2019年人工智能對高性能計算的十種影響

6.人工智能采用云計算

人工智能開發(fā)人員可能比高性能計算開發(fā)人員更多地接受云計算。雖然應用在云中的高性能計算已經(jīng)出現(xiàn)，但是針對人工智能應用的高性能計算將加速云中的高性能計算。

7.硬件：專注于庫和框架的交互式功能

人工智能的工作量并不大。這意味著少數(shù)庫接口和框架支配 “人工智能加速器”需要作為賣點。

交互性是一個長期存在的請求，通常在高性能計算系統(tǒng)中一直處于“次要地位”，被人工智能程序員直接置于前沿和核心。高性能計算這種變化的速度還有待觀察，但2019年這一領域的創(chuàng)新將是值得注意的，即使是零散的和有些隱蔽的。交互性也可以稱為“個性化”。

高性能計算支持更多的硬件多樣性、交互性支持以及針對性能優(yōu)化的額外庫／框架抽象，以支持人工智能工作負載。高性能計算社區(qū)對性能的關注將有助于說明基礎設施的額外融合將有利于數(shù)據(jù)中心部署。沒有人愿意放棄性能，如果不必這樣做，高性能計算社區(qū)的專業(yè)知識將有助于商品化人工智能／機器學習的性能，從而導致社區(qū)之間更多的硬件技術融合。

8.人員融合：用戶多樣性和對高性能計算的興趣增加

人工智能將注入許多不同背景的新人才。人工智能將以前所未有的規(guī)模給高性能計算帶來民主化。在過去的幾年中，“高性能計算的民主化”這個短語用于描述高性能計算如何被工程師和科學家群體的訪問。數(shù)學和物理問題可能推動了早期的超級計算工作量，但最近越來越多的用戶發(fā)現(xiàn)，在醫(yī)學、天氣預報和風險管理等領域，高性能計算工作量是不可或缺的。

人工智能的用戶群體比高性能計算要廣泛得多，給高性能計算的民主化帶來了全新的維度。如今，高性能計算專家和人工智能專家正在聯(lián)合起來進行開發(fā)。

9.新投資：推理

機器學習通常被認為是由稱為“訓練”的學習階段和稱為“推理”的實施階段組成。似乎需要更多的周期來進行推理，而不是進行訓練，特別是當人們看到機器學習無處不在地嵌入到周圍的解決方案中時。

有了如此巨大的市場機會，讓人覺得整個世界都在試圖從這一推理市場中獲得更大的份額。推理已經(jīng)在處理器、FPGA、GPU、DSP和大量定制ASIC上實現(xiàn)。功率、延遲和總體成本是關鍵因素，這些因素為人們提供了一系列具有不同賣點的選項。高性能CPU加上低延遲、易于重新編程和可預測延遲的FPGA似乎是補充當前CPU主導的推導世界的合理選擇。時間會證明一切。

人們將發(fā)現(xiàn)推理工作負載將對包括高性能計算在內(nèi)的所有計算產(chǎn)生重大影響。

10.應用程序的融合：不是在“重新思考”之后進行更換

擴展工作負載多樣性，并將看到各種工作負載進行融合。那些有遠見的人已經(jīng)證明，當高性能計算機和人工智能結合在一起時，有許多機會。從將系統(tǒng)集成到能夠預測極端天氣（如颶風）的模式，再到氣候或天氣預報系統(tǒng)。現(xiàn)在出現(xiàn)了各種想法。生成對抗網(wǎng)絡（GAN）是許多人高度重視的一類機器學習系統(tǒng)，生成對抗網(wǎng)絡（GAN）無疑將有助于融合高性能計算和人工智能／機器學習工作。

雖然現(xiàn)在很少有應用程序結合高性能計算和人工智能技術，而基于該領域的早期結果，很容易預測這是高性能計算應用程序的未來，并將構成高性能計算因人工智能而面臨的最大變化。

理解這十種方式

計算的故事在某種意義上并沒有改變：它完全取決于整個系統(tǒng)對用戶的作用。雖然需求發(fā)生變化，但完整系統(tǒng)由硬件和軟件組成的事實并沒有改變。很容易被單一技術（硬件或軟件）分散注意力，最好的系統(tǒng)會在最有幫助的地方小心地應用新技術。

結論：人工智能將使用高性能計算，并將永遠改變

事實上，人工智能可能是高性能計算歷史上最大的變革推動者。高性能計算不斷發(fā)展，因為已經(jīng)通過自己的工作負載來實現(xiàn)，并且它也將在人工智能中發(fā)展。

即人工智能用戶只需加入高性能計算社區(qū)并在其上加上自己的標記。他們也將使用非高性能計算系統(tǒng)，就像其他高性能計算用戶一樣。

將有專為人工智能工作負載設計和構建的定制高性能機器，而其他機器的人工智能工作負載也在具有非人工智能工作負載的更通用的高性能設施上運行。平衡機器在需要高性能靈活機器的情況下才能實現(xiàn)加速。人工智能將有助于未來定義什么成為超級計算機，因此可能將會調(diào)整高性能計算機的進程。