La Universidad de Pensilvania acelera la investigación en todas las disciplinas gracias a NVIDIA DGX SuperPOD

El auge de la IA a gran escala ha cambiado de raíz lo que significa realizar ciencia computacional. Campos como la ciencia biomédica, la robótica, la lingüística y la ciencia de materiales, que requieren recursos de computación especializados, generan ahora cargas de trabajo de entrenamiento que exceden los límites de lo que cualquier laboratorio puede asumir en la práctica. Para Penn, una universidad con doce facultades que realizan simultáneamente proyectos de investigación con fondos federales, la cuestión no era si invertir en una infraestructura de IA, sino cómo crear algo compartido, accesible y lo bastante potente como para dar servicio a todos los investigadores del campus.

La nube pública podría cubrir las carencias de recursos de computación a corto plazo, pero la viabilidad económica resultó difícil a escala académica. Ejecutar experimentos repetidos con decenas de variantes de modelos, semillas aleatorias y grandes conjuntos de datos es el tipo de trabajo riguroso que promueve la innovación y la publicación de resultados compartidos, así como oportunidades de financiación para seguir investigando. Pero requería una potencia de computación que no estaba disponible a nivel local o que resultaba tan cara que hacía que las iteraciones no fueran viables. Los experimentos más ambiciosos eran más complejos de desarrollar precisamente cuando más importaban: antes de que hubiera resultados que justificaran una mayor inversión económica para seguir avanzando.

Lo que Penn necesitaba era una plataforma que se adaptara a las necesidades de todos los investigadores allá donde estuvieran: lo suficientemente escalable para el entrenamiento de modelos de frontera, lo suficientemente asequible para un acceso generalizado y lo suficientemente integrada como para que la puesta en marcha tardara horas, no meses.

Las repercusiones en el alcance y la velocidad de la investigación han sido inmediatas. En el programa de robótica de Penn, los investigadores que ejecutan experimentos de aprendizaje de refuerzo para manejarse por entornos desconocidos ahora pueden paralelizar íntegramente las pruebas de entrenamiento en Betty. El mismo equipo entrenó modelos de visión-lenguaje-acción (VLA) basados en predicados con más de 3000 millones de parámetros que antes eran imposibles debido a los requisitos de potencia de computación. Los resultados permitieron multiplicar por 12 la velocidad del entrenamiento de modelos en comparación con su configuración anterior, con resultados preliminares de VLA que superaron lo que se consideraba la tecnología más avanzada. "En una GPU de escritorio, cada sesión de entrenamiento de aprendizaje por refuerzo dura de tres a cuatro horas, lo cual nos limita a seis o siete sesiones diarias. "Al contar con solo una flota de ocho GPU en nuestro DGX SuperPOD, podemos realizar 100 ejecuciones con diferentes configuraciones cada día, lo que supone multiplicar por 14 el rendimiento experimental diario», afirmó Vijay Kumar, catedrático y decano de la Facultad de Ingeniería de Penn, en honor a la familia Nemirovsky.

La influencia de Betty va mucho más allá de cualquier laboratorio en concreto. Una colaboración entre el Mack Institute y el Penn Center for Innovation se sirvió de Betty para analizar correlaciones semánticas en más de 40 000 documentos, lo cual redujo un tiempo de computación estimado de 1,5 años a solo tres días. CAMEL-ECG, un modelo concebido para reducir la fatiga por alarmas en el diagnóstico clínico mediante ECG, fue entrenado en Betty por un equipo formado por miembros de la facultad de Ingeniería de Penn y la facultad de Medicina Perelman: una alianza que ha sido posible gracias al acceso compartido a la plataforma.

La ciencia biomédica ha sido tradicionalmente uno de los puntos fuertes en Penn, con investigadores que han sido pioneros en la tecnología de vacunas de ARNm galardonada con el Premio Nobel. Betty ahora admite un modelo generativo para constructos de ARNm y de proteínas que ha demostrado una expresión más de 400 veces superior. El profesorado de Penn también ha rastreado el repositorio completo de PubMed y ha extraído un grafo de conocimiento para entrenar modelos predictivos en todo tipo de biomoléculas, con un sistema cocientífico agéntico basado en esos datos para respaldar el desarrollo de tratamientos de ARN y nanopartículas lipídicas.

En la actualidad, Betty presta servicios a aproximadamente 950 investigadores registrados en 200 grupos de investigación, y proporciona 120 000 horas de GPU y 30 000 tareas al mes con un coste subvencionado de aproximadamente 1 USD por hora de GPU. Cualquier investigador de Penn puede solicitar acceso, y los nuevos usuarios pueden pasar del registro al trabajo productivo en Betty en cuestión de horas, en lugar de en semanas. "Betty brinda a los investigadores de Penn una capacidad de IA integrada que antes no estaba disponible en el campus. Con un coste más de 10 veces inferior al de las alternativas comerciales en la nube, el DGX SuperPOD convierte los proyectos de entrenamiento de modelos a gran escala y de IA para la ciencia, que antes eran inviables, en proyectos que pasan a manos de equipos de investigación que pueden crear, probar y perfeccionar", añadió Vijay.

Penn ya está ampliando el catálogo de modelos de Betty. Ahora, la plataforma ofrece modelos abiertos a escala de frontera, que incluye GLM-5.2-NVFP4, una implementación optimizada para las GPU NVIDIA Blackwell que admite longitudes de contexto de hasta 500 000 tókenes con implementaciones de Kimi K3 multinodo en curso. Las capacidades de Betty no solo son útiles para la investigación, sino también para la enseñanza. El nuevo curso de Penn, "Desarrollo de software con agentes de codificación de IA", arranca este otoño con 75 estudiantes que usan un punto final de modelo alojado en Betty para tareas de codificación y calificación, dentro de los límites de gobernanza de datos de Penn, y se prevé que el número de estudiantes matriculados aumente a 250 en la primavera.

En el ámbito del diagnóstico por imágenes biomédicas, los investigadores de Penn están creando conjuntos de datos multimodales que abarcan desde la escala de órganos hasta la resolución unicelular, sentando así las bases para modelos que, con el tiempo, puedan predecir el funcionamiento de los órganos o contribuir a la medicina regenerativa. Las repercusiones clínicas del trabajo de Betty siguen poniéndose de manifiesto, pero la plataforma ya impulsa las cargas de trabajo computacionales que seleccionan los candidatos de péptidos, proteínas y ARNm para las pruebas experimentales y su potencial aplicación a un tratamiento.

La inversión de Penn en Betty demuestra lo que es posible cuando una universidad de investigación considera la computación no como un recurso de los departamentos, sino como una base compartida para fomentar la innovación: abierta a todos los investigadores, asequible a escala académica y lo suficientemente potente como para que la ciencia, y no el hardware, sea la que ponga los límites.