从工作站、云到全球Top500超级计算机,英特尔一直是高性能计算的坚实基础。在近日举行的2020年超级计算大会(SC20)上,英特尔副总裁兼高性能计算部总经理Trish Damkroger展示了英特尔及合作伙伴通过软、硬件技术来加速先进高性能计算系统广泛部署,共同塑造高性能计算的未来。
英特尔在2020年超级计算大会上主要亮点:
加州圣克拉拉,2020年11月17日——在2020年超级计算大会上,英特尔重点展示了公司如何通过软硬件技术塑造高性能计算的未来。全球范围内,诸多企业选择英特尔® XPU(CPU、GPU、FPGA和加速器)和oneAPI编程环境,来加快先进计算系统的开发和部署。
第三代英特尔至强可扩展处理器(代号“Ice Lake”)
在2020年超级计算大会的主题演讲中,英特尔副总裁兼高性能计算部总经理Trish Damkroger着重介绍了英特尔即将推出的Ice Lake服务器处理器,它将为广泛的高性能计算工作负载提供性能优化的功能。通过更高的内存带宽、新的高性能Sunny Cove核心架构、更多的处理器核数,以及对第四代PCIe的支持,Ice Lake处理器将帮助客户解决包括生命科学、材料科学和天气建模等多个学科的科学挑战。
早期测试表明,对比搭载64核处理器的竞品x86系统,采用32核双路系统的Ice Lake处理器能够以一半数量的处理器内核为特定工作负载提供更高的性能。对比搭载比32核Ice Lake处理器系统多一倍处理器内核的竞品x86系统,生命科学和金融服务应用类客户会在NAMD分子动力学模拟(最高1.2倍)、蒙特卡罗模拟(最高1.3倍)和LAMMPS分子建模模拟(最高1.2倍)等工作负载上都获得更高的性能。
诸多客户正在采用Ice Lake来满足自身对新一代高性能计算的需求,包括:
英特尔Xe-HP GPU为美国阿贡国家实验室开辟通向E级计算之路
在2020年超级计算大会上,英特尔和美国阿贡国家实验室(Argonne National Laboratory)宣布双方将基于英特尔Xe-HP微架构的GPU和英特尔oneAPI工具包,共同设计和验证E级应用。阿贡国家实验室的开发者采用英特尔最新的异构计算编程环境,以确保科学应用能够支持正在部署的Aurora超级计算机的规模和架构。
Xe-HP GPU为阿贡国家实验室提供了面向英特尔 Xe-HPC GPU(“Ponte Vecchio”)的开发工具,后者将被应用于Aurora系统。
面向高性能计算的英特尔精选解决方案
英特尔近期宣布,数家新的合作伙伴已经验证并正在提供采用了英特尔精选解决方案的高性能计算优化解决方案,这些合作伙伴包括:
AWS宣布将面向模拟和建模的英特尔精选解决方案集成到其ParallelCluster环境中。利用英特尔优化的环境,客户可以在AWS上轻松创建高性能、按需自动扩展的集群。该英特尔精选解决方案已经在AWS的c5n.18xlarge、m5n.24xlarge和r5n.24xlarge实例上进行了验证。
Penguin Computing正在部署面向高性能计算和AI融合集群的英特尔精选解决方案,使客户能够满足越来越高的同时运行AI和高性能计算工作负载的需求。
Advantech携手英特尔与GARAOTUS,为客户提供Advantech SKY-5240。Advantech SKY-5240满足了基因组学应用的高性能计算需求,并已经通过验证,成为面向基因组分析的英特尔精选解决方案。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。