在2019国际超算大会(ISC2019)上,英特尔介绍了一系列英特尔以数据为中心的产品组合如何改变下一代高性能计算(HPC)系统,并推动全行业向E级超算不断发展的最新情况。
英特尔公司副总裁兼极限计算部门总经理Trish Damkroger表示:“在当今以数据为中心的世界,英特尔将继续推动创新并不断提升产品性能。我们的高性能计算解决方案产品组合——包括英特尔至强铂金9200处理器和英特尔傲腾数据中心级持久内存——实现了前所未有的科学探索和发现。”
如今,先进的高性能计算系统同时借助传统的高性能计算数据分析和人工智能技术,来高效处理最为复杂的科学问题。然而随着高性能计算系统对计算性能的要求越来越高,内存带宽日益成为一个瓶颈。在日前举行的2019国际超算大会上,英特尔展示了其以数据为中心的产品组合如何通过将高性能计算数据分析和人工智能加速整合到一个单一的计算环境中,并提供新的内存和存储模式为计算引擎提供支持,进而解决高性能计算系统面临的独特挑战。
当前,英特尔以数据为中心的产品组合为系统架构师提供了构建先进计算系统的根基,赋能这些系统能够传输、存储和处理海量数据。针对那些对计算性能有着最高要求的系统,英特尔近日还宣布,包括Atos、慧与(HPE)、联想、Penguin Computing、Megware等在内的一些指定OEM厂商以及经过授权的英特尔经销商目前已开始出货基于英特尔至强铂金9200处理器的预配置系统。作为第二代英特尔至强可扩展处理器产品系列的延续,英特尔至强铂金9200处理器系列为广泛的工作负载和用途提供领先的性能,诸如科学模拟、财务分析、人工智能/深度学习、3D建模与分析、密码学和数据压缩等场景。英特尔至强铂金9200处理器集成了英特尔深度学习加速(英特尔DL Boost)技术,其人工智能性能相比上一代发布的至强可扩展处理器提高多达30倍。
在2019国际超算大会上,英特尔还与欧洲中期天气预报中心(ECMWF)、爱丁堡大学并行计算中心(EPCC)、富士通、斯洛文尼亚IT服务提供商Arctur以及NEXTGenIO项目2中的其它合作伙伴公布了多项不同超算应用项目中使用英特尔傲腾数据中心级持久内存获得的最新突破性性能。
此外,英特尔进一步加快英特尔傲腾数据中心级持久内存在高性能计算系统中的应用,并宣布了一项针对超算推出的,利用英特尔傲腾数据中心级持久内存和分布式异步对象存储(DAOS)的革命性全新存储架构。其中,DAOS是一种提供高带宽、低延迟和高I/O操作的开源软件定义横向扩展对象存储,专为高性能计算和人工智能工作负载的融合而设计。这一全新的软件定义存储引擎消除了目前并行文件系统中的若干局限性。
ALCF-X项目总监/E级计算系统副总监Susan Coghlan表示:“阿贡领导力计算机构(ALCF)将作为‘极光’(Aurora)项目的一部分首次大规模生产部署DAOS存储系统,到2021年,‘极光’(Aurora)将成为美国第一个E级计算系统。DAOS存储系统旨在提供E级系统上的I/O密集型工作负载所需的元数据运算速度和带宽。”
在2019国际超算大会上,英特尔还披露了其有关One API项目的更多信息。该项目将提供一个统一的编程模型,以简化多样化计算架构上的应用开发。同时,英特尔的One API将基于行业标准和开放规范,并可以与OpenMP、MPI和Fortran等进行交互操作。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。