Chinas Sugon 8000 setzt 100.000 KI-Beschleunigerkarten für Simulationen von Gehirn, Universum und Wetter ein

Von vier Billionen kosmischen Teilchen bis zum digitalen Gehirn

Eine Simulation mit vier Billionen Dunkle-Materie-Teilchen, ein digitales Gehirn mit 100 Milliarden Neuronen und ein Vorhersagesystem für die Ozeane mit einer Auflösung von einem Kilometer gehören zu den Anwendungen, die neben Chinas Rechnersystem Sugon 8000 auf einer großen Konferenz in Shenzhen vorgestellt wurden.

Die Maschine, die ihr Entwickler als Chinas ersten vollständig im Inland entwickelten KI-Supercluster mit 100.000 Beschleunigerkarten bezeichnet, wurde auf der 22. Nationalen CCF-Konferenz für Hochleistungsrechnen präsentiert. Die Veranstaltung fand vom 17. bis 20. Oktober 2026 im Shenzhen World Exhibition and Convention Center statt. Am 18. Oktober wurden zehn wegweisende Anwendungserfolge vorgestellt.

Sugon 8000, auch Dengfeng genannt, wurde in Zhengzhou in der Provinz Henan gebaut und an das Nationale Supercomputing-Netz angeschlossen. Das zentrale Konzept verbindet Hochleistungsrechnen, bei dem anhand mathematischer und physikalischer Regeln gerechnet wird, mit künstlicher Intelligenz, die Muster in Daten lernt.

Ziel ist es, Forschenden einen schnelleren Weg zu eröffnen, schwierige Probleme zu untersuchen. Eine herkömmliche Simulation kann Trainingsdaten erzeugen, KI mögliche Antworten durchsuchen und eine weitere detaillierte Simulation die aussichtsreichsten Ergebnisse überprüfen.

Sugons Mitteilung zur Fertigstellung datiert den Abschluss des Systems und seinen Anschluss an das Netzwerk auf den 10. Juli 2026. Bei der Präsentation im Oktober standen daher Anwendungen eines bereits in Betrieb befindlichen Systems im Mittelpunkt, darunter Arbeiten in Astronomie, Materialforschung, Biowissenschaften, Wetterforschung und Landwirtschaft.

Was 100.000 vernetzte Karten leisten

Eine KI-Beschleunigerkarte ist eine Rechenkomponente, die dafür ausgelegt ist, sehr viele Berechnungen parallel auszuführen. Werden 100.000 Karten miteinander verbunden, kann ein Cluster anspruchsvolle Aufgaben auf zahlreiche Prozessoren verteilen, sofern diese schnell genug Daten austauschen können.

Sugon zufolge unterstützt das System numerische Formate von FP64 bis INT8. FP64 verwendet 64 Bit zur Darstellung einer Gleitkommazahl und ermöglicht dadurch eine hohe numerische Präzision bei wissenschaftlichen Berechnungen. INT8 stellt Ganzzahlen mit acht Bit dar und eignet sich für manche KI-Anwendungen, bei denen kleinere Zahlen den Speicherbedarf und den Rechenaufwand senken können.

Verschiedene Forschungsphasen erfordern unterschiedliche Präzisionsstufen. Eine detaillierte physikalische Simulation kann FP64 benötigen, während ein KI-Modell zur Vorauswahl möglicher Materialien mit einem weniger präzisen Format auskommen kann. Sugon 8000 ist darauf ausgelegt, solche Arbeitslasten auf derselben Rechenplattform zu unterstützen.

Der Sprung von 10.000 auf 100.000 Karten bedeutet eine Verzehnfachung der Kartenzahl. Die tatsächlich nutzbare Leistung hängt außerdem davon ab, wie effizient die Software die Arbeit aufteilt, wie schnell die Daten übertragen werden und wie viel Zeit die Prozessoren darauf warten, dass andere fertig werden.

Sugon beschreibt den Ansatz als native Integration von Hochleistungsrechnen und KI. Konkret soll die Infrastruktur wissenschaftliche Simulationen, das Trainieren von Modellen und Inferenz bewältigen, also den Einsatz eines trainierten KI-Modells zur Erzeugung einer Antwort.

