JUPITER Advanced Research Vehicle for Inference Services

Opis projektu

Przyspieszenie sztucznej inteligencji i przygotowanie jej do pracy w prawdziwym świecie

Sztuczna inteligencja przechodzi od rozpoznawania do rozumowania. Szkolenie potężnych modeli sztucznej inteligencji w celu rozumowania, reagowania i dostosowywania się na dużą skalę jest kolejnym krokiem w historycznej ewolucji sztucznej inteligencji. Głównym pytaniem nie jest już to, jak szybko model może się uczyć, ale jak skutecznie może myśleć. Finansowany ze środków UE projekt JARVIS ma na celu wypełnienie tej luki. W szczególności będzie współpracować z JUPITER, czyli najpotężniejszym superkomputerem w Europie i czwartym najszybszym na świecie. Projekt zapewni wysokowydajną platformę specjalnie dla fazy, w której model sztucznej inteligencji faktycznie wykonuje zadania. Celem jest zbudowanie sztucznej inteligencji nowej generacji, która będzie nie tylko szybsza i bardziej energooszczędna, ale także gotowa na wymagania rzeczywistego świata.

Cel

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.