Sugon 8000 ของจีนใช้การ์ด AI 100,000 ใบจำลองสมอง จักรวาล และสภาพอากาศ

จากอนุภาคจักรวาล 4 ล้านล้านอนุภาคสู่สมองดิจิทัล

การจำลองที่ใช้อณูสสารมืด 4 ล้านล้านอนุภาค สมองดิจิทัลที่มีเซลล์ประสาท 100,000 ล้านเซลล์ และระบบพยากรณ์มหาสมุทรที่มีความละเอียดหนึ่งกิโลเมตร เป็นส่วนหนึ่งของการประยุกต์ใช้งานที่นำเสนอควบคู่กับระบบประมวลผล Sugon 8000 ของจีนในการประชุมใหญ่ที่เมืองเซินเจิ้น

เครื่องนี้ได้รับการเปิดตัวในงานประชุมแห่งชาติด้านการประมวลผลสมรรถนะสูงของ CCF ครั้งที่ 22 โดยผู้พัฒนาระบุว่าเป็นซูเปอร์คลัสเตอร์ AI เครื่องแรกของจีนที่พัฒนาในประเทศทั้งหมด และมีการ์ดเร่งการประมวลผล 100,000 ใบ งานจัดขึ้นระหว่างวันที่ 17-20 ตุลาคม 2026 ที่ศูนย์นิทรรศการและการประชุมโลกเซินเจิ้น พร้อมเปิดเผยผลงานการประยุกต์ใช้ล้ำสมัย 10 รายการเมื่อวันที่ 18 ตุลาคม

Sugon 8000 หรือที่เรียกอีกชื่อว่า Dengfeng สร้างขึ้นในเมืองเจิ้งโจว มณฑลเหอหนาน และเชื่อมต่อกับเครือข่ายซูเปอร์คอมพิวเตอร์แห่งชาติ แนวคิดหลักของระบบคือการผสานการประมวลผลสมรรถนะสูง ซึ่งคำนวณตามกฎทางคณิตศาสตร์และฟิสิกส์ เข้ากับปัญญาประดิษฐ์ ซึ่งเรียนรู้รูปแบบจากข้อมูล

เป้าหมายในทางปฏิบัติคือช่วยให้นักวิจัยศึกษาปัญหาที่ยากได้เร็วขึ้น การจำลองแบบดั้งเดิมสามารถสร้างข้อมูลสำหรับฝึก AI จากนั้น AI ค้นหาคำตอบที่เป็นไปได้ และการจำลองอย่างละเอียดอีกครั้งจะตรวจสอบผลลัพธ์ที่มีแนวโน้มดีที่สุด

ประกาศการสร้างเสร็จของ Sugon ระบุว่าระบบสร้างเสร็จและเชื่อมต่อเครือข่ายเมื่อวันที่ 10 กรกฎาคม 2026 ดังนั้นการนำเสนอในเดือนตุลาคมจึงมุ่งเน้นการประยุกต์ใช้จากระบบที่เริ่มใช้งานแล้ว ครอบคลุมงานด้านดาราศาสตร์ วัสดุศาสตร์ วิทยาศาสตร์ชีวภาพ อุตุนิยมวิทยา และการเกษตร

การ์ด 100,000 ใบที่เชื่อมต่อกันทำอะไรได้บ้าง

การ์ดเร่งการประมวลผล AI คือฮาร์ดแวร์คอมพิวเตอร์ที่ออกแบบมาเพื่อคำนวณจำนวนมากพร้อมกัน การเชื่อมต่อการ์ด 100,000 ใบทำให้คลัสเตอร์แบ่งงานที่ต้องใช้กำลังประมวลผลสูงให้โปรเซสเซอร์จำนวนมากได้ หากอุปกรณ์เหล่านั้นแลกเปลี่ยนข้อมูลกันได้เร็วพอ

