图灵奖得主Jack Dongarra：高性能计算与AI大融合，如何颠覆科学计算(3)

“和而不同”的HPC& ML/AI

HPC和ML计算有着即相似又不同的特性。HPC属于数字计算密集型的，通常输入非常有限的数据，经过非常大量的数字计算，输出大量的数据。而在ML领域进行高性能数据处理（HPDA），通常需要输入大量的数据，输出的却是相对比较少的数据。两者使用的数据精度也非常不同，在科学仿真等高性能计算场景下通常使用64比特浮点数据，而在机器学习场景下会使用16比特浮点数据。

AI在科学研究的诸多不同的方面发挥着非常重要的作用：AI能够在不同领域辅助科学发现，提高计算体系结构的性能，以及在边缘管理和处理大量数据。因此，在科学计算领域机器学习等技术被应用到气候学、生物学、药学、流行病学、材料学、宇宙学甚至高能物理等等很多学科以提供增强的模型和更先进的仿真方法。比如，用深度学习辅助药品研发、预测流行病以及对基于医学影像的肿瘤进行分类等等。

科研仿真和AI计算可以非常有效地进行联合，因为二者都需要模型和数据。通常，仿真使用（数学）模型产生数据，（AI）分析使用数据来生成模型。使用分析方法得到的模型和其他的模型一起可以被用到仿真中去；仿真产生的数据和其他来源的数据一起可以被用于分析。这样就形成了一个相互促进的良性循环。

除了在具体的应用领域相互补充之外，HPC&AI在基本开发方法、软件与软件基础设施和AI硬件架构等领域都有非常多的联系。同时也将二者更广泛地联系起来，比如：AI可以用来引导仿真、更快地调整仿真应用的参数、提供定制化的计算核函数，以及将传统的HPC和神经形态计算相结合等很多内容。AI&ML具有颠覆性的影响力，正如通常所说：「AL&ML并不会代替科学家，但是使用AI&ML工具的科学家会代替那些不使用这些工具的科学家」。

展望未来： HPC系统将更加定制化

未来的HPC系统将可以被定制化。当前，HPC主要有CPU和GPU两种类型的处理器，未来将采用更多不同的单元，比如FPGA、ML加速器和ASIC芯片等等。更多采用不同结构和范式的处理器将会越来越多地添加HPC计算系统当中，比如神经形态处理处理、量子计算以及光计算等或将发挥越来越重要作用。在构建新的HPC系统的时候，人们将能够按需使用相应的模块与功能。