Sugon 8000 China Kerahkan 100.000 Kartu AI untuk Simulasi Otak, Alam Semesta, dan Cuaca

Dari empat triliun partikel kosmik hingga otak digital

Simulasi yang menggunakan empat triliun partikel materi gelap, otak digital berisi 100 miliar neuron, dan sistem prakiraan laut beresolusi satu kilometer termasuk di antara aplikasi yang dipresentasikan bersama sistem komputasi Sugon 8000 milik China dalam sebuah konferensi besar di Shenzhen.

Mesin tersebut, yang oleh pengembangnya disebut sebagai superklaster AI pertama China yang sepenuhnya dikembangkan di dalam negeri dan berisi 100.000 kartu akselerator, diperkenalkan dalam Konferensi Nasional ke-22 CCF tentang Komputasi Kinerja Tinggi. Acara itu berlangsung pada 17 hingga 20 Oktober 2026 di Shenzhen World Exhibition and Convention Center, dengan sepuluh pencapaian aplikasi mutakhir diumumkan pada 18 Oktober.

Sugon 8000, yang juga disebut Dengfeng, dibangun di Zhengzhou, Provinsi Henan, dan terhubung ke Internet Superkomputer Nasional. Desain intinya menggabungkan komputasi kinerja tinggi, yang melakukan perhitungan berdasarkan kaidah matematika dan fisika, dengan kecerdasan buatan, yang mempelajari pola dari data.

Tujuan praktisnya adalah memberi peneliti cara yang lebih cepat untuk mengkaji persoalan sulit. Simulasi konvensional dapat menghasilkan data pelatihan, AI dapat menelusuri berbagai kemungkinan jawaban, lalu simulasi terperinci lainnya dapat memeriksa hasil yang paling menjanjikan.

Pengumuman penyelesaian Sugon menyebut sistem tersebut selesai dibangun dan terhubung ke jaringan pada 10 Juli 2026. Karena itu, presentasi pada Oktober berfokus pada aplikasi dari sistem yang sudah digunakan, termasuk riset astronomi, material, ilmu hayati, cuaca, dan pertanian.

Fungsi 100.000 kartu yang saling terhubung

Kartu akselerator AI adalah perangkat keras komputasi yang dirancang untuk menjalankan banyak perhitungan secara paralel. Menghubungkan 100.000 kartu memungkinkan klaster membagi tugas berat ke banyak prosesor, asalkan prosesor-prosesor tersebut dapat bertukar data dengan cukup cepat.

Sugon mengatakan sistem ini mendukung format numerik mulai dari FP64 hingga INT8. FP64 menggunakan 64 bit untuk merepresentasikan angka titik mengambang, sehingga memberikan presisi numerik yang tinggi untuk perhitungan ilmiah. INT8 merepresentasikan bilangan bulat menggunakan delapan bit dan berguna untuk sejumlah operasi AI, ketika angka yang lebih kecil dapat mengurangi penggunaan memori dan biaya komputasi.

Tahapan penelitian yang berbeda membutuhkan tingkat presisi yang berbeda pula. Simulasi fisika terperinci mungkin memerlukan FP64, sedangkan model AI yang menyaring material potensial dapat menggunakan format dengan presisi lebih rendah. Sugon 8000 dirancang untuk mendukung beban kerja tersebut dalam platform komputasi yang sama.

Peningkatan dari 10.000 menjadi 100.000 kartu berarti jumlah kartu bertambah sepuluh kali lipat. Kinerja yang efektif juga bergantung pada seberapa efisien perangkat lunak membagi pekerjaan, seberapa cepat data berpindah, dan berapa lama prosesor menunggu satu sama lain.

Sugon menyebut pendekatannya sebagai integrasi asli komputasi kinerja tinggi dan AI. Secara praktis, infrastruktur ini dirancang untuk menangani simulasi ilmiah, pelatihan model, dan inferensi, yakni proses penggunaan model AI yang telah dilatih untuk menghasilkan jawaban.

Alur penelitian yang memeriksa AI dengan fisika

Simulasi ilmiah dan AI berangkat dari titik yang berbeda. Simulasi dapat menggunakan persamaan yang menggambarkan interaksi atom atau pergerakan udara. Simulasi dimulai dari keadaan awal lalu menghitung apa yang terjadi berikutnya, sering kali melalui banyak langkah kecil.

Model AI belajar dari contoh. Dengan cukup banyak hasil simulasi, model dapat mengenali pola dan memperkirakan hasil jauh lebih cepat daripada mengulangi setiap perhitungan terperinci. Kecepatan ini bermanfaat ketika peneliti perlu memeriksa sangat banyak kemungkinan desain atau susunan molekul.