Sugon ระบุว่าระบบรองรับรูปแบบตัวเลขตั้งแต่ FP64 ถึง INT8 โดย FP64 ใช้ 64 บิตแทนค่าตัวเลขทศนิยม จึงให้ความแม่นยำทางตัวเลขสูงสำหรับการคำนวณทางวิทยาศาสตร์ ส่วน INT8 ใช้ 8 บิตแทนจำนวนเต็ม และมีประโยชน์กับงาน AI บางประเภท ซึ่งการใช้ตัวเลขขนาดเล็กลงอาจช่วยลดการใช้หน่วยความจำและต้นทุนการคำนวณ

การวิจัยแต่ละขั้นต้องการความแม่นยำต่างกัน การจำลองทางฟิสิกส์อย่างละเอียดอาจต้องใช้ FP64 ขณะที่โมเดล AI ที่คัดกรองวัสดุที่เป็นไปได้อาจใช้รูปแบบความแม่นยำต่ำกว่า Sugon 8000 ออกแบบมาเพื่อรองรับงานเหล่านี้บนแพลตฟอร์มประมวลผลเดียวกัน

การเพิ่มจำนวนการ์ดจาก 10,000 เป็น 100,000 ใบคิดเป็นการเพิ่มขึ้น 10 เท่า แต่ประสิทธิภาพที่ใช้งานได้จริงยังขึ้นอยู่กับว่า ซอฟต์แวร์แบ่งงานได้มีประสิทธิภาพเพียงใด ข้อมูลเคลื่อนย้ายได้เร็วแค่ไหน และโปรเซสเซอร์ต้องเสียเวลารอกันมากน้อยเพียงใด

Sugon อธิบายแนวทางของตนว่าเป็นการผสานการประมวลผลสมรรถนะสูงกับ AI โดยตรง ในทางปฏิบัติ โครงสร้างพื้นฐานนี้มุ่งรองรับการจำลองทางวิทยาศาสตร์ การฝึกโมเดล และการอนุมาน ซึ่งเป็นกระบวนการใช้โมเดล AI ที่ผ่านการฝึกแล้วเพื่อสร้างคำตอบ

กระบวนการวิจัยที่ใช้ฟิสิกส์ตรวจสอบ AI

การจำลองทางวิทยาศาสตร์และ AI เริ่มต้นจากคนละจุด การจำลองอาจใช้สมการที่อธิบายปฏิสัมพันธ์ระหว่างอะตอมหรือการเคลื่อนที่ของอากาศ โดยเริ่มจากสถานะตั้งต้นแล้วคำนวณสิ่งที่จะเกิดขึ้นต่อไป ซึ่งมักต้องคำนวณทีละขั้นย่อยจำนวนมาก

โมเดล AI เรียนรู้จากตัวอย่าง หากมีผลการจำลองเพียงพอ AI จะระบุรูปแบบและประเมินผลลัพธ์ได้เร็วกว่าการคำนวณอย่างละเอียดซ้ำทั้งหมดมาก ความเร็วนี้มีประโยชน์เมื่อนักวิจัยต้องตรวจสอบแบบที่เป็นไปได้หรือการจัดเรียงโมเลกุลจำนวนมหาศาล

แนวทางแบบผสมผสานของ Sugon 8000 มี 3 ขั้นตอน ขั้นแรก การประมวลผลทางวิทยาศาสตร์สร้างข้อมูลจำลอง ขั้นที่สอง AI เรียนรู้จากข้อมูลและคัดกรองตัวเลือก ขั้นที่สาม การคำนวณทางวิทยาศาสตร์อย่างละเอียดตรวจสอบคำตอบที่มีแนวโน้มดีจำนวนหนึ่ง

การตรวจสอบขั้นสุดท้ายมีความสำคัญ เพราะ AI อาจสร้างผลลัพธ์ที่ดูสมเหตุสมผลแต่ไม่ถูกต้อง ซึ่งมักเรียกว่าการหลอน ในงานวิทยาศาสตร์ แม้คำคาดการณ์จะดูน่าสนใจก็ยังต้องทดสอบกับพฤติกรรมทางฟิสิกส์ที่กำลังศึกษา กระบวนการทำงานแบบผสมผสานนี้มุ่งให้การคำนวณที่มีต้นทุนสูงใช้กับตัวเลือกที่ผ่านการคัดกรองเบื้องต้นแล้ว

