Teknologien bevæger sig utrolig hurtigt. Du køber måske standardtablets eller en almindelig bærbar computer til et skoledistrikt i dag. Fremtidens virkelige magi sker dog langt væk i massive datacentre. Kæmpemaskiner behandler bjerge af information for at gøre vores hverdagselektronik smartere og hurtigere. Dette indlæg forklarer, hvordan massiv computerkraft og AI former de gadgets, vi alle er afhængige af. Læs videre for at se, hvordan morgendagens forbrugerhardware bliver designet af nutidens mest avancerede systemer.

Hvad er en supercomputer præcis, og hvordan beregner den?

A supercomputer er i det væsentlige en høj kraftfuld computer. Det er specifikt designet til at køre massive opgaver. Det kan det sagtens løse komplekse problemer som en normal maskine simpelthen ikke kan klare. Når ingeniører måler ydeevne af en supercomputer, ser de ikke på standard clock-hastigheder, som du ville på en hjemme-pc. I stedet er dens hastighed målt i flydende kommaoperationer pr sekund. Vi kalder dette almindeligvis en flop.

At nå dette utrolige præstationsniveau, en enkelt supercomputer kan indeholde titusindvis af processorer. Disse små dele arbejder meget tæt sammen for at fungere som én kæmpe hjerne. Massiv supercomputere laves af mindre fysiske stykker, der er grupperet i computerknudepunkter. Disse beregne noder tackle små brikker af et kæmpe puslespil på samme tid. De behandler billioner af beregninger i sekundet i et svimlende tempo.

Denne massive beregne magt er helt afgørende for moderne AI. Uanset om man forudsiger shoppingtrends eller træner smarte stemmeassistenter, AI har brug for store ressourcer. Supercomputere er det også bruges til at teste software- og hardwaredesign, der til sidst lander på forbrugerens enheder. Hver ny tablet eller smartphone nyder godt af de tunge løft udført af en supercomputer længe før produktet kommer på hylderne.

Hvordan begyndte supercomputing i computerhistorien?

Historien om supercomputing startede for mange årtier siden. Den første supercomputer blev født, da tidlige videnskabsmænd og militæringeniører ønskede mere fart. Seymour Cray var en legendarisk figur i denne tidlige æra. Han designede den berømte CDC 6600 mens du arbejder kl Control Data Corporation. Mange historikere kalder CDC 6600 det modernes sande udgangspunkt computerteknologi.

Før den maskine ankom, var der andre projekter som f.eks IBM 7030 eksisterede. Specifikt IBM 7030 Stretch forsøgte at rykke grænserne for, hvad en maskine kunne gøre. Men Seymour Cray brugt smarte køledesigns og tætte ledninger for at gøre sin maskine meget hurtigere. Tidligt supercomputere bruger unikke ledningsmønstre for at reducere signalforsinkelser mellem dele. De var vidt forskellige fra alt andet bygget på det tidspunkt.

Tilbage i de tidlige dage blev en maskines hastighed nogle gange simpelthen vurderet ind million instruktioner i sekundet. Det virker utroligt langsomt i dag! Nu, moderne AI modeller kræver meget mere end det. Men de tidlige dage satte scenen. De beviste, at mennesker kunne bygge massive maskiner til at håndtere skør matematik.

Hvorfor er almindelige computere anderledes end en højtydende computer?

Tænk på den enhed, der sidder på dit skrivebord lige nu. En standard desktop eller en virksomhed 16 tommer bærbar DS160N95 er fantastisk til det daglige arbejde. Almindelige computere har normalt en enkelt hovedledning processor. De har måske en håndfuld CPU-kerner. men a højtydende computer er et helt andet udyr.

En grundlæggende computersystem varetager én persons opgaver ad gangen. Det kan bruge en standard operativsystem som Windows eller Android. I modsætning hertil massive forskningsmaskiner indeholde titusinder af dele. Det har de titusindvis af noder arbejder på én gang. Når du skriver på en bærbar, det føles meget hurtigt for dig. Men det kan ikke køre globalt AI simulering eller modellering af det menneskelige genom.

Din hverdag personlige computere er bygget til lave omkostninger, bærbarhed og lav varme. Et kæmpe anlæg skal omhyggeligt håndtere ekstreme strømforbrug. En standard bærbar nipper langsomt til batteriet. En massiv datafacilitet bruger nok strøm til at lyse en lille by op!