Pendekatan gabungan Sugon 8000 mengikuti tiga tahap. Pertama, komputasi ilmiah menghasilkan data simulasi. Kedua, AI belajar dari data tersebut dan menyaring kandidat. Ketiga, perhitungan ilmiah terperinci memeriksa sejumlah kecil jawaban yang paling menjanjikan.

Pemeriksaan terakhir penting karena AI dapat menghasilkan jawaban yang tampak masuk akal tetapi tidak akurat, yang sering disebut halusinasi. Dalam penelitian ilmiah, prediksi yang menarik tetap perlu diuji terhadap perilaku fisik yang sedang dikaji. Alur kerja gabungan ini mengarahkan perhitungan yang mahal ke kandidat yang telah lolos penyaringan awal.

Bagi peneliti, manfaatnya adalah perubahan dalam cara waktu komputasi digunakan. Alih-alih menjalankan perhitungan paling terperinci pada setiap kemungkinan, mereka dapat menggunakan AI untuk mempersempit pencarian dan menyimpan presisi lebih tinggi untuk kasus yang perlu dikaji lebih cermat.

Peluncuran pada Juli dan perkenalan pada Oktober

Pengumuman Sugon pada Juli dan presentasi di konferensi pada Oktober menggambarkan tahapan berbeda dalam penerapan sistem tersebut. Perusahaan mengumumkan penyelesaiannya terlebih dahulu, disusul angka operasional, lalu pemaparan ilmiah yang lebih luas.

• 10 Juli 2026: Sugon mengumumkan penyelesaian Sugon 8000 dan koneksinya ke Internet Superkomputer Nasional.
• 18 Juli: Angka yang dirilis dalam Konferensi Kecerdasan Buatan Dunia menggambarkan pemanfaatan penuh selama pekan pertama operasi, dengan rata-rata lebih dari 150.000 pekerjaan diproses setiap hari.
• 17 hingga 20 Oktober: Konferensi Nasional CCF tentang Komputasi Kinerja Tinggi berlangsung di Shenzhen.
• 18 Oktober: Sugon mempresentasikan sepuluh pencapaian aplikasi mutakhir dalam konferensi tersebut.

Tanggal resmi penyelesaian menurut Sugon adalah 10 Juli; laporan pada Oktober juga menyebut klaster itu mulai beroperasi secara resmi pada Agustus, tanpa menjelaskan kaitan tonggak tersebut dengan peluncuran pada Juli.

Angka pada pekan pertama menunjukkan puncak harian lebih dari 500.000 pekerjaan, lebih dari tiga kali ambang rata-rata harian yang disebutkan, yakni 150.000. Pekerjaan adalah tugas komputasi yang dikirimkan, sehingga jumlah tersebut dapat mencakup tugas dengan ukuran dan durasi yang sangat berbeda.

Pembaruan operasional pada Juli juga menyebut dukungan bagi jutaan permintaan pengguna secara bersamaan melalui penjadwalan yang mempertimbangkan jenis tugas, lokasi data, dan ketersediaan sumber daya. Penjadwalan semacam ini setara dengan pembagian pekerjaan kepada tim yang tepat, sembari mencegah jalur dan peralatan bersama menjadi hambatan.

Proyek alam semesta dan otak

Simulasi kosmologis Qianyan menggunakan empat triliun partikel materi gelap untuk memodelkan evolusi kosmos. Materi gelap adalah materi yang dampak gravitasinya dapat diamati meski tidak memancarkan cahaya. Partikel simulasi merepresentasikan bagian-bagian materi tersebut, sehingga peneliti dapat menghitung perkembangan struktur berskala besar.

Skala numerik tersebut memberi gambaran konkret tentang klaim bahwa mesin ini mampu menampung simulasi alam semesta. Peneliti menggunakan representasi matematis materi kosmik dan perilakunya, lalu menghitung perubahan representasi itu.

Tim Universitas Fudan juga mempresentasikan otak digital berskala 100 miliar neuron, yang disebut dalam konferensi sebagai yang pertama di dunia pada skala tersebut. Otak digital merepresentasikan sel saraf dan interaksinya dalam perangkat lunak agar peneliti dapat mengkaji perilaku kolektifnya.

Kedua proyek ini menuntut lebih dari sekadar ruang penyimpanan untuk sejumlah besar objek. Komputer harus berulang kali menghitung interaksi dan memindahkan informasi antarprosesor seiring perubahan sistem yang disimulasikan.

Proyek astronomi dan otak menunjukkan mengapa presentasi pada Oktober berfokus pada aplikasi, bukan hanya jumlah kartu. Ukuran keberhasilannya mencakup tingkat kompleksitas yang dapat ditangani model, detail perhitungannya, dan waktu yang dibutuhkan untuk menyelesaikan simulasi.