สำหรับนักวิจัย ประโยชน์คือสามารถจัดสรรเวลาประมวลผลได้ต่างออกไป แทนที่จะใช้การคำนวณที่ละเอียดที่สุดกับทุกความเป็นไปได้ ก็ใช้ AI จำกัดขอบเขตการค้นหา และสงวนการคำนวณที่แม่นยำกว่าไว้กับกรณีที่ควรตรวจสอบอย่างใกล้ชิด

การเปิดตัวเดือนกรกฎาคมและการนำเสนอเดือนตุลาคม

ประกาศของ Sugon ในเดือนกรกฎาคมและการนำเสนอในการประชุมเดือนตุลาคมกล่าวถึงขั้นตอนการเปิดใช้งานระบบคนละช่วง บริษัทประกาศการสร้างเสร็จก่อน จากนั้นจึงเผยแพร่ตัวเลขการดำเนินงาน และนำเสนอผลงานทางวิทยาศาสตร์ในวงกว้าง

• 10 กรกฎาคม 2026: Sugon ประกาศว่า Sugon 8000 สร้างเสร็จและเชื่อมต่อกับเครือข่ายซูเปอร์คอมพิวเตอร์แห่งชาติแล้ว
• 18 กรกฎาคม: ตัวเลขที่เผยแพร่ระหว่างการประชุมปัญญาประดิษฐ์โลกระบุว่า ระบบถูกใช้งานเต็มกำลังในสัปดาห์แรก โดยประมวลผลงานเฉลี่ยมากกว่า 150,000 งานต่อวัน
• 17-20 ตุลาคม: การประชุมแห่งชาติด้านการประมวลผลสมรรถนะสูงของ CCF จัดขึ้นที่เมืองเซินเจิ้น
• 18 ตุลาคม: Sugon นำเสนอผลงานการประยุกต์ใช้ล้ำสมัย 10 รายการในการประชุม

Sugon ระบุวันที่สร้างเสร็จอย่างเป็นทางการคือ 10 กรกฎาคม ส่วนรายงานในเดือนตุลาคมอีกฉบับกล่าวว่าคลัสเตอร์เริ่มให้บริการอย่างเป็นทางการในเดือนสิงหาคม โดยไม่ได้อธิบายว่าหมุดหมายดังกล่าวเกี่ยวข้องกับการเปิดตัวในเดือนกรกฎาคมอย่างไร

ตัวเลขในสัปดาห์แรกระบุว่าจำนวนงานสูงสุดต่อวันเกิน 500,000 งาน มากกว่าเกณฑ์ค่าเฉลี่ยรายวันที่ระบุไว้ที่ 150,000 งานถึง 3 เท่า งานหนึ่งรายการหมายถึงภารกิจประมวลผลที่ส่งเข้าระบบ ดังนั้นยอดรวมจึงอาจประกอบด้วยงานที่มีขนาดและระยะเวลาแตกต่างกันมาก

รายงานการดำเนินงานเดือนกรกฎาคมยังระบุว่าระบบรองรับคำขอใช้งานพร้อมกันหลายล้านรายการ ด้วยการจัดตารางงานที่พิจารณาประเภทงาน ตำแหน่งข้อมูล และทรัพยากรที่พร้อมใช้งาน การจัดตารางเช่นนี้เปรียบได้กับการมอบหมายงานให้ทีมที่เหมาะสม พร้อมป้องกันไม่ให้เส้นทางและอุปกรณ์ที่ใช้ร่วมกันกลายเป็นคอขวด

โครงการจักรวาลและสมองมีอะไรบ้าง

การจำลองจักรวาลวิทยา Qianyan ใช้อนุภาคสสารมืด 4 ล้านล้านอนุภาคเพื่อจำลองวิวัฒนาการของจักรวาล สสารมืดคือสสารที่สังเกตผลทางแรงโน้มถ่วงได้ แม้จะไม่เปล่งแสง อนุภาคจำลองใช้แทนส่วนต่าง ๆ ของสสารดังกล่าว ทำให้นักวิจัยคำนวณการก่อตัวของโครงสร้างขนาดใหญ่ได้

