.

• 10 Julai 2026: Sugon mengumumkan penyempurnaan Sugon 8000 dan sambungannya kepada Internet Pengkomputeran Super Kebangsaan.
• 18 Julai: Angka yang dikeluarkan semasa Persidangan Kecerdasan Buatan Sedunia menggambarkan penggunaan penuh pada minggu pertama operasi, dengan purata lebih 150,000 tugasan diproses setiap hari.
• 17 hingga 20 Oktober: Persidangan Kebangsaan Pengkomputeran Prestasi Tinggi CCF berlangsung di Shenzhen.
• 18 Oktober: Sugon mempersembahkan sepuluh pencapaian aplikasi termaju pada persidangan itu.

Tarikh penyempurnaan rasmi Sugon ialah 10 Julai; laporan pada Oktober turut menyatakan kluster itu mula beroperasi secara rasmi pada Ogos, tanpa menjelaskan kaitan pencapaian itu dengan pelancaran Julai.

Angka minggu pertama menunjukkan kemuncak harian melebihi 500,000 tugasan, iaitu lebih tiga kali ganda ambang purata harian yang dinyatakan sebanyak 150,000. Tugasan ialah kerja pengkomputeran yang dihantar untuk diproses, maka jumlah itu boleh merangkumi kerja dengan saiz dan tempoh yang sangat berbeza.

Kemas kini operasi Julai turut menyatakan sistem itu menyokong jutaan permintaan pengguna serentak melalui penjadualan yang mengambil kira jenis tugasan, lokasi data dan ketersediaan sumber. Penjadualan sedemikian ibarat pembahagian kerja kepada pasukan yang sesuai, sambil memastikan laluan dan peralatan yang dikongsi tidak menjadi halangan.

Projek alam semesta dan otak

Simulasi kosmologi Qianyan menggunakan empat trilion zarah jirim gelap untuk memodelkan evolusi kosmos. Jirim gelap ialah jirim yang kesan gravitinya boleh diperhatikan walaupun ia tidak memancarkan cahaya. Zarah simulasi mewakili bahagian jirim itu, membolehkan penyelidik mengira perkembangan struktur berskala besar.

Skala berangka itu menjadikan gambaran bahawa mesin berkenaan mampu menampung alam semesta simulasi lebih nyata. Penyelidik menggunakan perwakilan matematik bagi jirim kosmik dan tingkah lakunya, kemudian mengira perubahan perwakilan itu.

Pasukan Universiti Fudan turut mempersembahkan otak digital pada skala 100 bilion neuron, yang disifatkan pada persidangan itu sebagai yang pertama di dunia pada skala berkenaan. Otak digital mewakili sel saraf dan interaksinya dalam perisian supaya penyelidik dapat mengkaji tingkah laku kolektifnya.

Kedua-dua projek ini memerlukan lebih daripada sekadar ruang storan untuk menyimpan sejumlah besar objek. Komputer perlu berulang kali mengira interaksi dan memindahkan maklumat antara pemproses apabila sistem simulasi berubah.

Projek astronomi dan otak menunjukkan sebab pembentangan Oktober menumpukan pada aplikasi, bukan jumlah kad semata-mata. Ukuran kegunaannya termasuk kerumitan yang dapat dikendalikan model, perincian pengiraan dan tempoh yang diperlukan untuk menyiapkan simulasi.

Bahan, cuaca, lautan dan jagung maya

MatPL, pakej perisian medan daya pembelajaran mesin, mengembangkan simulasi dinamik molekul kepada satu trilion atom dengan ketepatan yang dikatakan menghampiri pengiraan mekanik kuantum. Dinamik molekul menjejaki pergerakan atom dari semasa ke semasa. Medan daya menganggarkan daya antara atom, yang menentukan pergerakan itu.

Pembelajaran mesin boleh mengurangkan kos pengiraan anggaran daya tersebut berbanding menyelesaikan masalah kuantum yang lebih terperinci berulang kali. Pembentangan persidangan meletakkan pencapaian MatPL pada persilangan antara skala simulasi dengan ketepatan angka, dua tuntutan yang sering sukar dipenuhi serentak.

