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
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。