ขนาดเชิงตัวเลขนี้ทำให้คำอธิบายที่ว่าระบบสามารถจำลองจักรวาลได้มีน้ำหนักมากขึ้น นักวิจัยใช้แบบจำลองทางคณิตศาสตร์แทนสสารในจักรวาลและพฤติกรรมของมัน แล้วคำนวณว่าแบบจำลองนั้นเปลี่ยนแปลงไปอย่างไร

ทีมจากมหาวิทยาลัยฟู่ตั้นยังนำเสนอสมองดิจิทัลขนาด 100,000 ล้านเซลล์ประสาท ซึ่งได้รับการระบุในที่ประชุมว่าเป็นระบบแรกของโลกในระดับดังกล่าว สมองดิจิทัลจำลองเซลล์ประสาทและปฏิสัมพันธ์ระหว่างเซลล์เหล่านั้นด้วยซอฟต์แวร์ เพื่อให้นักวิจัยศึกษาพฤติกรรมโดยรวมได้

ทั้งสองโครงการต้องการมากกว่าพื้นที่จัดเก็บข้อมูลสำหรับวัตถุจำนวนมาก คอมพิวเตอร์ต้องคำนวณปฏิสัมพันธ์ซ้ำ ๆ และเคลื่อนย้ายข้อมูลระหว่างโปรเซสเซอร์เมื่อระบบจำลองเปลี่ยนแปลง

โครงการด้านดาราศาสตร์และสมองแสดงให้เห็นว่าเหตุใดการนำเสนอในเดือนตุลาคมจึงมุ่งเน้นการประยุกต์ใช้ ไม่ใช่เพียงจำนวนการ์ด ตัวชี้วัดที่มีประโยชน์ยังรวมถึงระดับความซับซ้อนที่โมเดลรองรับได้ รายละเอียดของการคำนวณ และระยะเวลาที่ใช้จำลองจนเสร็จ

วัสดุ สภาพอากาศ มหาสมุทร และข้าวโพดเสมือน

MatPL ซึ่งเป็นชุดซอฟต์แวร์สนามแรงสำหรับแมชชีนเลิร์นนิง ขยายการจำลองพลวัตระดับโมเลกุลไปถึงอะตอม 1 ล้านล้านอะตอม ด้วยความแม่นยำที่ระบุว่าใกล้เคียงกับการคำนวณเชิงกลควอนตัม พลวัตระดับโมเลกุลติดตามการเคลื่อนที่ของอะตอมตามเวลา ส่วนสนามแรงใช้ประเมินแรงระหว่างอะตอม ซึ่งเป็นตัวกำหนดการเคลื่อนที่ดังกล่าว

แมชชีนเลิร์นนิงช่วยให้การประเมินแรงเหล่านี้มีต้นทุนต่ำกว่าการแก้โจทย์ควอนตัมที่ละเอียดกว่าซ้ำ ๆ การนำเสนอในการประชุมระบุว่าความสำเร็จของ MatPL อยู่ที่จุดบรรจบระหว่างขนาดของการจำลองกับความแม่นยำเชิงตัวเลข ซึ่งเป็นข้อกำหนดสองด้านที่มักทำให้สำเร็จพร้อมกันได้ยาก

ระบบพยากรณ์อากาศโลก Fengqing Ensemble V1.0 สำหรับการพยากรณ์ระยะสั้นและปานกลางเริ่มใช้งานจริงแล้ว การพยากรณ์แบบเอนเซมเบิลใช้การคาดการณ์หลายชุดเพื่อสำรวจว่าสภาพอากาศอาจพัฒนาไปอย่างไรจากเงื่อนไขเริ่มต้นหรือสมมติฐานที่แตกต่างกันเล็กน้อย

ด้านการวิจัยมหาสมุทร มีการนำเสนอ swLFS ในฐานะระบบพยากรณ์การไหลเวียนมหาสมุทรทั่วโลกระบบแรกของโลกที่มีความละเอียดหนึ่งกิโลเมตร ความละเอียดที่สูงขึ้นทำให้โมเดลแทนลักษณะเชิงพื้นที่ขนาดเล็กได้ ขณะเดียวกันก็เพิ่มปริมาณการคำนวณที่ต้องใช้ทั่วมหาสมุทรโลก

