在经历五年多的落后之后,如今美国终于在超级计算机领域再度超越中国,重夺头名桂冠。
这台由IBM公司为田纳西州橡树岭国家实验室建造的Summit超级计算机(如上图所示)在本周一发布的全球超算五百强中位列第一(这份榜单每年发布两轮,列举世界上五百台最为强大的非分布式计算机设备)。这一消息在本周于德国法兰克福举行的年度国际超级计算机大会上正式公布。
除了美中之间的竞争之外,该计算机对英伟达公司图形处理单元的大量运用同样值得关注——这些处理单元最初是为了加速视频游戏图形而创建。目前,全球速度最快的七台超级计算机中有五台都使用有英伟达的Tensor Core GPU,Summit自然也不例外。
之所以要在全球性能最为强劲的计算机设备中大量使用GPU,是因为GPU能够并行处理大量数据,从而有力支持高性能计算与人工智能需求。这样的速度提升抵消了摩尔定律放缓的问题(摩尔定律认为芯片密度每一到两年将能够增加一倍,这一结论在过去数十年中一直有效,但最近却逐渐走向终点)。利用GPU解决问题,在难度上明显低于转变传统芯片加工与制造工艺。
另外,英特尔公司的主流至强处理器仍出现在绝大多数超级计算机当中——超算五百强中有95%使用至强处理器,新上榜超算的至强使用比例更是高达97%。
尽管如此,GPU的数量增长才是这些超级计算机算力提升的主干。英伟达公司表示,在五百强超算当中,其每秒浮点运算速度(计算能力的标准单位)占比如下:英伟达新一代Tesla V100目前占比56%,高于去年上一代Tesla P100的25%,更远高于2015年Tesla K80的11%。而在Summit超级计算机当中,GPU贡献的算力更是达到了惊人的95%。
Summit的成功可以说在意料之中。就在本月早些时候,超算五百强网站就已经报道称其峰值速度达到了200千万亿次——计算速度单位相当于每秒4千万亿次浮点运算。事实证明,根据超算五百强组织的实际衡量,其稳定性能水平约在120千万亿次。
这已经足以击败上届超算五百强冠军,目前排名第二的中国神威-太湖之光——其计算能力可达93千万亿次。第三名则为IBM公司为美国能源部劳伦斯利弗莫尔国家实验室构建的Sierra。
Summit采用令人难以置信的27648块Tensor Core GPU外加9216块IBM处理器的组合,因此在处理AI、机器学习与深度学习神经网络时优势明显。在超算五百强当中,另有17台超算设备采用同样的GPU,其中包括Sierra以及日本与欧洲速度最快的超级计算机。
超级计算机被用于解决世界上最具挑战的难题,包括预测天气、分析材料、探索超导体甚至基于遗传基因分析过敏病症等。
英伟达公司副总裁兼加速计算总经理Ian Buck在上周五的新闻发布会上表示,“对于高性能计算而言,这无疑是个令人激动的时刻。这些新的AI超级计算机将重新定义计算的未来。”
尽管美国目前重夺头名,但总体来看其在超算领域的地位仍处于下降态势——至少超算五百强的上榜系统数量有所减少。其目前只有124套系统位列五百强,处于历史新低点——低于6个月前的145套。与此同时,中国的整体上榜超算数量则为206套,略高于去年的202套。
英伟达公司还宣布,自去年推出以来,其GPU云服务中的软件容器数量已经增加至三倍,达到35个。容器是一种应用程序的打包方法,能够立足内部数据中心与云端实现立足多种计算机与操作系统平台的运行。英伟达方面表示,这些容器将帮助TensorFlow等深度学习框架更快更轻松地完成神经网络的设计与训练工作。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。