Im Frühjahr 2026 erzählte mir eine Rechenmaterialwissenschaftlerin an einer öffentlichen Universität im US-Mittelwesten, dass ihre Gruppe elf Wochen auf einen einzelnen Knoten auf dem Campus-Cluster gewartet hatte. In diesem Fenster führte ein Mitarbeiter an einer privaten Universität mit einem speziellen Künstlichen Intelligenz-Cluster das gleiche Fein-Tuning-Experiment in weniger als einem Tag durch.
Die National Artificial Intelligence Research Resource Pilot, die von der US National Science Foundation im Januar 2024 gestartet wurde, wurde genau für dieses Problem gebaut. Die Pilotpools berechnen die Zeit auf Bundes- und Industrie-Systemen, kuratierte Daten und praktische Schulungsressourcen und öffnen sie für Forscher durch wettbewerbsfähige Aufrufe. Seine erste Runde zog viel mehr Bewerber als Slots. Das ist die Geschichte jetzt: Neue öffentliche Infrastruktur existiert, aber die Reihenfolge ist länger als die Ressource.
Das Stanford Institute for Human-Centered AI hat seit 2017 einen mehr als hundertfachen Anstieg des Computers, der zum Training führender Modelle verwendet wird, verfolgt. Die meisten Universitätsforscher werden diese Skala nie berühren. Der durchschnittliche Campus-Cluster befindet sich in den Dutzenden oder niedrigen Hunderten von GPUs, die über jede Abteilung verteilt werden, die sie benötigt. Wenn eine Chemie-Gruppe molekulare Bibliotheken überprüfen möchte und ein Linguist ein kleines Sprachmodell finanzieren möchte, entscheidet die gleiche Reihenfolge beide Zeitlinien.
Wo die Spaltung zuerst auftaucht
Eine Kollegin, die ich Dr. M. anrufe, eine Computational Linguist an einer europäischen Forschungsuniversität, sagte mir, dass ihre Zuschussprüfer nun fragen, welchen Cluster sie verwenden wird, bevor sie den Methodeabschnitt lesen. Die Frage ist zu einem Filter geworden. Sie musste Zeit auf der Maschine einer Partnerinstitution leihen, um eine Überprüfung abzuschließen, weil die Zuweisung ihrer eigenen Universität Mitte Februar erschöpft war. Multiplizieren Sie Dr. M. mit jedem Labor, dessen Forschung in den letzten drei Jahren in Richtung maschinelles Lernen verschoben ist.
Die Basisrate ist einfach: Institutionen mit großen Forschungs-Computing-Budgets, engagiertem Ingenieurpersonal, das tatsächlich Jobs planen kann, und Branchenpartnerschaften erfassen einen unverhältnismäßigen Anteil an KI-fähigen Arbeiten. Institutionen, die auf Rohstoffcluster und pro-Lab-Cloud-Gebühren angewiesen sind, fallen im Vorschlagserfolg, in der Veröffentlichungsgeschwindigkeit und in der Aufrechterhaltung der Fakultät zurück, die beides treibt.
Dies zeigt sich auch bei der Einstellung. Suchkomitees in der Informatik, Statistik und der Bench Science, die jetzt Bildgebung oder Simulation im Maßstab verwenden, listet zunehmend den Zugang zur GPU-Infrastruktur als Teil des Pakets, das sie Kandidaten anbieten. Es ist nicht ungewöhnlich, dass ein Start-up-Budget jetzt sowohl eine Postdoc-Linie als auch eine Computerauszuweisung enthält.
Öffentliche Optionen sind real, aber übersubscribed
Die NAIRR-Pilot ist einer von mehreren öffentlichen Versuchen, die Lücke zu schließen. Forscher können sich für Zuweisungen auf Systeme bewerben, die vom US-Energieministerium, den National Institutes of Health und privaten Partnern wie NVIDIA und Microsoft beigetragen wurden. Die eigenen Materialien des Piloten beschreiben es als eine zweijährige Anstrengung, um herauszufinden, wie eine nationale Forschungsinfrastruktur aussehen sollte.Das NAIRR Pilot PortalListe der aktuellen Chancen und Zuweisungspolitiken.
Europa hat seine eigene Antwort.Europäisches Joint Undertaking für Hochleistungsrechnung, oder EuroHPC JU, betreibt Pre-Exascale-Systeme wie LUMI in Finnland und Leonardo in Italien. Der Zugang ist wettbewerbsfähig und einheitlich: Einige Aufrufe sind für europäische Konsortien, andere für die Industrie. Ein Universitätsforscher in einem kleineren Mitgliedstaat kann eine Auszeichnung gewinnen, aber die Vorschlagstätigkeit konkurriert mit einer Förderantrag.