แพลตฟอร์ม Virtual Maize ของมหาวิทยาลัยเกษตรศาสตร์แห่งประเทศจีนได้รับการระบุว่าช่วยลดวงจรการปรับปรุงพันธุ์จากกว่า 10 ปีเหลือเพียงหลายปี แพลตฟอร์มนี้นำการประมวลผลมาใช้ค้นหาลักษณะพืชที่เป็นประโยชน์ ช่วยให้นักวิจัยจำกัดชุดลักษณะที่จะนำไปทดลองปรับปรุงพันธุ์

ผลงานทั้ง 10 รายการยังครอบคลุมการสำรวจพลังงานและการพัฒนาอุปกรณ์ขั้นสูง เมื่อนำตัวอย่างที่ระบุชื่อมารวมกัน จะเห็นว่าคลัสเตอร์นี้เชื่อมโยงกับงานที่เป็นรูปธรรม ทั้งการพยากรณ์อากาศ การจำลองการไหลเวียนของมหาสมุทร การศึกษาพฤติกรรมของอะตอม และการคัดเลือกลักษณะสำหรับปรับปรุงพันธุ์พืช

เครือข่ายและพื้นที่จัดเก็บข้อมูลที่รองรับการคำนวณ

Sugon ระบุว่าโครงสร้างพื้นฐานที่พัฒนาในประเทศครอบคลุมชิป อุปกรณ์ประมวลผล ระบบจัดเก็บข้อมูล เครือข่าย ระบบระบายความร้อน แอปพลิเคชัน และบริการ ชิป Hygon และชิปอื่น ๆ ที่พัฒนาในประเทศเป็นพื้นฐานของการประมวลผล รายงานการประชุมยังกล่าวถึงชิปที่พัฒนาขึ้นเอง 6 รุ่นในสถาปัตยกรรมโดยรวม

เครือข่าย scaleFabric ใช้การเข้าถึงหน่วยความจำโดยตรงจากระยะไกล หรือ RDMA ทำให้ข้อมูลเคลื่อนย้ายระหว่างเครื่องได้โดยอาศัยโปรเซสเซอร์หลักน้อยลง จึงช่วยลดภาระบางส่วนจากการแลกเปลี่ยนข้อมูล

การเชื่อมต่อที่รวดเร็วมีความสำคัญ เพราะการจำลองขนาดใหญ่หรือการฝึก AI ต้องแบ่งปันผลลัพธ์ระหว่างทางซ้ำ ๆ หากโปรเซสเซอร์คำนวณเสร็จแล้วแต่ต้องรอข้อมูล กำลังประมวลผลส่วนหนึ่งที่ติดตั้งไว้ก็จะไม่ได้ใช้งาน

Sugon ระบุว่าระบบจัดเก็บข้อมูลแบบกระจาย ParaStor เป็นองค์ประกอบสำคัญอีกส่วนหนึ่ง ระบบจัดเก็บข้อมูลแบบกระจายกระจายข้อมูลไปยังเครื่องหลายเครื่อง เพื่อให้งานขนาดใหญ่สามารถอ่านและเขียนข้อมูลผ่านหลายช่องทาง บริษัทระบุว่า ParaStor ได้อันดับหนึ่งในหมวดประสิทธิภาพ production full node และ 10 node ของการจัดอันดับ IO500 ปี 2026

ประสิทธิภาพของพื้นที่จัดเก็บข้อมูลมีความสำคัญระหว่างการฝึกโมเดล ซึ่งต้องอ่านชุดข้อมูลขนาดใหญ่ซ้ำ ๆ และระหว่างการจำลองทางวิทยาศาสตร์ ซึ่งอาจต้องบันทึกผลลัพธ์ระหว่างทาง การบันทึกความคืบหน้ายังช่วยให้การคำนวณระยะยาวกลับมาทำงานต่อได้หลังเกิดการหยุดชะงัก

