人工智能正變得無處不在，全球最快的計算機上也在運行人工智能負載，這也在改變HPC（高性能計算，High Performance Computing）。不過，人工智能將如何影響編程，軟硬件以及和訓練需求？

AI可能是HPC歷史上最大的變革推動者，AI在2019年對HPC產(chǎn)生最大影響的十大原因。

10、 Tensors（張量）：人工智能計算的通用語

向量代數(shù)的使用催生了為矢量計算設計的計算機。來自Cray的早期超級計算機是矢量超級計算機，它帶動了應用程序以矢量和矩陣代數(shù)問題的方式表示，這反過來又推動了計算機的設計，確保矢量計算能更快運行。多年來，這種循環(huán)定義了HPC。

張量代數(shù)可以視為廣義矩陣代數(shù)，因此它是超級計算機能力的自然演化，而不是一場革命。任何支持矩陣運算的機器都可以進行張量運算。今天，CPU通過通用編譯器，加速Pythons，增強庫和優(yōu)化框架的支持就可以支持矢量和張量的高性能計算。

正如向量之前對HPC的硬件、軟件以及想法的影響，張量也正在深刻的改變著我們。

9、語言：高級編程語言

Fortran編程語言在HPC領域占據(jù)主導地位，再加上C和C ++語言幾乎統(tǒng)治了HPC市場。通常通過C語言接口來擴展來支持加速器。嘗試使用新語言來打破現(xiàn)有的格局已經(jīng)失敗，因為現(xiàn)有語言已經(jīng)形成了一個生態(tài)，包括HPC的應用程序、用戶、代碼等。

AI帶來了新的需求，這將擴展與HPC相關的語言。他們不會改變使用Fortran的大多數(shù)物理學家的活動，但使用MATLAB和Python的數(shù)據(jù)科學家需要根據(jù)他們的需求量身定制解決方案。

Python以及其它框架和編程語言，似乎正成為HPC越來越重要的部分。不過他們實際運行的程序仍將用C/C++/Fortran編寫，但AI程序員既不會知道，也不關心它。

8、以不同方式思考：通過重新思考的方法來替換遺留代碼

HPC非常傳統(tǒng)，相對而言人工智能是新的。就目前而言，當兩者相互作用時，它將重提有關實現(xiàn)遺留代碼的問題，在某些情況下這些代碼可能早就該實現(xiàn)了。說法可能是“讓我們?yōu)檫@段代碼添加一些人工智能功能”，但現(xiàn)實將是努力可能成為浪費時間。還記得Java熱潮的早期許多“轉換為Java”的努力嗎？

就像那些早期瘋狂的Java時代一樣，急于將代碼重寫為新形式的人既有成功的也有失敗的。投資回報率（ROI）將是關鍵，但預測創(chuàng)新的結果往往是錯誤的。

7、可移植性和安全性：虛擬化和容器

安全性和可移植性的具體問題是，“我可以在我的機器上安全地運行嗎？”和“它能在我的機器上運行嗎？”，這是虛擬化和容器試圖解決的問題。當然，安全性來自于良好的硬件和軟件特性。對于許多人來說，虛擬化和容器似乎能確立這種組合。

容器已引起許多開發(fā)人員的關注，因為它們比虛擬機更靈活、可部署、可升級、具備云多功能性，并且可以節(jié)省虛擬機授權許可成本。

在任何HPC或AI的會議上談論容器似乎只能站著說說。但這正在改變，例如Python和Julia在配置時可以更好地擴展，容器可以幫助部署。

容器為用戶提供了良好的環(huán)境，2019年將看到HPC領域越來越多的容器使用，部分原因是AI用戶的對此表現(xiàn)出的興趣。毫無疑問，這會對HPC帶來挑戰(zhàn)，因為這需要優(yōu)化的生態(tài)系統(tǒng)。如今，這個領域正在進行這方面大量的精細工作，HPC社區(qū)將幫助實現(xiàn)這一目標，滿足大家對容器的渴望。

6、規(guī)模問題：大數(shù)據(jù)

只要有人工智能，就有大數(shù)據(jù)。人工智能的重點是利用數(shù)據(jù)模型從大量的數(shù)據(jù)集中找到價值。許多HPC中心已經(jīng)有很多基礎設施可以很好地處理大數(shù)據(jù)問題。

所有HPC中心都將大數(shù)據(jù)作為新系統(tǒng)的主要需求，AI工作負載是大數(shù)據(jù)需求的主要動力。

由于存儲器的高成本，我們看到存儲器大小與FLOP/s的比率多年來一直在下降。這對大數(shù)據(jù)發(fā)展不利。與持久內存相關的新功能帶來了一些希望，并支持大型機器（包括HPC）中的大數(shù)據(jù)模型。這些新的內存技術提供了主內存和本地存儲（SSD）的擴展。

我今天寫的是人工智能如何影響HPC，但我還得指出HPC對可視化的熱愛將對AI產(chǎn)生的影響。將數(shù)據(jù)放在最接近處理器的位置是最適合進行實際數(shù)據(jù)可視化的處理器，是HPC影響AI / ML的最重要的方法之一。當然，使用和理解大數(shù)據(jù)以及可視化數(shù)據(jù)和分析是相互交織的。

5、大量計算：云計算

人工智能開發(fā)人員可能已經(jīng)比HPC開發(fā)人員更多地接受了云計算。雖然HPC“在云中”已經(jīng)出現(xiàn)，但AI應用的高性能計算需求將加速“云中的HPC”。

