超智融合发展趋势与技术路径研究报告.pptx

目录CONTENTS

P05第一章超智融合发展背景

P06一、人工智能催生的巨大算力需求推动超算向适AI化升级

P09二、算力赋能人工智能的关键在于算力设施向超算与智算融合演进

P19第二章超智融合重塑计算格局

P19一、超智融合的内涵范畴

P22二、超智融合的三个阶段

P26三、超智融合的关键能力

P29第三章超智融合技术路径创新

P30一、算力架构

P34二、算力调度

P37三、算力服务和运营

P39四、数据安全和隐私保护

P41第四章超智融合新型应用场景和实践案例

P42一、创新应用场景

P43二、典型案例

P45第五章超智融合进展和目标愿景

超智融合发展趋势与技术路径研究报告

超智融合发展背景

超智融合发展趋势与技术路径研究报告

CHAPTER1·超智融合发展背景

一、人工智能催生的巨大算力需求推动超算向适AI化升级

随着技术迭代发展，计算解决问题的范式也在不断变化。从早期的数学模型驱动，到数据驱动，再到AI赋能。超算与AI的融合正在重塑计算科学、IT产业和人类社会发展格局。中国在超算领域拥有深厚的技术积累，而应用侧对算力结构转型的迫切需求进一步推动了超智融合技术的快速发展。

超智融合是一个循序渐进的发展过程，它融合了超算强大的数据处理能力与人工智能的算法优化能力，可有效解决算力瓶颈，推动计算技术创新发展。超智融合不仅涉及数据、算法、业务等层面的融合创新，也对底层的计算、存储、网络等基础设施提出了相应要求。

（一）超智融合的历史演进。尽管人工神经网络早期的研究工作可以追溯至上世纪40年代，现代意义的超级计算机也在上世纪70年代问世，但在很长一段时间里，超级计算与人工智能似乎就象两条车道上并行奔跑的汽车，前者追求“算得快”，后者追求“算得巧”，相对独立发展。

进入本世纪10年代，随着英伟达公司开始推动GPU从传统图形渲染应用进入大规模并行计算领域，加上互联网大数据的爆发式增长，深度学习算法、CPU+GPU异构并

6

超智融合发展趋势与技术路径研究报告

行超级计算机、大规模数据集这三大要素开始汇集，进而开启了新一代人工智能日新月异的发展进程。超级计算机的强大算力与人工智能的深度神经网络算法，在大数据的催化下，开始走向融合。

在超智融合的早期探索阶段，一个具有里程碑意义的事件是在2012年多伦多大学研究团队使用NVIDIAGTX580GPU训练AlexNet，并在ILSVRC挑战赛上大获成功，开创了一种新的计算模式。在这一时期，尽管已经出现了大规模的CPU+GPU异构集群，如2010年出现的世界首个达到P级算力规模的异构超算曙光星云（采用2560块NvidiaC2050），但当时的GPU仍以双精度为主，低精度性能不足。

随着深度学习算法在图像识别、语音识别、自然语言处理等领域的大量应用，为提高各类模型的训练速度，并降低成本，以提供半精度、整型算力为主的专用AI芯片开始出现，如2016年谷歌发布的首个AI专用芯片TPU，2018年寒武纪发布的中国首款AI专用芯片MLU等。加之2017年谷歌提出Transformer架构，AI从小模型进入大模型时代，对低精度算力需求出现指数级增长。专门面向AI训练和推理的智能计算系统开始出现，并与传统的高性能计算机或超级计算机独立发展。

然而，近几年来，随着人工智能的进一步发展，如多模态大模型、科学大模型、行业智能体的出现，尤其是AI在行业专业领域里的泛化和深入应用，如AIforScience（科学智能），使得智能化任务更加复杂，应用场景日趋多样。无论是以双精度算力为主的传统超算，还是以半精度算力见长的智算系统都难以单独满足多元复杂的场景任务，对新型超智融合系统的需求日益迫切。2021年AlphaFold2对35万种蛋白质结构的成功预测，开启了新的科研范式，同时也对计算系统提出新的要求。新的超智融合计算系统，需同时满足数值模拟和神经网络计算任务，支持高精度、低精度和混合精度计算模式，并从传统的以CPU为中心转向以GPU为中心进行系统重构，对计算、存储、网络等子系统进行协同优化设计，同时系统的管理、运维和调度也要更加智能化。

（二）人工智能将助力超级计算机突