Ein Forschungszyklus, in dem KI durch Physik überprüft wird

Wissenschaftliche Simulationen und KI gehen von unterschiedlichen Voraussetzungen aus. Eine Simulation kann Gleichungen verwenden, die beschreiben, wie Atome miteinander wechselwirken oder wie sich Luft bewegt. Sie beginnt mit einem Ausgangszustand und berechnet, was als Nächstes geschieht, oft in vielen kleinen Schritten.

Ein KI-Modell lernt aus Beispielen. Liegen genügend Simulationsergebnisse vor, kann es Muster erkennen und Ergebnisse viel schneller abschätzen, als jede detaillierte Berechnung erneut durchzuführen. Das ist besonders nützlich, wenn Forschende eine riesige Zahl möglicher Entwürfe oder Molekülanordnungen untersuchen müssen.

Der kombinierte Ansatz von Sugon 8000 umfasst drei Phasen. Zunächst erzeugt wissenschaftliches Rechnen Simulationsdaten. Anschließend lernt die KI aus diesen Daten und sortiert Kandidaten vor. Im dritten Schritt überprüfen detaillierte wissenschaftliche Berechnungen eine kleinere Auswahl vielversprechender Antworten.

Diese abschließende Überprüfung ist wichtig, weil KI zwar plausibel wirkende, aber unzutreffende Ergebnisse liefern kann, oft als Halluzinationen bezeichnet. In der Wissenschaft muss auch eine überzeugende Vorhersage anhand des untersuchten physikalischen Verhaltens geprüft werden. Der kombinierte Arbeitsablauf lenkt aufwendige Berechnungen auf Kandidaten, die bereits eine erste Vorauswahl bestanden haben.

Für Forschende verändert sich dadurch, wie sie ihre Rechenzeit einsetzen können. Statt jede Möglichkeit mit der detailliertesten Berechnung zu prüfen, können sie die Suche mithilfe von KI eingrenzen und eine höhere Präzision den Fällen vorbehalten, die eine genauere Untersuchung verdienen.

Der Start im Juli und die Präsentation im Oktober

Sugons Mitteilung aus dem Juli und die Präsentation auf der Konferenz im Oktober beschreiben unterschiedliche Phasen der Inbetriebnahme des Systems. Zuerst meldete das Unternehmen die Fertigstellung, anschließend veröffentlichte es Betriebskennzahlen, bevor es die wissenschaftlichen Anwendungen umfassender vorstellte.

• 10. Juli 2026: Sugon meldete die Fertigstellung von Sugon 8000 und den Anschluss an das Nationale Supercomputing-Netz.
• 18. Juli: Bei der World Artificial Intelligence Conference veröffentlichte Zahlen zufolge war das System in der ersten Betriebswoche vollständig ausgelastet. Im Durchschnitt wurden täglich mehr als 150.000 Aufträge verarbeitet.
• 17. bis 20. Oktober: Die Nationale CCF-Konferenz für Hochleistungsrechnen fand in Shenzhen statt.
• 18. Oktober: Sugon stellte auf der Konferenz zehn wegweisende Anwendungserfolge vor.

Als offizielles Fertigstellungsdatum nennt Sugon den 10. Juli. Ein Bericht aus dem Oktober beschrieb außerdem, dass der Cluster im August offiziell in Betrieb gegangen sei, erklärte jedoch nicht, wie dieser Meilenstein mit dem Start im Juli zusammenhing.

In der ersten Woche lag der Tageshöchstwert laut den veröffentlichten Zahlen bei über 500.000 Aufträgen. Das ist mehr als das Dreifache der angegebenen durchschnittlichen Schwelle von 150.000 pro Tag. Ein Auftrag ist eine eingereichte Rechenaufgabe; die Gesamtzahl kann daher Aufgaben sehr unterschiedlicher Größe und Dauer umfassen.