4、硬件：交互式能力，為庫和框架提供性能

人工智能的計算量并不大。這意味著少數(shù)庫接口和框架主宰著“AI加速器”作為其賣點。

交互能力是一個長期存在的要求，它一直被HPC系統(tǒng)“擱置”，現(xiàn)在被AI程序員將其放置在“前端和中心”。這種變化對“HPC”的改變速度還有待觀察，但2019年該領域的創(chuàng)新即使分散且有些隱秘也會引人注目。交互性也可稱為“個性化”。

HPC更多的硬件多樣性、交互性支持以及為性能優(yōu)化的附加庫/框架抽象，以支持AI工作負載。HPC社區(qū)對性能的關注將有助于說明基礎設施的更多融合將有利于數(shù)據(jù)中心部署。沒有人愿意放棄性能，只要他們不必這樣做，HPC社區(qū)的專業(yè)知識將有助于商業(yè)化AI / ML的性能，從而帶動社區(qū)之間更多的硬件技術融合。

3、人員融合：用戶多樣性和對HPC興趣的增加

AI將吸引許多具有不同背景的新人才。AI將以前所未有的規(guī)模為HPC帶來民主化。過去幾年，“HPC民主化”用于描述HPC（以前只有大型組織的人才可以使用）如何被小的工程師團體和科學家群體使用。數(shù)學和物理問題可能推動了早期的超級計算發(fā)展，但最近更多的用戶發(fā)現(xiàn)HPC性能在醫(yī)學、天氣預報和風險管理等領域不可或缺。

AI帶來了比HPC更廣泛的用戶群，為HPC的民主化帶來了全新的應用。將AI增加到發(fā)展HPC的列表中，我們繼續(xù)為追求世界上最高性能的計算添加更多理由， HPC專家和AI專家正在結合，以產(chǎn)生我們都能感受到的興奮。

2、新投資：推理

機器學習通?？梢员徽J為是由“訓練”的學習階段和 “推理”的“做”階段組成?？雌饋砦覀冃枰嗟难h(huán)進行推理而不是更多循環(huán)進行訓練，特別是當我們看到機器學習無處不在地嵌入到身邊的解決方案中時。市場分析師估計，推理硬件市場是訓練硬件規(guī)模的5-10倍。

有了這么大的市場機會，毫不奇怪，所有人都希望進入市場更大的推理市場。推理已在FPGA，GPU，DSP和眾多定制ASIC處理器上運行。功耗，延遲和總體成本都是賣點。高性能、低延遲、易于重新編程的FPGA似乎是補充當前CPU主導的推理市場的合理選擇，時間會證明。

跟著市場的選擇，您將看到推理工作負載將對包括HPC在內的所有計算產(chǎn)生重大影響。

1、應用程序的融合：不是在“重新思考”之后進行替換 ，“融合”兩全其美，擴展工作負載多樣性并看到不同工作負載的融合

那些有遠見的人已經(jīng)證明，HPC和AI結合時有很多機會。鼓舞人心的研究范圍從擁有一個中立的網(wǎng)絡學習到“ 像蒙特卡羅模擬一樣 ”，具有非常好的結果，只需要一小部分計算需求; 將系統(tǒng)整合到能夠預測極端天氣的模式，如颶風，或天氣預報系統(tǒng)。生成對抗網(wǎng)絡（GAN）是一類機器學習系統(tǒng)，許多人都非常重視，GAN無疑有助于融合HPC和AI / ML。

雖然現(xiàn)在很少有應用結合HPC算法和AI技術，基于早期的結果，我很容易預測這是HPC應用的未來，并且將因為AI帶來HPC最大的變化。

理解這十種力量

計算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。雖然需求有變化，但一個完整的系統(tǒng)由硬件起來和軟件組成不會改變。實際上，很容易被單一技術（硬件或軟件）分散注意力; 最好的系統(tǒng)會謹慎地應用最新技術，我非常偏愛地稱其為“選擇性加速” ，強調在重要時使用加速。當我經(jīng)常使用Python時，我喜歡Python加速（一種依賴CPU的軟件技術）。當我需要低延遲推理時，我喜歡FPGA加速。當我只需要一點加速時，我不使用任何一個。這是建立平衡系統(tǒng)的藝術。這前十的名單并沒有打破為多用途機器提供最佳整體效果現(xiàn)實的平衡。

結論：AI將使用HPC，這將永遠改變HPC

顯然AI將使用HPC，這將永遠改變HPC。事實上，AI可能是HPC歷史上最大的變革推動者。HPC隨著科技的發(fā)展不斷進步，工作負載也將隨著人工智能的發(fā)展而變化。我不認為辯論收斂與交叉給予足夠的信任的概念，人工智能用戶將加入HPC社區(qū)，并留下自己的標記。他們也將使用非HPC系統(tǒng)，就像其他HPC用戶一樣。

將有專為AI工作負載設計和構建的定制高性能機器，其他機器的AI工作負載也在可以在更通用的高性能設備上運行。要平衡機器的高性能和靈活才能實現(xiàn)加速。在所有情況下，人工智能將有助于定義未來什么是超級計算，這將永遠改變HPC。

James Reinders是HPC愛好者，也是擁有8本書的超過30年行業(yè)經(jīng)驗的從業(yè)者，其中包括在英特爾工作27年經(jīng)驗（2016年6月退休）。