Sistem Fengqing Ensemble V1.0 untuk ramalan cuaca global jangka pendek dan sederhana telah mula digunakan secara operasi. Ramalan ensembel menjalankan beberapa versi ramalan untuk meneroka kemungkinan perkembangan cuaca berdasarkan keadaan awal atau andaian yang sedikit berbeza.

Bagi penyelidikan lautan, swLFS diperkenalkan sebagai sistem ramalan peredaran lautan global pertama di dunia dengan resolusi satu kilometer. Resolusi lebih halus membolehkan model mewakili ciri ruang yang lebih kecil, namun meningkatkan jumlah pengiraan yang diperlukan merentas lautan global.

Platform Jagung Maya Universiti Pertanian China dikatakan dapat memendekkan kitaran pembiakbakaan daripada lebih sepuluh tahun kepada beberapa tahun. Platform itu menerapkan pengkomputeran dalam pencarian ciri tanaman yang berguna, sekali gus membantu penyelidik mengecilkan pilihan gabungan yang akan diteroka melalui pembiakbakaan.

Sepuluh pencapaian itu turut merangkumi penerokaan tenaga dan pembangunan peralatan termaju. Secara keseluruhan, contoh yang diketengahkan menghubungkan kluster itu dengan kerja nyata: meramal cuaca, memodelkan peredaran lautan, mengkaji tingkah laku atom dan memilih pilihan pembiakbakaan tanaman.

Rangkaian dan storan di sebalik pengiraan

Sugon berkata infrastruktur domestiknya merangkumi cip, peralatan pengkomputeran, storan, rangkaian, penyejukan, aplikasi dan perkhidmatan. Hygon dan cip lain yang dibangunkan di dalam negara menjadi asas pengkomputeran. Laporan persidangan turut menyebut enam cip yang dibangunkan sendiri dalam seni bina yang lebih luas.

Rangkaian scaleFabric menggunakan akses memori langsung jauh asli, atau RDMA. Teknologi ini membolehkan data bergerak antara mesin dengan penglibatan pemproses utama yang lebih minimum, sekali gus mengurangkan sebahagian beban pertukaran maklumat.

Sambungan pantas penting kerana simulasi besar atau latihan AI berulang kali berkongsi hasil perantaraan. Jika pemproses selesai membuat pengiraan tetapi terpaksa menunggu data, sebahagian kapasiti pengkomputeran yang dipasang akan terbiar.

Sugon mengenal pasti storan teragih ParaStor sebagai satu lagi komponen utama. Storan teragih menyebarkan data merentas berbilang mesin supaya beban kerja besar dapat membaca dan menulis maklumat melalui banyak laluan. Syarikat itu berkata ParaStor menduduki tempat pertama dalam kategori prestasi nod penuh pengeluaran dan nod 10 dalam penarafan IO500 2026.

Prestasi storan penting semasa latihan model, apabila set data besar perlu dibaca berulang kali, serta dalam simulasi saintifik, apabila hasil perantaraan mungkin perlu disimpan. Penyimpanan kemajuan juga membantu pengiraan panjang disambung semula selepas gangguan.

Pada skala ini, kesesakan rangkaian, pengimbangan beban dan pengasingan kerosakan menjadi tugas kejuruteraan utama. Penjadual perlu menempatkan kerja di lokasi yang mempunyai pemproses dan data sesuai, manakala rangkaian perlu mengendalikan trafik yang terhasil tanpa menyebabkan masalah setempat melambatkan keseluruhan sistem.

Penyejukan, kepadatan dan kos memastikan kad terus beroperasi

Sugon 8000 menggunakan penyejukan rendaman dengan proses perubahan fasa. Peralatan memindahkan haba ke dalam cecair penyejuk, dan perubahan keadaan cecair itu membantu mengalihkan haba. Sugon berkata reka bentuk tersebut mampu menyokong kabinet dengan ketumpatan kuasa pada tahap megawatt.

Syarikat itu turut menyatakan penggunaan bahan penyejuk yang dibangunkan di dalam negara serta sistem penyejukan yang memanfaatkan keadaan luar sepanjang tahun. Ciri-ciri ini menangani kekangan asas: lebih banyak kuasa pengkomputeran dalam ruang terhad menghasilkan lebih banyak haba yang perlu disingkirkan secara berterusan.