Die Betriebsmitteilung vom Juli beschrieb außerdem, dass über eine Aufgabenplanung, die Aufgabentyp, Speicherort der Daten und verfügbare Ressourcen berücksichtigt, Millionen gleichzeitiger Nutzeranfragen unterstützt werden. Eine solche Planung entspricht der Zuweisung von Arbeit an die passenden Teams, während gemeinsam genutzte Wege und Geräte nicht zu Engpässen werden sollen.

Worum es bei den Projekten zu Universum und Gehirn geht

Die kosmologische Simulation Qianyan verwendete vier Billionen Dunkle-Materie-Teilchen, um die Entwicklung des Kosmos zu modellieren. Dunkle Materie ist Materie, deren gravitative Wirkung beobachtet werden kann, obwohl sie kein Licht aussendet. Simulierte Teilchen stehen für Teile dieser Materie und ermöglichen es Forschenden, die Entstehung großer Strukturen zu berechnen.

Die Größenordnung verleiht der Beschreibung der Maschine als System, das ein simuliertes Universum abbilden kann, Substanz. Forschende nutzen eine mathematische Darstellung kosmischer Materie und ihres Verhaltens und berechnen dann, wie sich diese Darstellung verändert.

Ein Team der Fudan-Universität stellte außerdem ein digitales Gehirn mit 100 Milliarden Neuronen vor, das auf der Konferenz als weltweit erstes Modell dieser Größenordnung bezeichnet wurde. Ein digitales Gehirn bildet Nervenzellen und ihre Wechselwirkungen in Software ab, damit Forschende ihr Zusammenspiel untersuchen können.

Beide Projekte benötigen mehr als Speicherplatz für eine große Zahl von Objekten. Der Computer muss wiederholt Wechselwirkungen berechnen und Informationen zwischen Prozessoren übertragen, während sich das simulierte System verändert.

Die Projekte aus Astronomie und Hirnforschung zeigen, warum bei der Präsentation im Oktober nicht nur die Zahl der Karten im Mittelpunkt stand, sondern auch die Anwendungen. Aussagekräftige Kennzahlen sind unter anderem, wie komplex ein Modell sein kann, wie detailliert es rechnet und wie lange eine Simulation bis zum Abschluss braucht.

Materialien, Wetter, Ozeane und virtueller Mais

Mit MatPL, einem Softwarepaket für Kraftfelder des maschinellen Lernens, wurde die Molekulardynamik-Simulation auf eine Billion Atome ausgeweitet. Die Genauigkeit nähere sich quantenmechanischen Berechnungen an. Die Molekulardynamik verfolgt die Bewegung von Atomen im Zeitverlauf. Ein Kraftfeld schätzt die Kräfte zwischen ihnen, die diese Bewegung bestimmen.

Maschinelles Lernen kann solche Kraftschätzungen kostengünstiger machen, als wiederholt ein detaillierteres quantenmechanisches Problem zu lösen. Die Präsentation auf der Konferenz verortete MatPL an der Schnittstelle zwischen Simulationsgröße und numerischer Genauigkeit, zwei Anforderungen, die oft nur schwer zugleich zu erfüllen sind.

Das System Fengqing Ensemble V1.0 für globale kurz- und mittelfristige Wettervorhersagen war in den operativen Einsatz übergegangen. Bei einer Ensemble-Vorhersage werden mehrere Varianten einer Prognose berechnet, um auszuloten, wie sich das Wetter bei leicht veränderten Ausgangsbedingungen oder Annahmen entwickeln könnte.

Für die Meeresforschung wurde swLFS als weltweit erstes globales Vorhersagesystem für die Ozeanzirkulation mit einer Auflösung von einem Kilometer vorgestellt. Eine feinere Auflösung ermöglicht es einem Modell, kleinere räumliche Strukturen abzubilden, erhöht aber den Rechenaufwand für den globalen Ozean.

Der Plattform Virtual Maize der China Agricultural University wurde zugeschrieben, Züchtungszyklen von mehr als zehn Jahren auf mehrere Jahre verkürzt zu haben. Die Plattform bringt Rechenleistung in die Suche nach nützlichen Merkmalen von Nutzpflanzen ein und hilft Forschenden, die Kombinationen einzugrenzen, die sie in der Züchtung verfolgen.

