HPC-人工智能重新定位高性能计算

发布时间：

2022-06-14 00:00

　　高性能计算(HPC)曾经主要用于特定领域(特别是科学/工程计算领域)，追求极快的计算速度。随着摩尔定律的放缓，人工智能(AI)技术崛起并不断融入到HPC之中，以及异构HPC系统的兴起，很多人开始琢磨HPC到底意味着什么，所谓的HPC身份危机也演变成一个有趣的话题。

　　1什么是HPC?

　　在刚刚结束的国际超级计算大会ISC2022上，美国印第安纳大学人工智能计算系统实验室主任，智能系统工程教授Thomas Sterling 在他的主旨演讲中也谈到了HPC的身份危机问题，在他看来， HPC是一种强调计算的先进技术。那么高性能计算中的“性能” 指的是什么呢?是速度而不考虑吞吐量?还是获得结果的时间(time-to-solution)?可能很多人会同意 “获得结果的时间” ，但是似乎并没有公认的答案。

　　另一个相关问题：AI是什么呢? 首先，Thomas Sterlings 教授认为人工智能是一个很糟糕的术语，尤其是“人工”二字很模糊，可能意味着“不真实”。或许 “机器智能(machine intelligence)” 是一个更恰当的术语。他预计到2040年，机器智能将消耗绝大多数的计算资源，而机器智能将来应该是指机器理解(machine understanding)。

　　2 HPC与AI的交叉

　　如果从实际发生的情况来看，AI作为一种增加价值的项目正在悄然进入计算的所有领域， AI和HPC存在着共生互惠关系。

　　AI和高性能数据分析工作负载的增加推动着HPC系统设计的变化，以及计算资源建设和管理方式的转变。各种新技术为HPC系统设计提供了更多选择，比如新的加速器(包括专门用于AI的ASIC芯片)，各种不同的内存、互连和存储解决方案等等。在系统建设方面，有的计算中心搭建一台大规模异构系统来运行各种类型的应用，而有的计算中心则搭建多台小规模系统用于处理不同的工作负载，云资源也被越来越多地用于处理数据密集型工作负载。计算资源的分配管理更多的被看成是一个优化问题：如何在多样化的技术选项中找到平衡，如何优化关键工作负载。

　　AI应用与传统HPC应用有很多交集。在HPC领域中，AI的应用越来越多，例如：独立的AI模型在HPC环境中运行;AI被纳入到传统的仿真工作负载中：传统的仿真工作负载通过代理模型得到极大的优化，数据准备及清洗可以借助AI技术，仿真参数可以借助AI模型进行微调等。一方面，建模与仿真工作负载从AI技术中受益，比如，获得结果的时间缩短，打开了解决方案新的探索领域，解析稀疏矩阵的数据。另一方面，AI也从建模与仿真工作负载受益：比如，生成的大规模合成数据可以用于训练模型，对训练好的模型可以采用仿真方法进行验证和测试。

　　3市场展望

　　市场研究机构Hyperion基于可测量的原则对HPC服务器和“HPC 赋能AI (HPC-Enabled AI)” 服务器的市场做出了预测。

　　按照终端用户的应用情况，Hyperion将本地部署的HPC服务器(见下图)分成(1)数据密集型和(2)计算密集型。在数据密集型之下又再细分为(a)传统数据科学和 (b) HPC赋能AI, 其中 “HPC赋能AI” 这一类别指的是计算资源必须有50%以上用于AI或学习类的工作负载。

　　图源：Hyperion Research 2022

　　根据Hyperion统计， 2021年全球本地部署的HPC服务器市场规模达到了147亿美元，其中计算密集型服务器为108亿美元，数据密集型服务器为39亿美元，计算密集型服务器占据了73%的份额。在数据密集型服务器的细分市场中，主要用于“HPC赋能AI” 的服务器市场规模为13亿美元，主要用于传统数据科学的服务器市场规模为26亿美元。目前，用于传统数据科学的服务器市场规模是 “HPC赋能AI” 服务器市场的2倍。

　　从发展趋势来看，Hyperion预测本地部署的HPC服务器市场将保持增长的态势，5年(2021-2026)复合年增长率(CAGR)将达到 6.9%。其中，特别值得关注的是 “HPC赋能AI” 细分市场的强劲增长势头，5年复合年增长率将达到22.7%, 远远高于其他类别服务器市场的增长率。到2026年，“HPC赋能AI” 服务器的市场规模也将超过传统数据科学的服务器市场。