机器学习通常可以被认为是由“训练”的学习阶段和 “推理”的“做”阶段组成。看起来我们需要更多的循环进行推理而不是更多循环进行训练，特别是当我们看到机器学习无处不在地嵌入到身边的解决方案中时。市场分析师估计，推理硬件市场是训练硬件规模的5-10倍。
有了这么大的市场机会，毫不奇怪，所有人都希望进入市场更大的推理市场。推理已在FPGA，GPU，DSP和众多定制ASIC处理器上运行。功耗，延迟和总体成本都是卖点。高性能、低延迟、易于重新编程的FPGA似乎是补充当前CPU主导的推理市场的合理选择，时间会证明。
跟着市场的选择，您将看到推理工作负载将对包括HPC在内的所有计算产生重大影响。
1、应用程序的融合：不是在“重新思考”之后进行替换 ，“融合”两全其美，扩展工作负载多样性并看到不同工作负载的融合
那些有远见的人已经证明，HPC和AI结合时有很多机会。鼓舞人心的研究范围从拥有一个中立的网络学习到“ 像蒙特卡罗模拟一样 ”，具有非常好的结果，只需要一小部分计算需求; 将系统整合到能够预测极端天气的模式，如飓风，或天气预报系统。生成对抗网络(GAN)是一类机器学习系统，许多人都非常重视，GAN无疑有助于融合HPC和AI / ML。
虽然现在很少有应用结合HPC算法和AI技术，基于早期的结果，我很容易预测这是HPC应用的未来，并且将因为AI带来HPC最大的变化。
理解这十种力量
计算在某种意义上并没有改变：它完全取决于整个系统对用户的作用。虽然需求有变化，但一个完整的系统由硬件起来和软件组成不会改变。实际上，很容易被单一技术(硬件或软件)分散注意力; 最好的系统会谨慎地应用最新技术，我非常偏爱地称其为“选择性加速” ，强调在重要时使用加速。当我经常使用Python时，我喜欢Python加速(一种依赖CPU的软件技术)。当我需要低延迟推理时，我喜欢FPGA加速。当我只需要一点加速时，我不使用任何一个。这是建立平衡系统的艺术。这前十的名单并没有打破为多用途机器提供最佳整体效果现实的平衡。
结论：AI将使用HPC，这将永远改变HPC
显然AI将使用HPC，这将永远改变HPC。事实上，AI可能是HPC历史上最大的变革推动者。HPC随着科技的发展不断进步，工作负载也将随着人工智能的发展而变化。我不认为辩论收敛与交叉给予足够的信任的概念，人工智能用户将加入HPC社区，并留下自己的标记。他们也将使用非HPC系统，就像其他HPC用户一样。
将有专为AI工作负载设计和构建的定制高性能机器，其他机器的AI工作负载也在可以在更通用的高性能设备上运行。要平衡机器的高性能和灵活才能实现加速。在所有情况下，人工智能将有助于定义未来什么是超级计算，这将永远改变HPC。
(责任编辑：北京网站建设,北京网站制作公司)