Die zehn Erfolge umfassten außerdem die Energieerkundung und die Entwicklung moderner Ausrüstung. Zusammengenommen verbinden die genannten Beispiele den Cluster mit konkreter Arbeit: Wettervorhersagen, die Modellierung der Ozeanzirkulation, die Untersuchung atomaren Verhaltens und die Auswahl von Züchtungsoptionen für Nutzpflanzen.

Netzwerk und Speicher für die Berechnungen

Sugon zufolge umfasst die inländische Infrastruktur Chips, Rechensysteme, Speicher, Netzwerke, Kühlung, Anwendungen und Dienstleistungen. Hygon und weitere im Inland entwickelte Chips bilden die Grundlage der Rechenleistung. Berichte von der Konferenz beschrieben außerdem sechs intern entwickelte Chips innerhalb der umfassenderen Architektur.

Das scaleFabric-Netzwerk nutzt natives Remote Direct Memory Access (RDMA). Dadurch können Daten zwischen Rechnern übertragen werden, ohne die Hauptprozessoren stark einzubinden, was einen Teil des Aufwands beim Datenaustausch verringert.

Schnelle Verbindungen sind unverzichtbar, weil große Simulationen und KI-Trainingsläufe Zwischenergebnisse immer wieder austauschen. Wenn Prozessoren ihre Berechnungen abgeschlossen haben, aber auf Daten warten müssen, bleibt ein Teil der installierten Rechenkapazität ungenutzt.

Sugon bezeichnet den verteilten Speicher ParaStor als weitere zentrale Komponente. Verteilter Speicher legt Daten auf mehreren Rechnern ab, sodass große Arbeitslasten Informationen über viele Wege lesen und schreiben können. Nach Angaben des Unternehmens belegte ParaStor in den IO500-Ranglisten 2026 in den Kategorien „Production Full Node“ und Leistung mit zehn Knoten jeweils den ersten Platz.

Die Speicherleistung spielt beim Trainieren von Modellen eine Rolle, wenn große Datensätze wiederholt eingelesen werden müssen, ebenso bei wissenschaftlichen Simulationen, bei denen Zwischenergebnisse gespeichert werden können. Das Speichern des Fortschritts hilft außerdem dabei, eine lange Berechnung nach einer Unterbrechung fortzusetzen.

In dieser Größenordnung werden Netzwerküberlastung, Lastverteilung und die Isolierung von Fehlern zu zentralen technischen Aufgaben. Die Aufgabenplanung muss Arbeit dort unterbringen, wo passende Prozessoren und Daten verfügbar sind. Zugleich muss das Netzwerk den daraus entstehenden Datenverkehr bewältigen, ohne dass ein lokales Problem zu einer größeren Verlangsamung führt.

Kühlung, Leistungsdichte und die Kosten für den Betrieb der Karten

Sugon 8000 nutzt Tauchkühlung mit einem Phasenwechselverfahren. Die Geräte geben Wärme an eine Kühlflüssigkeit ab, deren Zustandsänderung dabei hilft, die Wärme abzutransportieren. Sugon zufolge kann das Konzept Schränke mit einer Leistungsdichte im Megawattbereich unterstützen.

Das Unternehmen nennt außerdem im Inland entwickelte Kühlmittel und eine Kühlung, die ganzjährig die Außenbedingungen nutzt. Diese Merkmale sollen eine grundlegende Herausforderung bewältigen: Je mehr Rechenleistung auf engem Raum untergebracht wird, desto mehr Wärme muss kontinuierlich abgeführt werden.

In der Betriebsmitteilung vom Juli wurde eine zwanzigfache Steigerung der Rechendichte pro Einheit gegenüber anderen Superknoten beansprucht. In Sugons separater Fertigstellungsmitteilung vom Juli wurden Energieeffizienz, Speicherzugriff und Netzwerkdesign als notwendige Prüfkriterien für einen Cluster dieser Größenordnung genannt.

