Shenzhen-systemet overgår "El Capitan" i TOP500-ranglisten og viser vejen til exaskala-databehandling udelukkende baseret på CPU'er, adskilt fra AI-kapløbet

Verdensranglisten over supercomputere bliver igen en teknisk, industriel og geopolitisk indikator. Med Linjeskinne, installeret hos Nationalt Supercomputercenter i Shenzhen, Kina har genvundet førstepladsen på ranglisten TOP500, der omgår det amerikanske system El CapitanNyheden, også rapporteret af Natur, omhandler en maskine, der er i stand til at udføre over to quintillioner operationer i sekundet på den traditionelle benchmark, der bruges til at måle effekten af ​​højtydende systemer.

Det centrale resultat er det, der opnås på testen Højtydende Linpacken HPL: 2,198 exaflops per sekund, svarende til 2.198,40 petaflops per sekund i det officielle systemblad. TOP500 indikerer også en teoretisk top på 2.735,82 petaflops per sekund, 13.789.440 kerne og et elforbrug på 42.220 kilowattDisse tal placerer LineShine foran El Capitan og bekræfter, at exaskala-databehandling går ind i en mere distribueret fase med topmoderne maskiner i Asien, Nordamerika og Europa.

Den mest observerede særhed er ikke kun forrangen. LineShine er baseret på en løsning Kun CPU, det vil sige uden dedikerede grafikacceleratorer. På et tidspunkt hvor højtydende databehandling ogkunstig intelligens og big data ofte forbindes med GPU'er, tensorkerner og specialiserede chips til træningsmodeller, følger den kinesiske maskine et andet designvalg. Systemet bruger basen Ling Kun, processorer LX2 a 304 kerne, proprietær sammenkobling LingQi og operativsystem Kylin OS.

En exaskala-maskine baseret på generelle processorer

Shenzhen-supercomputeren var ikke bare en samling af computernoder. Ifølge de officielle specifikationer blev maskinen bygget af Shenzhen Cloud Computing Center og installeret i 2025Den deklarerede konfiguration inkluderer processorer LX2 304C ved 1,55 gigahertz, LingQi-netværk, compiler Lclang 1.0.0, matematisk bibliotek OpenBLAS-lokal og en version af OpenMPI tilpasset systemets sammenkobling.

Valget om at fokusere på CPU'er med meget høj densitet, snarere end acceleratorer, er relevant for ricerca og sviluppo Fordi det flytter opmærksomheden til en anden balance mellem parallelisme, hukommelse, netværk og software. I accelererede systemer afhænger meget af ydeevnen af ​​evnen til hurtigt at overføre data til specialiserede enheder. I en maskine med kun CPU'er stammer effektiviteten i stedet fra skalaen af ​​det overordnede design: antallet af kerner, hukommelseshierarki, kommunikationen mellem noder og den videnskabelige softwares evne til at udnytte millioner af processorenheder.

TOP500-udgivelsen fremhæver, at LineShine er det første system på listen, der overgår to vedvarende dobbeltpræcisions-exaflops Brug af kun CPU'er. Dette er en vigtig teknisk kendsgerning, fordi dobbelt præcision fortsat er essentiel i mange videnskabelige simuleringer, fra ingeniørvidenskab til beregningsfysik. Det bør dog ikke forveksles med de metrikker, der bedst beskriver træningen af ​​store AI-modeller, hvor beregninger med reduceret præcision, dedikerede acceleratorer og hurtig kommunikation mellem klynger er de vigtigste faktorer.

Selv den læsning, der foreslås af Xinhua Det understreger konvergensen mellem supercomputere og intelligent databehandling. Ifølge det kinesiske bureau integrerer LineShine matrixaccelerationsenheder direkte i sine kinesisk-designede processorer med det formål at reducere den flaskehals i dataoverførsel, der er typisk for CPU-GPU-arkitekturer. Denne forklaring er i overensstemmelse med den angivne tekniske strategi, selvom den reelle konkurrenceevne på AI-arbejdsbelastninger skal vurderes med specifikke benchmarks og ikke kun ud fra HPL-primæritet.

Hvorfor TOP500-ranglisten alene ikke måler AI-kraft

Forskellen mellem high performance computing og AI-orienterede systemer er afgørende. TOP500 måler primært en maskines evne til at udføre numeriske beregninger med dobbelt præcision. Dette er fortsat en central måleenhed for videnskabelige simuleringer, klimamodellering, beregningskemi, fluiddynamik og teknisk design. Den kan dog ikke måle sig med evnen til at træne store sprogmodeller eller generative systemer, som er afhængige af arkitekturer, hukommelse, netværk og software, der er optimeret til blandet præcision og tensorindlæsning.

