HPCS 高性能分布式智算网络,让AI算力变得更简单
2016年DeepMind开发的AlphaGo程序,在谷歌DeepMind围棋挑战赛中以4∶1的总比分击败了围棋世界冠车、韩国职业九段棋手李世石,成为第一个击败人类职业围棋选手、第一个世界冠军的人工智能机器人。人体基因测序时间由最初的数年缩短到现在的几天,更有相关组织宣布人体全基因测序有望只需1000美元在1天内完成;天气预报从预测未来一天的天气,发展到现在可以预测未来一周甚至更长时间的天气情况:对宇宙的观测距离从220万光年发展到现在的137亿光年。
人工智能凭借什么战胜了人类?人类对未知世界的了解为何能越来越迅速、精准?答案是海量数据背后的超级算力。AI通过算力训练庞大的数据,并通过神经网络不断学习成长,最终获得技能,战胜人类选手;天气预报机构或人员利用算力分析气象站、卫星等终端收集的数据,对各种天气系统的位置和强度进行预测。
算力改变世界,算力驱动未来,那么涉及众多领域的算力到底是什么?它对当今社会又起到哪些推动作用?
算力定义
算力,顾名思义就是计算能力。小至手机、个人计算机,大到超级计算机,算力存在于各种硬件设备中,没有算力就没有各种软硬件的正常应用。以个人计算机为例,不同的配置,用户的体验效果大不相同,这主要取决于不同配置产品的中央处理器(Central ProcessingUnit,CPU)、内存等的差异性。高配置个人计算机的算力更强,能玩配置需求更高的游戏,运行更消耗内存的3D类、影音类软件。
2016年3月15日,AlphaGo大比分战胜世界顶级围棋高手李世石,成为第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人,从这一刻起AI又重新吸引住了世界的目光,而这一年也被称为AI元年,从此人类社会进入了智能化时代。
未来,随着智能化时代的到来,家庭、交通等都将会是智慧化的。智慧家庭即将全屋智能化,各种设备彼此互通、相互感知并进行信息交互,每个生活场景都离不开算力对信息的处理。智慧交通即将交通智能化,汽车、路灯、信号灯等都将安装上各种感应和接收设备,实时传递、分析、了解当前交通状况,提前做好规划和应急处理。大量的终端设备会产生海量的数据,需要在边缘被及时处理,也需要被上传至云中心进行模型训练以提升精确度,而算力就存在于信息传递交互的每时每刻。
随着智能场景的增多、智能应用的爆炸,应用对算力的需求也日趋强烈,不仅需要拥有强大算力的中心计算资源,而且还需要能够及时进行数据反馈的边缘计算资源。当前的算力行业正是如此,硬件厂商生产多少服务器,都会被算力厂商拿走,而下游应用市场对算力的需求永无止境,这又进一步刺激了硬件厂商的大量生产。
随着云计算、大数据、物联网、人工智能等技术的高速发展,存量数据大量增长和算力成本大幅下降推动着算力的提升。算力的提升为应用软件提供发展空间,应用能力提升需要更强算力,算力与应用能力相互促进,驱动人工智能的发展,促使智能设备更加完善,人与智能设备的交互也将更加流畅。
算力时代看似刚刚开始,实则拉力战早已开启。毕竟,在数字化转型的进程中,更智慧、算力更强的城市,就意味着资源更节省、安全更有保障、运行效率更高、居民生活更便利。而要实现整体的数字化转型,就需要更强的城市大脑。想要让城市更加智慧,势必需要更强大的算力,以支撑各领域的数据运营与智能运行。
由此,从城市到家庭,从政府到企业,今后的发展规划势必要考虑算力这个重要因素,因为算力已经成为未来企业乃至国家发展的主要动能。
算力就是生产力,当万事万物都离不开算力时,一个崭新的算力时代就会到来。
算力是数字经济时代的生产力,数据处理需求激增,驱动高性能计算发展。
高性能计算已被公认为继理论科学和实验科学之后,人类认识世界改造世界的第三大科学研究方法。目前随着信息社会的迅猛发展,越来越多的领域都涉及到处理海量的数据。这些需求迫使高性能计算已经不只是局限在科学计算、国家高端科技上,在工业和商业领域也不断地体现其价值。