• Laptop: 1 CPU, 8-16 GB RAM, kører på batteri, bygget til 1 bruger.
• Supercomputer: Millioner af kerner, petabytes RAM, har brug for et kraftværk, bygget til enorme datasæt.

Hvordan optimerer parallel behandling en computerklynge?

For at gøre maskiner hurtigere, forbinder ingeniører tusindvis af dem sammen. Dette skaber et kæmpe netværk kaldet a klynge. Inde i en klynge, dele skal tale hurtigt. De bruger en speciel, høj hastighed sammenkoble kabelsystem. Dette hjælper til optimere datastrømmen mellem alle dele.

Ingeniører bruge parallel behandling at opdele arbejdsbyrden. Grundlæggende supercomputing er en form af parallel bearbejdning. Det deler et kæmpe arbejde i små bidder. Så hundreder eller tusinder af chips løser disse bits på nøjagtig samme tid. Denne enkle idé om parallelitet er det, der får magien til at ske. Tænk på det som at lave et kæmpe måltid: En kok tager lang tid, men hundrede kokke, der arbejder sammen, er færdige på få minutter.

Ordet supercomputing bruges nogle gange synonymt med HPC (høj ydeevne computing). At klare en tung arbejdsbyrde, den kontrollerende software skal være meget smart. I dag, AI programmer er bygget til at sprede sig perfekt ud over en klynge. Denne teknik kaldes massivt parallel bearbejdning. Det giver hele systemet utroligt gennemløb og effektivitet.

Hvordan vil AI flytte grænserne for beregningskraft?

I dag, AI er den største drivkraft for teknologiindustrien. Træning af en ny AI kræver en enorm mængde beregning. Der er specifikke problemer der kræver ekstrem matematik at løse. Den komplekse og store beregninger anvendt af neurale netværk er svimlende. Faktisk store beregninger brugt af supercomputere i dag er næsten mest til AI forskning.

At klare det her tunge beregningsmæssigt belastning, standard chips er bare ikke nok. Vi stoler meget på grafiske behandlingsenheder eller GPU'er. A grafisk chip er helt perfekt til AI. Den laver mange simple matematiske problemer på samme tid. Virksomheder kan lide Intel og Nvidia bygger specifikke dele netop af denne grund.

Disse AI opgaver forbedrer de gadgets, du køber hver dag. For eksempel har det smarte kamera funktioner i vores10,1 tommer Tablet X12 Pro stole på AI modeller, der oprindeligt blev trænet på massive maskiner. Det utrolige processorkraft af en kæmpe facilitet gør i sidste ende din lille tablet smartere og mere hjælpsom.

Cloud Computing vs. lokal HPC: Hvilken vinder for AI i stor skala?

Ikke alle har penge til at købe en kæmpe serverfacilitet. Det er præcis her cloud computing træder ind. Cloud computing lader virksomheder leje strøm over internettet. Du får højtydende databehandling uden at skulle bygge et kæmpestort, støjende rum fyldt med servere.

For storstilet AI projekter, er skyen fantastisk. Du kan leje et lille stykke af verdens hurtigste supercomputer for blot et par timer. Den højtydende databehandling verden har fuldt ud taget denne idé til sig. Det gør HPC tilgængelig for mindre mærker og skoler.

Det er dog stadig vigtigt for nogle at eje lokal hardware. Nogle meget sikre data kan ikke gå til den offentlige sky. Så virksomheder bygger deres egen mini HPC værelser. Uanset om du lejer det online eller køber det, har du brug for massivt beregne ressourcer til at forblive konkurrencedygtige i nutiden AI race.

"Skyen demokratiserede adgangen til ekstrem computerkraft. Nu kan enhver startup træne en AI-model."

Hvordan ændrer vejrudsigten sig takket være Supercomputing?

En klassisk use case til massive maskiner er vejrudsigt. Supercomputere kan bruges at forudsige voldsomme storme og klimaændringer. Agenturer som National Oceanic and Atmospheric Administration stole meget på dem. De indtager milliarder af datapunkter fra satellitter hver dag.

De bruger dette hav af data til præcist simulere atmosfæren. Ved at gøre dette kan de forudsige ekstreme vejrbegivenheder dage før de sker. De giver realtid advarsler, der redder liv og ejendom. Dette kræver at lave kompleks matematik millioner af gange i sekundet.