Cloud-Credits ändern die Mathematik, nicht das Problem
Cloud-Credits sind die dritte Route.Die US-amerikanische National Science FoundationDie CloudbankDas Programm bietet Cloud-Zugang für Forscher in der Informatik, und viele Universitäten halten nun Unternehmensverträge mit Amazon Web Services und Google Cloud, und einige haben Microsoft Azure unter separaten Bedingungen hinzugefügt. Das Kostenmodell verändert das Gespräch. Eine einzige GPU-Stunde auf einem Cloud-Anbieter kann klein aussehen, bis ein Experiment für eine Woche läuft.
Institutionen, die ihre eigenen
Einige Universitäten haben beschlossen, nicht auf öffentliche Zuweisungen zu warten. Die Universität von Florida HiPerGator, ein Campus-Supercomputer, der in Partnerschaft mit NVIDIA gebaut wurde, hat der Fakultät Zugang zu Hunderten von GPUs gegeben und die Arbeit an großen Sprachmodellen und medizinischen Bildgebung unterstützt. Die Universität von Bristol beherbergt Isambard-AI, Teil der nationalen KI-Forschungsressource des Vereinigten Königreichs, zusammen mit Partnern. Dies sind Ausnahmen, nicht die Basisrate. Sie erfordern ein staatliches oder nationales Engagement, eine Gebäude oder eine neu ausgestattete Datenhalle und ein Team von Forschungssoftwareingenieuren, die die Reihen in Bewegung halten.
Die mittelständische Institution steht vor einer anderen Entscheidung. Sie kann alle drei bis fünf Jahre einen bescheidenen Cluster kaufen, für die Cloud auf Zuschusszyklen bezahlen oder versuchen, einem regionalen Konsortium beizutreten. Die erste Option bietet die Kontrolle, aber zerfällt schnell. Die zweite ist flexibel und unberechenbar. Die dritte hängt von Governance und Vertrauen ab, die schwieriger zu finanzieren sind als Hardware. Eine vierte, zunehmend häufige, ist, nichts zu tun und zu beobachten, wie Forscher gehen.
Was das für Ihr Labor bedeutet
Wenn Sie ein Fakultätsmitglied, Postdoc, Doktorand, oder der Mitarbeiter Wissenschaftler, der das Cluster-Konto hält, behandeln Computer-Zugriff als ein Logistik-Problem, nicht ein technisches.
Diese Spannung ist nicht getrennt von der Haushaltspolitik.Hochschullehrer freut sichzeigt, was passiert, wenn Aufbewahrung und Infrastruktur für die gleichen Mittel konkurrieren. Für Administratoren ist die billigste Intervention oft eine gemeinsame Zuweisungspolitik. Eine schriftliche Richtlinie, die Prioritätsniveaus benennt, die Wand-Uhr-Zeit begrenzt und erklärt, wie man zusätzliche Kapazität kauft, wenn eine Frist nichts kostet und verhindert, dass die Hallenverhandlungen die Fakultätszeit verzehren. Der nächste Schritt ist die Einstellung eines Forschungssoftware-Ingenieurs, der Jobs profilieren kann, Speicherabfälle von übergroßen Batchgrößen reduzieren und Labs helfen, von vier GPUs zu zwei zu wechseln, ohne die Ausgabe zu verlieren.
Beschaffungskonsortien und regionale Partnerschaften sind es wert zu beobachten.Gruppen von mittelgroßen Universitäten in Kanada, Teilen Australiens und im Nordosten der Vereinigten Staaten haben ihre Einkäufe zusammengeschlossen, um bessere Preise von Hardware-Anbietern und Cloud-Anbietern zu erhalten.
Das Jahr 2024Der IndexberichtStanford macht die Richtung klar: Da die Modellbildungskosten steigen, muss der öffentliche und universitäre Computer wie eine gemeinsame wissenschaftliche Infrastruktur behandelt werden, nicht wie eine Abteilungsgebühr.
Schreiben Sie vor dem nächsten Zyklus der Zuschüsse eine Seite, auf der beschrieben wird, was Ihr Labor berechnen muss, was es auf dem offenen Markt unter einem kommerziellen Cloud-Vertrag kosten würde und welche institutionellen Richtlinien es verhandelbar machen würden. Senden Sie diese Seite an Ihren Vizepräsidenten für Forschung. Es reicht nicht aus, um die Zuweisung zu gewinnen.