Stromversorgung und Kühltechnik müssen sowohl eine anhaltend hohe Auslastung als auch wechselnde Nachfrage bewältigen. Eine Maschine, die wissenschaftliche Simulationen, KI-Training und große Mengen an Inferenz verarbeitet, kann je nach Arbeitslast unterschiedlichen Datenverkehrs- und Leistungsmustern ausgesetzt sein.

Zu den nächsten relevanten Messwerten gehören der Energieverbrauch pro erledigter Aufgabe, Wartezeiten auf Daten, Auftragslaufzeiten und die Wiederherstellung nach Fehlern. Die veröffentlichten Mitteilungen enthalten keine vollständigen, vergleichbaren Angaben zum Gesamtstromverbrauch, zu Betriebskosten, zur Anwendungsgeschwindigkeit oder zu Nutzungsgebühren.

Wie weit das System genutzt wird

In Sugons Mitteilung zur Fertigstellung im Juli hieß es, mehr als 300 kombinierte Anwendungen für wissenschaftliches Rechnen und KI seien in über 20 Fachgebieten optimiert worden. Mehr als 70 Anwendungen seien auf die Größenordnung von 10.000 Karten erweitert worden. Zu den genannten Beispielen zählten Proteinfaltung, Molekulardynamik mit einer Billion Wasseratomen und Turbulenzsimulationen mit 100 Billionen Gitterzellen.

In der Betriebsmitteilung vom Juli war von knapp 1.000 angepassten Anwendungen die Rede. Auf der Konferenz im Oktober bezogen sich Angaben auf mehr als 300 umfassend optimierte vorrangige Anwendungen in über 30 Fachgebieten, darunter mehr als 20, die auf dem gesamten System liefen. In einer weiteren Beschreibung aus dem Oktober wurden mehr als 300 Rechenaufgaben in 26 Fachgebieten gezählt. Diese Gesamtzahlen beruhen auf unterschiedlichen Kategorien, darunter Softwareanpassungen, vorrangige Optimierungen und Rechenaufgaben.

Das Nationale Supercomputing-Netz soll Universitäten, Forschungseinrichtungen, Unternehmen und einzelnen Nutzern Zugang zum Cluster verschaffen. Es soll den Rechenbedarf mit verfügbaren Ressourcen verbinden und damit auch Organisationen Zugang ermöglichen, die keinen großen Cluster selbst aufbauen und betreiben können.

Sugon 8000 wurde außerdem als repräsentatives Anwendungsbeispiel in das am 18. Oktober gestartete Programm „HPC+AI for Science Frontier Observation“ aufgenommen. Auf der Konferenz wurden ein Aktionsplan für die Zusammenarbeit in der Branche und eine offene Gemeinschaft für gemeinsame Arbeit an Recheninfrastruktur, Software und Anwendungen vorgestellt.

Sugon hat eine strategische Partnerschaft mit der Beijing Academy of Artificial Intelligence angekündigt und entwickelt ein zweites vollständig im Inland entwickeltes System mit 100.000 Karten. Bei der ersten Maschine standen in den Ergebnissen vom Oktober abgeschlossene wissenschaftliche Arbeiten und ein stabiler Betrieb im Mittelpunkt. Das geplante zweite System würde diesen Ansatz über eine einzelne Installation hinaus ausweiten.

Die wichtigsten Punkte

• Sugon 8000 verbindet 100.000 KI-Beschleunigerkarten und wird in Zhengzhou in der Provinz Henan betrieben.
• Sugon meldete am 10. Juli 2026 die Fertigstellung des Systems und seinen Anschluss an das Nationale Supercomputing-Netz.
• Zehn wegweisende Anwendungserfolge wurden am 18. Oktober in Shenzhen vorgestellt.
• Zu den genannten Projekten gehören eine Simulation mit vier Billionen Dunkle-Materie-Teilchen, ein digitales Gehirn mit 100 Milliarden Neuronen und eine Molekülsimulation mit einer Billion Atomen.
• Das System verbindet detaillierte wissenschaftliche Berechnungen mit KI-Training und Inferenz auf einer Plattform.
• Sugon hat die Entwicklung eines zweiten vollständig im Inland entwickelten Clusters mit 100.000 Karten angekündigt.