Material, cuaca, laut, dan jagung virtual

MatPL, paket perangkat lunak medan gaya pembelajaran mesin, memperluas simulasi dinamika molekuler hingga satu triliun atom dengan akurasi yang disebut mendekati perhitungan mekanika kuantum. Dinamika molekuler melacak pergerakan atom dari waktu ke waktu. Medan gaya memperkirakan gaya di antara atom-atom tersebut, yang menentukan pergerakannya.

Pembelajaran mesin dapat mengurangi biaya komputasi untuk memperkirakan gaya tersebut dibandingkan dengan berulang kali menyelesaikan persoalan kuantum yang lebih terperinci. Presentasi konferensi menempatkan pencapaian MatPL pada titik temu antara skala simulasi dan akurasi numerik, dua tuntutan yang sering kali sulit dipenuhi secara bersamaan.

Sistem Fengqing Ensemble V1.0 untuk prakiraan cuaca global jangka pendek dan menengah telah mulai digunakan secara operasional. Prakiraan ensemble menjalankan beberapa versi prediksi untuk mengeksplorasi kemungkinan perkembangan cuaca berdasarkan kondisi awal atau asumsi yang sedikit berbeda.

Untuk riset kelautan, swLFS diperkenalkan sebagai sistem prakiraan sirkulasi laut global pertama di dunia dengan resolusi satu kilometer. Resolusi yang lebih tinggi memungkinkan model merepresentasikan fitur spasial yang lebih kecil, sekaligus meningkatkan jumlah komputasi yang diperlukan untuk mencakup seluruh samudra.

Platform Jagung Virtual milik Universitas Pertanian China disebut mampu mempersingkat siklus pemuliaan dari lebih dari sepuluh tahun menjadi beberapa tahun. Platform ini menerapkan komputasi dalam pencarian sifat tanaman yang bermanfaat, membantu peneliti mempersempit kombinasi yang akan dikembangkan melalui pemuliaan.

Sepuluh pencapaian tersebut juga mencakup eksplorasi energi dan pengembangan peralatan canggih. Secara keseluruhan, contoh-contoh yang disebutkan menghubungkan klaster ini dengan pekerjaan konkret: memprakirakan cuaca, memodelkan sirkulasi laut, mengkaji perilaku atom, dan memilih opsi pemuliaan tanaman.

Jaringan dan penyimpanan di balik perhitungan

Sugon mengatakan infrastrukturnya yang dikembangkan di dalam negeri mencakup cip, peralatan komputasi, penyimpanan, jaringan, pendinginan, aplikasi, dan layanan. Hygon dan cip lain yang dikembangkan di dalam negeri menjadi landasan komputasinya. Liputan konferensi juga menyebut enam cip yang dikembangkan secara internal dalam arsitektur yang lebih luas.

Jaringan scaleFabric menggunakan akses memori langsung jarak jauh atau RDMA bawaan. Teknologi ini memungkinkan data berpindah antarmesin dengan lebih sedikit keterlibatan prosesor utama, sehingga mengurangi sebagian beban pertukaran informasi.

Koneksi cepat sangat penting karena simulasi berskala besar atau proses pelatihan AI berulang kali membagikan hasil sementara. Jika prosesor selesai menghitung tetapi harus menunggu data, sebagian kapasitas komputasi yang tersedia akan menganggur.

Sugon menyebut penyimpanan terdistribusi ParaStor sebagai komponen kunci lainnya. Penyimpanan terdistribusi menyebarkan data ke beberapa mesin sehingga beban kerja besar dapat membaca dan menulis informasi melalui banyak jalur. Perusahaan mengatakan ParaStor menempati peringkat pertama dalam kategori kinerja full node dan 10 node produksi pada pemeringkatan IO500 2026.

Kinerja penyimpanan penting selama pelatihan model, ketika kumpulan data besar harus dibaca berulang kali, serta selama simulasi ilmiah, ketika hasil sementara mungkin perlu disimpan. Penyimpanan progres juga membantu perhitungan panjang dilanjutkan setelah terjadi gangguan.

Pada skala ini, kemacetan jaringan, penyeimbangan beban, dan isolasi gangguan menjadi tugas rekayasa utama. Penjadwal perlu menempatkan pekerjaan di lokasi yang memiliki prosesor dan data yang sesuai, sementara jaringan harus menyalurkan lalu lintas yang dihasilkan tanpa mengubah masalah lokal menjadi perlambatan yang lebih luas.

Pendinginan, kepadatan, dan biaya menjaga kartu tetap aktif

Sugon 8000 menggunakan pendinginan imersi dengan proses perubahan fase. Peralatan memindahkan panas ke cairan pendingin, dan perubahan wujud cairan tersebut membantu membuang panas. Sugon mengatakan desain ini dapat mendukung rak dengan kepadatan daya di kelas megawatt.

