英伟达与微软的合作里，藏着未来发展的关键词

作者|DataView 来源|DataView数据科技研究院(ID：data-view)

前几日，英伟达宣布将与微软共同打造AI超级计算机。这台AI超级计算机将在微软Azure的超级计算基础设施运行，使用英伟达GPU、网络及全套AI软件。而英伟达将使用 Azure 的可扩展虚拟机实例来研究并进一步加速生成式AI（generative AI）的发展，两家公司还将合作优化微软的DeepSpeed深度学习优化软件。

简单的合作内容中暗含了两大关键词和一大趋势，关键词是超级计算和AI，趋势是生成式AI。深层含义即从B端到C端，围绕自动化，探索下一个浪潮。

超算和AI的结合已不可或缺

超算，即超级计算，在概念上通常与HPC（高性能计算）互换使用。在计量单位上以每秒浮点运算次数 (FLOPS) 衡量，等同于每秒千万亿次浮点运算。即速度为1 petaflop的计算机系统每秒可以执行百万的四次方次浮点运算 (1015)。

以疫情防控为例， 若使用一台普通计算机，单人密接与次密接人群筛查需要几个月时间。而使用超算，可以在1秒完成单人流调查询、1分钟内完成单人密接人群筛查。同时，超算也是冠状病毒研究和疫苗研发中至关重要的一部分。当前，科研人员正在利用超算进行靶点探寻、新药筛选、先导物及试验优化、药理毒理等研究工作。

如此强大的算力也是AI发展的要素之一，另外两个要素是算法和大数据。相应地，AI也会反过来帮助超算实现更优化的资源分配和能源管理，比如监测功耗，参与任务级的分时调度管理训练等。

此次英伟达与微软宣布打造的AI超级计算机与传统计算机又有所不同，由于机器学习对准确性的要求相对较低，在使用相同硬件的情况下，AI超级计算机的运算速度比传统的超级计算机更快，在AI模型训练上效率更高。

宣布进军元宇宙的Meta也在今年年初宣称建造一台AI超级计算机，它将帮助Meta的AI研究员建立新的、更好的人工智能模型，提升Meta业务中的AI功能，比如检测不良信息的内容审核算法。

在计算里进一步“求解”

当前，超算和AI两者均已渗透到生活及生产的方方面面。包括疫情防控、病毒研究和疫苗研发，还应用到了核聚变模拟、石油勘探、气候模拟、癌症研究、基因组学、量化金融等。

无论是哪个领域，都试图在数据和模型中发现和预测问题，在不同的领域去求解一个问题。尽管超算在各领域应用已不可或缺，但大都在科研项目及研究性领域中发挥着重要作用，很难普及化或商业化。如何更好地推动未来发展，除了利用超算训练模型，优化算法，提升深度学习能力外，也在商业“求解”问题上做了贡献。

但求解器解决了这一问题，超算在其中，也协助了求解器应用层面的拓展和开发。2022年6月，中国科大超算中心发布新版广义本征值求解器GenELPA。这基于之前中科大针对ELPA做的一个求解广义本征值的扩展程序GenELPA，该程序在中国科大超算中心的曙光TC4600超级计算系统上测试结果表明有效并行规模可达4000 CPU核心以上。

ELPA是一种高性能的、尤其在大规模并行时效率特别高的本征值求解器，在多种第一性原理计算软件中都有应用。该程序是马普研究所开发，核心程序由FORTRAN编写，并提供了C的接口。在GenELPA中，中科大还增加了根据运行服务器的CPU类型自动选择kernel的功能，用户在默认配置下即可获得很好的计算效率。

和超算一样，求解器曾一度也是卡脖子核心技术。当前国内的阿里达摩院、华为等企业，以及中国科学院均推出了国产的求解器，无论在商业还是学界都可以逐渐实现国产化替代。求解器作为决策智能的核心技术，逐渐在B端发挥其强大的优化求解的作用。

生成式AI在C端爆火

除了在B端的研究，超算和AI也开始在C端爆发，当算力足以支撑更好的算法和更大的模型训练，生成式AI才得以有机会露头，尤其是前段时间爆火的AI作画。

Gartner认为，生成式AI是通过各种机器学习（ML）方法从数据中学习要素，进而生成全新的、完全原创的、真实的工件（一个产品或物品或任务），这些工件与训练数据保持相似，而不是复制。它可以被用来检测欺诈、虚假信息和身份盗窃。同时，Gartner预计到2025年，生成式人工智能将占所有生成数据的10%，而目前这一比例还不到1%。

而此次英伟达在与微软的合作中，将使用 Azure 的可扩展虚拟机实例来研究并进一步加速生成式AI（generative AI）的发展。

回看超算和AI这两大关键词，此次合作似乎在围绕下一个发展浪潮展开，即自动化。

微软负责云计算和人工智能的执行副总裁Scott Guthrie表示：" 人工智能正在推动整个企业和工业计算的下一波自动化浪潮，使企业在应对经济不确定性时能够事半功倍。我们与英伟达的合作解锁了世界上最具扩展性的超级计算机平台，在微软Azure上为每个企业提供最先进的AI 能力。”

编者按：本文转载自微信公众号：DataView数据科技研究院(ID：data-view)，作者：DataView