Kemas kini operasi Julai mendakwa ketumpatan pengkomputeran bagi setiap unit meningkat dua puluh kali ganda berbanding nod super lain. Kenyataan penyempurnaan Sugon pada Julai secara berasingan menyenaraikan kecekapan tenaga, akses memori dan reka bentuk rangkaian sebagai keperluan bagi kluster pada skala ini.

Bekalan elektrik dan peralatan penyejukan perlu menyokong penggunaan berat yang berterusan serta perubahan permintaan. Mesin yang menjalankan simulasi saintifik, latihan AI dan inferens dalam jumlah besar mungkin menghadapi corak trafik dan penggunaan kuasa yang berbeza apabila beban kerjanya berubah.

Ukuran praktikal seterusnya termasuk tenaga yang digunakan bagi setiap tugasan siap, masa menunggu data, tempoh menyiapkan tugasan dan pemulihan selepas kerosakan. Pengumuman yang diterbitkan tidak menyediakan set angka perbandingan yang lengkap bagi jumlah penggunaan kuasa, kos operasi, kelajuan aplikasi atau caj pengguna.

Sejauh mana sistem ini digunakan

Pengumuman penyempurnaan Sugon pada Julai menyatakan lebih 300 aplikasi gabungan pengkomputeran saintifik dan AI telah dioptimumkan merentas lebih 20 bidang. Lebih 70 aplikasi telah dikembangkan kepada skala 10,000 kad. Contoh yang dinamakan termasuk lipatan protein, dinamik molekul melibatkan satu trilion atom air dan simulasi turbulens menggunakan 100 trilion sel grid.

Kemas kini operasi Julai menyatakan hampir 1,000 penyesuaian aplikasi. Pada persidangan Oktober, angka merujuk kepada lebih 300 aplikasi keutamaan yang dioptimumkan secara mendalam merentas lebih 30 bidang, termasuk lebih 20 yang berjalan di seluruh sistem. Satu lagi laporan Oktober menyebut lebih 300 tugasan pengkomputeran merentas 26 bidang. Jumlah ini menggunakan kategori yang berbeza, termasuk penyesuaian perisian, pengoptimuman keutamaan dan tugasan pengkomputeran.

Internet Pengkomputeran Super Kebangsaan bertujuan membolehkan universiti, institusi penyelidikan, perniagaan dan pengguna individu mengakses kluster itu. Peranannya adalah menghubungkan permintaan pengkomputeran dengan sumber yang tersedia, sekali gus meluaskan akses kepada pihak yang tidak mampu membina dan mengendalikan kluster besar sendiri.

Sugon 8000 turut dipilih sebagai contoh aplikasi wakil di bawah program pemerhatian termaju HPC+AI for Science yang dilancarkan pada 18 Oktober. Persidangan itu memperkenalkan pelan tindakan kerjasama industri dan komuniti terbuka untuk kerjasama dalam infrastruktur pengkomputeran, perisian dan aplikasi.

Sugon telah mengumumkan perkongsian strategik dengan Akademi Kecerdasan Buatan Beijing serta pembangunan sistem kedua yang dibangunkan sepenuhnya di dalam negara dan mengandungi 100,000 kad. Bagi mesin pertama, hasil Oktober menumpukan pada kerja saintifik yang telah disiapkan dan perkhidmatan berterusan. Sistem kedua yang dicadangkan itu akan memperluas pendekatan tersebut melangkaui satu pemasangan.

Perkara Utama

• Sugon 8000 menghubungkan 100,000 kad pemecut AI dan beroperasi di Zhengzhou, wilayah Henan.
• Sugon mengumumkan penyempurnaan sistem dan sambungannya kepada Internet Pengkomputeran Super Kebangsaan pada 10 Julai 2026.
• Sepuluh pencapaian aplikasi termaju dipersembahkan di Shenzhen pada 18 Oktober.
• Projek yang dinamakan termasuk simulasi menggunakan empat trilion zarah jirim gelap, otak digital dengan 100 bilion neuron dan simulasi molekul pada skala satu trilion atom.
• Sistem itu menggabungkan pengiraan saintifik terperinci dengan latihan dan inferens AI pada satu platform.
• Sugon telah mengumumkan pembangunan kluster kedua yang dibangunkan sepenuhnya di dalam negara dan mengandungi 100,000 kad.