日前,能源科技的全球引领者施耐德电气在英伟达GTC大会期间宣布,携旗下工业软件领导者AVEVA剑维软件与英伟达深化合作,就下一代人工智能数据中心基础设施的全生命周期(涵盖设计、仿真、建设、运营及维护)取得关键进展。
此次发布的核心成果包括:全新NVIDIA Vera Rubin 参考设计,为英伟达最新机架级系统提供经过验证的供配电与冷却方案;基于NVIDIA Omniverse DSX Blueprint及其生态系统构建的先进数字孪生能力;以及利用 NVIDIA Nemotron开源模型,针对数据中心告警管理服务开展的代理式AI(Agentic AI)早期测试。
这些创新合作成果进一步巩固了施耐德电气与英伟达的合作伙伴关系,并为构建高效的吉瓦级AI工厂奠定了坚实基础。
全新AI参考设计,赋能英伟达下一代机架级系统
此次发布的全新AI参考设计,是专为NVIDIA Vera Rubin NVL72机架打造的首批验证方案之一。该方案覆盖供配电和冷却全链路,与施耐德电气控制参考设计深度集成,全面满足英伟达最新机架级系统关键基础设施的需求与关键设计考量:
该参考设计已通过ETAP对电气系统设计与验证,以及ITD对布局与气流仿真分析的双重验证。
全生命周期数字孪生架构:加速吉瓦级AI工厂部署
此外,施耐德电气旗下AVEVA剑维软件与英伟达联合发布全新的全生命周期数字孪生架构,旨在最大化GPU运行效率,助力AI工厂高效、规模化部署。依托AVEVA先进的工程软件与NVIDIA Omniverse平台,双方成功构建SimReady(仿真就绪)资产与数字孪生体系。此次发布标志着AVEVA工程与运营软件已全面融入NVIDIA Omniverse DSX Blueprint及其生态系统。借助领域专属仿真、数字化可视化及协同设计工具,该架构将显著缩短AI工厂从设计到Token产出的周期,驱动工程效率的跨越式优化。
在NVIDIA Omniverse平台完成系统架构搭建后,AVEVA将开展多域协同仿真,验证真实工况下的系统运行表现,包含动力分配、热力学计算、流程运行及控制仿真的计算模型。上述模拟仿真支持迭代优化,可在多样负载及环境条件下完成对多场景的快速评估,并在物理设施建设部署前完成最终验证,形成经过全面验证且性能最优的设计方案,在缩短工程周期的同时提升部署精度。
施耐德电气执行副总裁,关键电源与数据中心业务负责人Manish Kumar表示:“伴随AI工作负载在规模与复杂度上指数级攀升,数据中心设计的容错空间已极其有限。面向未来的AI工厂,亟需电力、冷却与数字系统的全域融合——既要承载前所未有的算力需求,更要保持极致能效水平。依托前沿软件、数字孪生和验证参考设计的深度协同,运营商可以在部署前完成基础设施的全维度模拟优化,从而降低风险、提速交付,为高效、韧性的下一代AI工厂提供有力保障。”
英伟达人工智能基础设施副总裁Vladimir Troy表示:“吉瓦级AI工厂亟需高能效且高可预测性的全新基础设施,通过与施耐德电气携手,我们将为全球客户交付电力、冷却与数字孪生架构,以全面加速Token生成。”
代理式AI测试:迈向自主化运营
此外,施耐德电气正式宣布已成功完成NVIDIA Nemotron模型测试,用以支撑全新代理式AI告警管理服务。该功能的改进解决了数据中心行业长期面临的挑战,支持在系统层面解析告警信息,定位根本原因并制定相应的解决方案。基于跨系统的实时IoT数据流,施耐德电气代理式AI运用集成工具,实现自主分析、诊断并提供应对方案。通过与专业技术人员的协同工作,该技术能够更高效、更稳定地解决问题,减少非必要派工,并增强运营韧性。这一里程碑式进展,充分印证了施耐德电气以前沿AI创新,重新定义资产性能管理的坚定决心。
上述成果的发布,植根于施耐德电气与英伟达长期以来的创新合作历程:
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。