Den beregningsmæssigt modeller for vejr ligner ret meget AI modeller. De har begge brug for enorme mængder data for at lære. En enkelt beregning kan ikke tage lang tid for en normal computer. Men at gøre milliarder af dem på én gang kræver seriøs, dedikeret kraft.

Hvad er rollen for supercomputere med særlige formål i AI?

Nogle gange er en generel maskine simpelthen ikke det bedste værktøj til jobbet. Det er hvornår supercomputere til særlige formål skinne. De er bygget fra bunden til ét bestemt job. Det er de designet til at køre en præcis type beregning perfekt, uden at spilde energi på andet.

For eksempel bygger forskere maskiner bare for at studere kvantemekanik. Det fysiske arkitektur er tunet udelukkende til den nøjagtige videnskab. I den AI verden bygger virksomheder tilpassede chips kun til neurale netværk. Det er disse ikke almindelige computere der kører en browser eller et tekstbehandlingsprogram.

Fordi de fokuserer udelukkende på én ting, er de utrolig effektive. Det kan de sagtens være 10 gange hurtigere på det ene job end en generel maskine. De spilder ikke energi på en hverdag operativsystem. De knuser bare de tal, de er bygget til at knække. Dette høj ydeevne giver mulighed for gennembrud i AI det var umuligt for ti år siden.

Vil en supercomputer en dag passe i en bærbar?

Teknikken skrumper altid med tiden. Den meget hurtigste supercomputer fra tyve år siden knap havde en moderne smartphones kraft. Så vil nutidens giganter til sidst passe ind i en lille bærbar? Svaret er både ja og nej.

Moderne supercomputere er fysisk massive. For eksempel når nogle maskiner en betagende hastighed på 442 petaflops. (A petaflops er en kvadrillion flydende kommaoperationer pr. sekund). Du får simpelthen ikke så meget varme og energi i en bærbar når som helst snart! En enhed som vores 14,1 tommer robust bærbar DS141 er ekstremt hård, men den kan ikke klare megawattene af strømforbrug nødvendigt til det.

Imidlertid processor inde i dit hjem computer vil blive ved med at blive meget bedre. En enkelt kerne i dag er der mange gange hurtigere end gamle mainframes. Vi har nu dele fra Intel som konkurrerer med hele serverrum fra 1990'erne. Din fremtid bærbar vil håndtere lokalt AI opgaver med utrolig lethed.

Hvordan ser feltet af computational AI ud i morgen?

Det spændende beregningsområdet videnskab blander sig totalt med AI. Vi ser gigantiske systemer, der opererer steder som f.eks Los Alamos National Laboratory og Oak Ridge National Laboratory. De skubber konstant de absolutte grænser for, hvad en computer kan gøre.

Fremtidige maskiner vil problemfrit blande sig normalt centrale behandlingsenheder med helt ny teknologi. Vi vil se mere specialiserede vektor computere bliver brugt. A vektor chip er fantastisk til bestemte typer matematik, der AI elsker. De vil bruge massivt parallel bearbejdning at træne AI endnu hurtigere end i dag.

Toppen supercomputere i verden vil blive ved med at slå nye hastighedsrekorder. Snart vil vi tale om exaflops i stedet for petaflops. Og alt dette beregningsmæssigt magten vil til sidst sive ned til os. Det vil gøre hver computer vi bruger – fra serverne i skyen til tabletten i din hånd – bedre, hurtigere og meget smartere.

Resumé

Når vi ser på de utrolige spring ind beregne teknologi, er det klart, at massiv forarbejdning former vores fremtid. Fra uddannelse avanceret AI til at forudsige vejret er ekstrem hardware den usynlige rygrad i det moderne liv.

• A supercomputer er en massiv computer bygget til at køre kompleks matematik meget hurtigt.
• Ydeevne er det meste målt i flydende kommaoperationer pr andet, kendt som en flop.
• AI er stærkt afhængig af beregningsmæssigt strøm leveret af grafiske behandlingsenheder (GPU'er).
• Moderne faciliteter bruge parallel behandling at dele et stort arbejde på tværs hundreder eller tusinder af chips.
• Cloud computing gør højtydende databehandling tilgængelig for mindre virksomheder.
• Den beregningsområdet videnskaben fortsætter med at vokse, skubbet frem af laboratorier og nye processor designs.