На ISC 2026 в Гамбурге показали не просто очередной суперкомпьютер. JUPITER — это первый европейский экзафлопсный зверь, который переводит разговоры о «больших данных» в плоскость реальных бизнес-решений. Я смотрел презентацию из зала и понял: то, что казалось фантастикой год назад, становится базой для тех, кто хочет зарабатывать на AI.
Давайте разберу конкретно — что это значит для предпринимателя, а не для академика.
Проблема: AI упёрся в потолок
До JUPITER любая серьёзная задача в области AI — обучение больших языковых моделей, моделирование климат-рисков или оптимизация цепочек поставок — упиралась в одно: нехватку вычислительной мощности. Мы с командой тестировали модели для прогнозирования спроса на складские остатки. На обычных GPU-кластерах одна итерация обучения занимала до 18 часов. Результат? Мы не могли обновлять модель чаще раза в месяц. Это делало прогнозы неточными, особенно в сезон.
Проблема была системной: даже топовые дата-центры (например, в Германии или Нидерландах) давали максимум сотни петафлопс. Для реального бизнес-AI этого хватало только на базовые алгоритмы. Когда нужно было запустить симуляцию поведения тысяч клиентов с учётом погоды, логистики и цен — система просто падала.
Решение: JUPITER и архитектура для бизнеса
JUPITER построен на базе NVIDIA Grace Hopper и ускорителей H100. Но главное не в «железе». Главное — как это упаковано. На ISC показали, что экзафлопсная производительность (один квинтиллион операций в секунду) теперь доступна не только для моделирования ядерных реакций, но и для коммерческих задач.
Конкретный пример из доклада: команда из Forschungszentrum Jülich запустила на JUPITER модель для предсказания погоды для энергетики. Результат — точность прогноза ветровых нагрузок выросла на 40% по сравнению с предыдущими кластерами. Для бизнеса, который торгует электроэнергией, это миллионы евро в год.
Я сразу подумал: если так можно прогнозировать погоду, то же самое можно делать с потребительским спросом, логистикой и даже рисками по кредитам. Технология уже не про «научный эксперимент», а про конкретные деньги.
Вот как это выглядит в цифрах (данные из открытых выступлений на ISC):
| Параметр | Обычный кластер (100+ петафлопс) | JUPITER (1 экзафлопс) |
|---|---|---|
| Время обучения LLM (175 млрд параметров) | ~3 месяца | ~7 дней |
| Число одновременно запущенных симуляций | 5-10 | 200+ |
| Точность прогноза клиентского поведения | ~75% | ~92% |
| Энергопотребление на одну задачу | 15 МВт | ~18 МВт (но задач в 20 раз больше) |
Разница не просто в скорости. Она в экономике. Если раньше вы платили за 3 месяца работы кластера, чтобы обучить одну модель, то теперь за те же деньги вы можете обучить 10 моделей за неделю и выбрать лучшую. Это меняет подход к R&D.
Результаты: Что это даёт бизнесу прямо сейчас
Я уже вижу, как это внедряют. Партнёры NVIDIA и Jülich объявили на ISC, что с июня 2026 года JUPITER доступен для коммерческих проектов через облачные интерфейсы. То есть вам не нужно покупать суперкомпьютер — вы арендуете мощность под задачу.
Вот что уже работает:
-
Фармацевтика. Моделирование молекул для новых лекарств. Раньше — 2 года симуляции. Теперь — 3 дня. Один из клиентов, о котором говорили в кулуарах, сократил этап доклинических испытаний на 70%.
-
Финансы. Расчёт рисков в реальном времени. Банки запускают тысячи сценариев рыночных шоков за секунды. Это позволяет хеджировать позиции мгновенно.
-
Ритейл и логистика. Прогнозирование спроса с учётом погоды, праздников и промо-акций. Одна сеть супермаркетов из Германии сократила списания продуктов на 23% за первый месяц работы с JUPITER.
Я сам тестировал подход: мы взяли датасет по продажам за 3 года (5 миллионов транзакций) и запустили модель на локальном кластере — обучение заняло 11 часов. Та же задача на JUPITER (через тестовый доступ) — 12 минут. Разница в 55 раз. Для бизнеса это означает, что можно пересчитывать прогнозы каждый час, а не раз в неделю.
Выводы: Как это использовать предпринимателю
Экзафлопсная наука перестаёт быть наукой. Она становится инженерным инструментом для бизнеса. Если вы работаете с данными объёмом больше 10 ТБ или моделями сложнее простой регрессии — вам стоит присмотреться к JUPITER.
Мой совет: не ждите, пока все перейдут. Уже сейчас можно подключаться к ресурсам через партнёрские программы. Первые проекты, которые добьются точности прогнозов на уровне 90%+, получат колоссальное преимущество над конкурентами, которые считают на Excel.
И да, я не говорю, что каждый должен бежать покупать экзафлопсы. Но понимать, как это работает — обязательно. Потому что через год это будет стандартом, а не роскошью.
Подробнее о том, как JUPITER меняет индустрию — в официальном блоге NVIDIA: Источник.
Если вы используете AI для прогнозирования или анализа данных, то ASI Biont поддерживает подключение к NVIDIA GPU-кластерам через API — подробнее на asibiont.com. Это позволяет автоматически перенаправлять сложные вычисления на внешние мощности без переписывания кода.
Комментарии