Dette bekræftes af et andet datasæt fra den samme rangering. På benchmarken HPL-MxP, tættest på blandede præcisionsbelastninger, rangerer LineShine som nummer fire med 7,92 exaflops per sekund og en acceleration af 3,6 gange sammenlignet med traditionel HPL. El Capitan forbliver dog først i denne test, efterfulgt af Aurora og Frontier. Aflæsningen er klar: den kinesiske maskine dominerer CPU-baserede numeriske beregninger, men det er ikke det stærkeste system med hensyn til at opfylde nogle af behovene i moderne AI.

Den samme forsigtighed fremgår af analysen af Reuters, hvilket minder os om, at mange store systemer udviklet af Microsoft, Amazon, Google eller xAI ikke deltager i TOP500-ranglisten. Disse er ofte private infrastrukturer designet til modeltræning og inferens, ikke til at konkurrere offentligt på HPL-benchmarken. Derfor måler LineShines resultat ydeevne i den virkelige verden, men inden for en defineret teknisk ramme.

"Hvis hyperscalerne skulle præsentere deres systemer, ville denne 'verdens hurtigste' ikke komme i top fem,"

han erklærede Jimmy Goodrich, seniorforsker vedInstitut for Global Konflikt og Samarbejden fra University of California, til Reuters

Dommen fra Jimmy Goodrich Det er med til at definere betydningen af ​​denne forrang. LineShine er i øjeblikket det mest kraftfulde system blandt dem, der er præsenteret på TOP500-listen i HPL-testen. Dette betyder ikke automatisk, at det er den største globale AI-infrastruktur. Sammenligningen med hyperscalere er relevant netop fordi en voksende del af verdens beregningskapacitet ikke længere er koncentreret i kun nationale eller universitetscentre, men i private klynger, der er optimeret til generative modeller, blandet præcision og tensorindlæsning.

For virksomheder, forskningscentre og offentlige beslutningstagere er forskellen ikke akademisk. Indkøb, design eller brug af computerkraft kræver, at arkitekturen forbindes med det problem, der løses. Videnskabelig databehandling kræver numerisk nøjagtighed, stabilitet, hukommelse, skalerbarhed og evnen til at køre mange parallelle simuleringer. dyb læring Industrial vægter i stedet lavpræcisionsgennemstrømning, acceleratortilgængelighed, softwarestakmodenhed og datahåndtering.

Chips, teknologisk suverænitet og Kinas tilbagevenden til listen

De tekniske data er sammenflettet med en politisk dimension. Reuters fremhæver, at Kina var stoppet med at indsende sine ranglister i 2023, efter årevis med amerikansk kontrol af eksporten af ​​avancerede chips og højtydende computerrelateret udstyr. Tilbagekomsten af ​​et toprangeret system tjener derfor også som et industrielt signal: Beijing demonstrerer sin evne til at designe og integrere et komplekst miljø bestående af processorer, netværk, operativsystemer, matematiske biblioteker og kommunikationsværktøjer.

"Det, der overrasker mig, er, at de præsenterede det og ønsker at få anerkendelse for det."

han erklærede Addison Snell, administrerende direktør for Intersect360 Research, fortalte Reuters

Redegørelsen af Addison Snell Det flytter opmærksomheden fra selve sin forrang til sin offentlige fremvisning. Præstationen demonstrerer ikke fuldstændig autonomi over hele halvlederforsyningskæden, og den løser heller ikke problemet med adgang til de mest avancerede AI-acceleratorer. Det indikerer dog, at Kina søgte at fremvise sin nationale kapacitet inden for generel supercomputering, på et tidspunkt hvor computerinfrastruktur i stigende grad er knyttet til industripolitik, teknologisk sikkerhed og videnskabelig konkurrence.

I den samme Reuters-analyse forbinder Goodrich også aflæsningen med eksportkontrol og argumenterer for, at Beijing ønsker at præsentere resultatet som bevis på deres ineffektivitet. Denne fortolkning bør håndteres med forsigtighed. LineShine er ikke baseret på avancerede AI-chips, der kan sammenlignes med de acceleratorer, der er mest efterspurgte til generative modeller, og dens fjerdeplads i HPL-MxP bekræfter, at blandet præcisionsydelse fortsat er mindre konkurrencedygtig end accelererede arkitekturer. Maskinen demonstrerer styrke inden for generel supercomputering, ikke afslutningen på teknologiske afhængigheder i AI-sektoren.