Perusahaan juga menyebut cairan pendingin yang dikembangkan di dalam negeri dan sistem pendinginan yang memanfaatkan kondisi luar ruangan sepanjang tahun. Fitur-fitur ini menjawab kendala mendasar: menempatkan lebih banyak daya komputasi di ruang terbatas menghasilkan lebih banyak panas yang harus dibuang secara terus-menerus.

Pembaruan operasional pada Juli mengklaim peningkatan kepadatan komputasi per unit sebesar 20 kali dibandingkan supernode lain. Pernyataan penyelesaian Sugon pada Juli secara terpisah menyebut efisiensi energi, akses memori, dan desain jaringan sebagai hal yang perlu diuji pada klaster berskala ini.

Pasokan listrik dan peralatan pendingin harus mendukung penggunaan berat yang berkelanjutan sekaligus perubahan permintaan. Mesin yang menjalankan simulasi ilmiah, pelatihan AI, dan inferensi dalam jumlah besar dapat menghadapi pola lalu lintas dan daya yang berbeda seiring perubahan beban kerjanya.

Pengukuran praktis berikutnya mencakup energi yang digunakan per tugas yang diselesaikan, waktu tunggu data, durasi penyelesaian pekerjaan, dan pemulihan setelah gangguan. Pengumuman yang diterbitkan belum memberikan rangkaian lengkap angka yang dapat dibandingkan terkait total penggunaan daya, biaya operasi, kecepatan aplikasi, atau tarif pengguna.

Seberapa luas sistem ini digunakan

Pengumuman penyelesaian Sugon pada Juli menyebut lebih dari 300 aplikasi komputasi ilmiah dan AI gabungan telah dioptimalkan di lebih dari 20 bidang. Lebih dari 70 aplikasi telah diperluas hingga skala 10.000 kartu. Contoh yang disebutkan mencakup pelipatan protein, dinamika molekuler yang melibatkan satu triliun atom air, dan simulasi turbulensi menggunakan 100 triliun sel kisi.

Pembaruan operasional pada Juli menyebut hampir 1.000 adaptasi aplikasi. Dalam konferensi Oktober, angka yang disampaikan merujuk pada lebih dari 300 aplikasi prioritas yang dioptimalkan secara mendalam di lebih dari 30 bidang, termasuk lebih dari 20 aplikasi yang berjalan di seluruh sistem. Uraian lain pada Oktober menghitung lebih dari 300 tugas komputasi di 26 bidang. Jumlah-jumlah ini menggunakan kategori berbeda, termasuk adaptasi perangkat lunak, optimalisasi prioritas, dan tugas komputasi.

Internet Superkomputer Nasional dirancang agar klaster ini dapat diakses oleh universitas, lembaga penelitian, perusahaan, dan pengguna perorangan. Perannya adalah menghubungkan kebutuhan komputasi dengan sumber daya yang tersedia, sehingga akses meluas ke luar organisasi yang mampu membangun dan mengoperasikan klaster besar sendiri.

Sugon 8000 juga terpilih sebagai contoh aplikasi perwakilan dalam program pengamatan terdepan HPC+AI for Science yang diluncurkan pada 18 Oktober. Konferensi tersebut memperkenalkan rencana aksi kolaborasi industri dan komunitas terbuka untuk kerja sama dalam infrastruktur komputasi, perangkat lunak, dan aplikasi.

Sugon telah mengumumkan kemitraan strategis dengan Akademi Kecerdasan Buatan Beijing dan pengembangan sistem kedua yang sepenuhnya dibuat di dalam negeri serta berisi 100.000 kartu. Untuk mesin pertama, hasil pada Oktober menyoroti penyelesaian pekerjaan ilmiah dan layanan yang berkelanjutan. Sistem kedua yang diusulkan akan memperluas pendekatan tersebut melampaui satu instalasi.

Poin Utama

• Sugon 8000 menghubungkan 100.000 kartu akselerator AI dan beroperasi di Zhengzhou, Provinsi Henan.
• Sugon mengumumkan penyelesaian dan koneksi sistem ke Internet Superkomputer Nasional pada 10 Juli 2026.
• Sepuluh pencapaian aplikasi mutakhir dipresentasikan di Shenzhen pada 18 Oktober.
• Proyek yang disebutkan mencakup simulasi dengan empat triliun partikel materi gelap, otak digital dengan 100 miliar neuron, dan simulasi molekuler berskala satu triliun atom.
• Sistem ini menggabungkan perhitungan ilmiah terperinci dengan pelatihan dan inferensi AI dalam satu platform.
• Sugon telah mengumumkan pengembangan klaster kedua yang sepenuhnya dibuat di dalam negeri dan berisi 100.000 kartu.