2020年以来,十四五和新基建驱动我国高性能计算中心建设进入高速增长期,多地地方政府和企事业单位都在积极建设和筹建高性能计算中心。
高性能计算(HPC,High Performance Computer,又称超级计算)是国之重器。从核爆炸模拟、油藏模拟,到极端天气预报等,高性能计算都守护着国家安全和安宁。 因此,高性能计算也成为衡量国家之间综合实力的基准之一,被视为国家实力的象征。
HPCS =高性能智算网络(High-performance computing System)/分布式智算网络,是指将多个计算节点组织起来,通过网络连接在一起,进行协同工作, 组成一台性能更强大的计算机,通常指具有极快运算速度、极大存储容量、极高通信带宽的一类计算机。高性能计算能够让整个计算机集群为同一个任务工作,以更快的速度来解决一个复杂问题。一台高性能计算上往往执行一个任务(或者有限的几个任务)。全部的计算机资源都被倾注到同一个任务中。为了解决同一个问题,集群的不同计算机之间要有非常好的沟通能力。速度提升后可大幅提升吞吐量并降低成本,从而为科学发现铺平道路。
UtilityNet是建立HPCS高性能智算分布式网络之上的激励层,UtilityNet与HPCS构建更加完整的,以创建一个更庞大、成本低廉且更加高效的庞大算力链网打造与收分发调度网络,区别于传统中心化算力网络与云算力网络。UtilityNet将打造全球最大的智算集群资源池。
高性能计算为什么重要?
高性能计算是计算机科学与工程的“皇冠”。高性能计算是计算机技术的源头之一。 互联网产业依赖的数据中心的核心技术,诸如 Hadoop等并行编程工具和 RDMA 等远程通信技术大多脱胎于此。因此,高性能计算机被视为计算机科学与工程的“皇冠”。各国均频繁从国家层面启动研制计划。在中国多次上榜全球高性能计算TOP500 后,美国自 2015 年起将多所中国高性能计算相关机构或企业列入实体清单,包括国防科大、无锡江南计算技术研究所、曙光、申威等。而我国高性能计算整体实力和美国相比仍然有较大差距。
因此,发展自主可控的高性能计算至关重要。
借助人工智能扩展高性能计算
运行基因组测序或全球气候建模等大型高性能计算应用的数据科学家,可通过在现有的高性能计算工作流程中增加深度学习功能,来实现非常可观的成效。深度学习非常适用于某些经常由高性能计算解决的问题,其中包括在非常庞大的数据集内进行模式识别和分类并需要大量计算、存储和网络资源的情况。将深度学习应用于高性能计算应用HPCS。
简单来看,深度学习可识别多维数据集内的模式。适合深度学习的任务通常包括模式分类(例如,图像识别)、模式聚类(例如,通过生命体征监视器识别增大的风险)和异常检测(例如,识别欺诈性的信用卡交易)。这些应用正推动人们在某些最复杂的高性能计算领域获得新的发现。
此外,深度学习模型能够灵活调整以适应新数据,从而应用在难以对环境建模且不断演变的一些高性能计算领域。一些金融科技领域的公司正在高性能计算应用中使用深度学习,这些应用需要对环境中瞬息万变的数据进行评估,但这种环境非常复杂,之前无法做到在任何给定的时间点进行完整建模。安全威胁检测领域期望应用深度学习技术,来帮助系统跟上快速演变的数据,同时识别可能的异常——在充满噪音的数据洪流中寻找微弱的信号。
此外,HPCS极有潜力创建一些解决方案,将全局数据集与特定于某一个体或设置的数据结合起来。例如,深度学习有望为精准医疗的高性能计算流水线带来突破,通过分析个体在遗传、环境和生活方式等方面的变化情况来帮助治疗和预防疾病。
2022 年中国整体高性能计算市场规模将超 400 亿元。除政府规划外,阿里、腾讯等多家互联网巨头均积极布局高性能计算建设。高性能计算逐渐走向普惠化和通用化,不仅仅是在科研领域,越来越多的场景,都可以通过HPCS的高算力得以赋能,越来越多的企业可以利用HPCS更好的通向数智化转型之路。UtilityNet将继续发挥自身优势,把握技术前沿趋势,为HPCS发展带来更多高性能和可行性的产品&方案,加速HPCS和产业的融合创新,为人类探索未知世界插上更有力的翅膀。