For USA, overhalingen har en symbolsk værdi. El Capitan, installeret ved Lawrence Livermore National Laboratory, fastholder 1,809 exaflops per sekund på HPL, 11.340.000 kerne og en energieffektivitet på 60,94 gigaflops pr. wattDet er en maskine bygget på HPE Cray EX255a-arkitekturen med AMD EPYC-processorer og AMD Instinct MI300A-acceleratorer. LineShine overgår den på de fleste punkter, men forbruger mere strøm og følger et meget anderledes design.

Også mig'Den Europæiske Union forbliver i spillet. I samme rangliste vises JUPITER-forstærker, installeret hos Jülich Supercomputing Center in Tyskland, angivet af TOP500 som det første europæiske system over exaskala-tærsklen på HPL. På sjettepladsen kommer HPC7 af Eni, et tegn på den voksende tilstedeværelse af store industrielle brugere inden for avanceret databehandling.Italia, med videnskabelige og industrielle infrastrukturer som Leonardo og HPC7, forbliver derfor en del af supercomputernes europæiske geografi.

Fra klima til simuleringer, hvor skala skaber værdi

Et eksempel på anvendelse stammer fra det videnskabelige preprint, der er linket til Nature-artiklen, udgivet den arXivVærket beskriver KAPER, et hybridt numerisk-AI-system til sæsonbestemt prognose af sommernedbør i Østasien. Forfatterne peger på et beregningsflow med 174 numeriske medlemmer e 1.600 AI-genererede medlemmerpr. total di 1.774 medlemmer, brugt til årlige rekonstruktioner siden 2016 til 2025.

Ifølge resuméet af artiklen udfører hele LineShine-maskinen ti årlige hindcasts i 14,6 timer og forbedrer den gennemsnitlige forudsigelsesscore med 71,8 a 75,9 sammenlignet med den ECMWF-reference, som forfatterne har angivet. Systemet fungerer ved 15 kilometer resolution for årtilange efterslæb og erklærer en kapacitet til 1 kilometer for mere detaljerede tyfonsimuleringer. Da dette er et fortryk, bør resultaterne ses som videnskabeligt materiale under diskussion og ikke som endelige konklusioner, der er underlagt formel fagfællebedømmelse.

Casen er ikke desto mindre nyttig til at forstå, hvorfor exaskala supercomputing fortsat spiller en specifik rolle, selv i generative modellers æra. Højopløselige klima- og vejrprognoser kræver mange parallelle simuleringer, dataassimilering, kobling mellem atmosfæren, havet og landoverfladen samt statistiske metoder til at vurdere usikkerhed. I denne sammenhæng er hybridiseringen af ​​fysiske og machine learning Det kan reducere beregningstiden og udvide antallet af analyserede scenarier.

De potentielle implikationer er ikke begrænset til forskning. Mere robuste prognoser for kraftig nedbør, tyfoner eller sæsonbestemte begivenheder kan påvirke dæmningsforvaltning, landbrug, forsikring, logistik, civilforsvar og byplanlægning. Forbindelsen er ikke automatisk: validering, dataadgang, operationel ekspertise og institutionel kapacitet til at bruge de producerede oplysninger er påkrævet. Men denne case demonstrerer, hvordan en stor beregningsinfrastruktur kan blive et værktøj til dataintensive offentlige og industrielle beslutninger.

Så er der energiproblemet. En absorption af 42,22 megawatt Dette svarer til en infrastruktur med krav, der kan sammenlignes med kravene i et stort industrianlæg. Dette tal alene afslører ikke miljøpåvirkningen, som afhænger af elmiks, køling, udnyttelsesgrad og komponenternes livscyklus. Det indikerer dog, at væksten inden for supercomputere kræver datacenterpolitikker, energiplanlægning og ressourcestyringsstrategier. effektiviteten af ​​​​ressourcerne i stigende grad integreret.

LineShines forrang bør derfor fortolkes som tekniske nyheder med brede industrielle implikationer. Det markerer Kinas tilbagevenden til toppen af ​​den offentlige TOP500-rangliste, bekræfter udvidelsen af ​​exaskala-konkurrence og minder os om, at computerkraft nu er en nøglekomponent i industripolitikken. Den næste fase vil handle mindre om titlen "hurtigst" og mere om evnen til at omdanne disse maskiner til verificerbare resultater: mere brugbare klimamodeller, pålidelige simuleringer, bærbar software, bæredygtig energiinfrastruktur og distribueret ekspertise på tværs af forskning, industri og offentlig forvaltning.

Her er tre indsigter, som måske interesserer dig:

JUPITER bringer Europa ind i æraen med exaskala supercomputere
HPC6, den mest avancerede supercomputer til energiomstillingen
Quantum Bologna: Italiens første hybride supercomputer er født.