ในระดับนี้ การจัดการความหนาแน่นของเครือข่าย การกระจายภาระงาน และการแยกข้อขัดข้องเป็นภารกิจด้านวิศวกรรมที่สำคัญ ตัวจัดตารางต้องจัดวางงานในตำแหน่งที่มีโปรเซสเซอร์และข้อมูลเหมาะสม ขณะที่เครือข่ายต้องรองรับการรับส่งข้อมูลโดยไม่ทำให้ปัญหาเฉพาะจุดลุกลามจนระบบช้าลงในวงกว้าง

ระบบระบายความร้อน ความหนาแน่น และต้นทุนของการทำให้การ์ดทำงานต่อเนื่อง

Sugon 8000 ใช้การระบายความร้อนแบบจุ่มร่วมกับกระบวนการเปลี่ยนสถานะ อุปกรณ์ถ่ายเทความร้อนไปยังของเหลวหล่อเย็น และการเปลี่ยนสถานะของของเหลวช่วยพาความร้อนออกไป Sugon ระบุว่าการออกแบบนี้รองรับตู้ที่มีความหนาแน่นกำลังไฟฟ้าระดับเมกะวัตต์

บริษัทยังกล่าวถึงน้ำยาหล่อเย็นที่พัฒนาในประเทศและระบบระบายความร้อนที่ใช้ประโยชน์จากสภาพอากาศภายนอกได้ตลอดทั้งปี คุณสมบัติเหล่านี้แก้ข้อจำกัดพื้นฐานข้อหนึ่ง คือการติดตั้งกำลังประมวลผลให้มากขึ้นในพื้นที่จำกัดทำให้เกิดความร้อนมากขึ้น ซึ่งต้องระบายออกอย่างต่อเนื่อง

รายงานการดำเนินงานเดือนกรกฎาคมระบุว่าความหนาแน่นการประมวลผลต่อหน่วยเพิ่มขึ้น 20 เท่าเมื่อเทียบกับซูเปอร์โหนดอื่น ๆ ส่วนแถลงการณ์การสร้างเสร็จของ Sugon ในเดือนกรกฎาคมระบุแยกต่างหากว่า ประสิทธิภาพการใช้พลังงาน การเข้าถึงหน่วยความจำ และการออกแบบเครือข่าย เป็นสิ่งที่ต้องทดสอบสำหรับคลัสเตอร์ในระดับนี้

ระบบจ่ายไฟและอุปกรณ์ระบายความร้อนต้องรองรับทั้งการใช้งานหนักอย่างต่อเนื่องและความต้องการที่เปลี่ยนแปลง เครื่องที่ทำงานจำลองทางวิทยาศาสตร์ ฝึก AI และอนุมานข้อมูลปริมาณมาก อาจมีรูปแบบการรับส่งข้อมูลและการใช้พลังงานแตกต่างกันตามภาระงาน

ตัวชี้วัดเชิงปฏิบัติที่ควรพิจารณาต่อไป ได้แก่ พลังงานที่ใช้ต่องานที่เสร็จสมบูรณ์ เวลาที่ใช้รอข้อมูล ระยะเวลาทำงานให้เสร็จ และการกู้คืนระบบหลังเกิดข้อขัดข้อง ประกาศที่เผยแพร่ยังไม่มีตัวเลขเปรียบเทียบครบถ้วนเกี่ยวกับการใช้พลังงานรวม ต้นทุนการดำเนินงาน ความเร็วของแอปพลิเคชัน หรือค่าบริการผู้ใช้

ระบบมีผู้ใช้งานในวงกว้างเพียงใด

ประกาศการสร้างเสร็จของ Sugon ในเดือนกรกฎาคมระบุว่า มีการปรับแต่งแอปพลิเคชันด้านการประมวลผลทางวิทยาศาสตร์และ AI ร่วมกันแล้วกว่า 300 รายการ ครอบคลุมมากกว่า 20 สาขา และแอปพลิเคชันกว่า 70 รายการขยายการทำงานไปถึงระดับการ์ด 10,000 ใบ ตัวอย่างที่ระบุชื่อ ได้แก่ การพับโปรตีน พลวัตระดับโมเลกุลที่เกี่ยวข้องกับอะตอมน้ำ 1 ล้านล้านอะตอม และการจำลองความปั่นป่วนโดยใช้เซลล์กริด 100 ล้านล้านเซลล์

