JUPITER Advanced Research Vehicle for Inference Services

Descrizione del progetto

Rendere l’intelligenza artificiale più veloce e pronta per il mondo reale

L’intelligenza artificiale (IA) sta passando dal riconoscimento al ragionamento: l’addestramento di potenti modelli di IA al fine di ragionare, rispondere e adattarsi su vasta scala è il prossimo passo nell’evoluzione storica di questa tecnologia. L’interrogativo principale non riguarda più la velocità di apprendimento di un modello, ma la sua efficienza di pensiero. Il progetto JARVIS, finanziato dall’UE, si propone di colmare questa lacuna lavorando nello specifico con JUPITER, il supercomputer più potente d’Europa e il quarto più veloce al mondo. Il progetto fornirà una piattaforma ad alte prestazioni specifica per la fase in cui un modello di IA esegue effettivamente dei compiti con l’obiettivo di costruire un’IA di nuova generazione che non sia solo più veloce e più efficiente dal punto di vista energetico, ma anche pronta per le esigenze del mondo reale.

Obiettivo

JAIF will serve customers on the exascale supercomputer complex around JUPITER, scheduled to become operational in mid-2025. JUPITER is poised to be one of the strongest AI training machines in the world that allows, due to its superfast connectivity, full parallelism of training models on thousands of nodes. JAIF will help exploit JUPITER's outstanding capabilities and capacities, and leverage its transformative power for AI training.

In addition, the call offers the exciting opportunity to implement an experimental supercomputing platform for AI calculations. JAIF proposes to implement JARVIS, the JUPITER Advanced Research Vehicle for Inference Services. In JARVIS, a variety of experimental technological components of European origin will be integrated. JARVIS operates as a high-performance and highly scalable inference system that ideally complements JUPITER's AI training capabilities by achieving maximum throughput in terms of AI inference accessed through industry-standard cloud technologies.

JARVIS’ features are becoming very important for types of foundation models like largest language models (LLM) or reinforced LMMs like OpenAI’s o1 or DeepSeek-R1. The recent emergence of inference techniques, referred to as Inference Time-Scaling or as Test-Time Compute will require much larger scalable inference server capacities as the inference cycles become much longer due to the simulated reasoning iterations. In contrast to JUPITERs fully scalable connectivity, JARVIS will feature many islands of tightly connected nodes comprising between 4 and 16 large-memory nodes given current model sizes and those anticipated for the coming years. It is expected that this trend in AI algorithms will make the direct combination and tightest integration of training and inference systems on a modular hardware basis virtually essential.