还有几天,一年一度的全球规模最大的超算盛会—ISC2019就将在德国法兰克福召开,会上将公布全球超算TOP500排行榜。近年来,中国超算取得了举世瞩目的进步,不仅有“天河二号”“神威·太湖之光”连续5年雄踞全球超算Top500榜首,还在2016~2017年连续两年摘得“戈登贝尔奖”。但在取得辉煌成绩的背后,我们也应清醒的意识到,中国距离真正意义上的超算强国还有相当长的一段路要走。
细究超算技术及产业化现状,我国在超算能耗、软件应用、人才等方面,有一系列待补齐的短板,如果不能克服这些挑战,在超算领域,都不能算作真正意义的强大。
我国超算系统曾因耗电量巨大陷入争议漩涡:一个十万亿亿次的超算中心能耗甚至相当于一个小型核电站;国内某超算中心的年耗电量约为2亿度,电费超过1亿元。
未来,随着数据量不断激增,计算力进一步提升到百亿亿次、千亿亿次超算,“功耗墙”更将是一道难以逾越的挑战,降低能耗成为HPC发展的趋势。
国外的专家曾经质疑过中国超算“仅仅为了跑分”、“用不起来”,此观点有失偏颇。
在国家相关政策支持下,我国先后重点支持了物理化学、天文、气候气象、生物医药、新能源、流体仿真、大飞机、石油勘探地震成像等领域的超级计算应用,推动并研制出一批知识产权的行业应用软件。近年来,受惠于“互联网+”政策和国内几家互联网大厂的资金人才优势,互联网、物联网、人工智能领域的超算应用也发展迅猛。
但整体而言,我国超算软件应用领域还是较窄,民用商业软件发展滞后,广泛的民生领域应用有待开发。超算应用“阳春白雪”问题仍然有待解决,超算的社会效益和社会贡献还没有充分发挥出来。
超算人才严重不足,成为我国超算发展路上一大掣肘。据HPC wire近期报道,“高性能研究计算机的专业性人才需求量很大,一些以大学为中心的研究所,职位空缺几个月甚至几年”,中国超算行业面临同样的窘境。
超算领域人才“既要懂计算机编程、又要熟悉应用领域”的天然高门槛,让年轻后备人才望而却步。我国超算应用软件的研发人员大部分分散在一些小的实验室、研究所,或者依附在以硬件研发为主的国家重点实验室,仅在核物理、石油、气象、地球物理等个别领域建有专门的国家重点实验室,但是未形成合力。学科人才和资源发展不均衡,导致研发方向和人才队伍发展受阻。
罗马不是一日建成的,中国超算产业短板的弥补,也不能期待一蹴而就。目前,国内有部分单位、企业,在缺乏宏观规划的情况下,盲目投入大量人力物力财力发展超算,不仅不能解决问题,还会造成超算资源浪费。
正如人的成长,不能缺少生理发展的每个阶段一样,技术的发展,也需要每一步都稳扎稳打,不能急功近利。发展超算,是场“持久战”,应戒骄戒躁,不能抱希望于走捷径。广大地方单位及企业应加大发展关键领域核心技术打造,加强自主创新和开放创新,以创新技术实现超算中心性能提升,节能降耗;在软件应用层面,应以应用需求为主线,结合产业和用户迫切需求进行技术研发布局,与用户协同开展研发,拓展应用领域,让超算实现“平民化”,惠泽于民;高校、企业联合培育超算人才,加大课程体系建设和社会实践机会,以满足行业长远需求。
“不积跬步无以至千里”,只有中国超算企业、研究机构、高校等单位脚踏实地、共同集中精力克服超算短板,逐步完善中国高性能计算生态环境,才能够推动中国超算可持续发展,使中国成为真正的科技强国。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。