รายงานการดำเนินงานเดือนกรกฎาคมกล่าวถึงการปรับใช้แอปพลิเคชันเกือบ 1,000 รายการ ส่วนในการประชุมเดือนตุลาคม ตัวเลขที่นำเสนอระบุว่ามีแอปพลิเคชันสำคัญที่ปรับแต่งอย่างเข้มข้นกว่า 300 รายการ ครอบคลุมกว่า 30 สาขา โดยมีมากกว่า 20 รายการทำงานทั่วทั้งระบบ คำอธิบายอีกฉบับในเดือนตุลาคมนับงานประมวลผลกว่า 300 งานใน 26 สาขา ยอดรวมเหล่านี้ใช้หมวดหมู่ต่างกัน ซึ่งรวมถึงการปรับใช้ซอฟต์แวร์ การปรับแต่งแอปพลิเคชันสำคัญ และงานประมวลผล

เครือข่ายซูเปอร์คอมพิวเตอร์แห่งชาติมีเป้าหมายทำให้มหาวิทยาลัย สถาบันวิจัย ธุรกิจ และผู้ใช้รายบุคคลเข้าถึงคลัสเตอร์ได้ บทบาทของเครือข่ายคือเชื่อมความต้องการด้านการประมวลผลเข้ากับทรัพยากรที่มีอยู่ เพื่อขยายการเข้าถึงให้กว้างกว่าองค์กรที่สามารถสร้างและดูแลคลัสเตอร์ขนาดใหญ่ได้ด้วยตนเอง

Sugon 8000 ยังได้รับเลือกเป็นกรณีการประยุกต์ใช้ตัวแทนในโครงการสังเกตการณ์แนวหน้าด้าน HPC+AI for Science ซึ่งเปิดตัวเมื่อวันที่ 18 ตุลาคม การประชุมเปิดตัวแผนปฏิบัติการความร่วมมือในอุตสาหกรรมและชุมชนเปิดสำหรับการทำงานร่วมกันด้านโครงสร้างพื้นฐาน ซอฟต์แวร์ และแอปพลิเคชัน

Sugon ประกาศความร่วมมือเชิงยุทธศาสตร์กับสถาบันปัญญาประดิษฐ์ปักกิ่ง และการพัฒนาระบบที่สองซึ่งผลิตในประเทศทั้งหมดและมีการ์ด 100,000 ใบ สำหรับเครื่องแรก ผลงานที่นำเสนอในเดือนตุลาคมเน้นงานวิทยาศาสตร์ที่เสร็จสมบูรณ์และการให้บริการอย่างต่อเนื่อง ส่วนระบบที่สองซึ่งอยู่ระหว่างการพัฒนาจะขยายแนวทางดังกล่าวให้ไกลกว่าการติดตั้งเพียงแห่งเดียว

ประเด็นสำคัญ

• Sugon 8000 เชื่อมต่อการ์ดเร่งการประมวลผล AI 100,000 ใบ และตั้งอยู่ในเมืองเจิ้งโจว มณฑลเหอหนาน
• Sugon ประกาศสร้างระบบเสร็จและเชื่อมต่อกับเครือข่ายซูเปอร์คอมพิวเตอร์แห่งชาติเมื่อวันที่ 10 กรกฎาคม 2026
• มีการนำเสนอผลงานการประยุกต์ใช้ล้ำสมัย 10 รายการที่เมืองเซินเจิ้นเมื่อวันที่ 18 ตุลาคม
• โครงการที่ระบุชื่อ ได้แก่ การจำลองที่ใช้อณูสสารมืด 4 ล้านล้านอนุภาค สมองดิจิทัลที่มีเซลล์ประสาท 100,000 ล้านเซลล์ และการจำลองโมเลกุลระดับอะตอม 1 ล้านล้านอะตอม
• ระบบผสานการคำนวณทางวิทยาศาสตร์อย่างละเอียดเข้ากับการฝึกและการอนุมาน AI บนแพลตฟอร์มเดียว
• Sugon ประกาศพัฒนาคลัสเตอร์เครื่องที่สองที่ผลิตในประเทศทั้งหมดและมีการ์ด 100,000 ใบ