近几年,算力迎来高速发展的新阶段,像农业时代的水力、工业时代的电力一样,数字经济时代的算力成为国民经济发展的重要基础和科技竞争的新焦点。随着“十四五”时期信息化建设的全面加速以及国家政策的大力扶持,中国的高性能计算飞速发展,除了国家级的超级计算中心,各高校的高性能计算平台也在不断地建立和发展,超算人才的队伍不断壮大。

高性能计算走向平民化
北京大学计算中心系统管理室主任、北京大学计算与数字经济研究院算力网络研究中心主任樊春主导建设了北京大学高性能计算校级公共平台,在第十八届CCF全国高性能计算学术年会举办期间,樊春老师接受了人民日报数字传播的专访。“随着高性能计算的大力发展,高性能计算走向平民化,大量传统学科纷纷开始在研究中使用高性能计算。”随着平台投入使用,樊春老师发现不仅数学、统计学、力学、物理学、化学等学科的师生和科研人员在使用,一些文科学科也开始使用高性能计算平台。
高校超算一般承担着高校科研团队的学生教学培养和科研项目所需的中小规模计算任务,是我国新型算力网络体系中不可或缺的组成部分。主要面向校内师生的北京大学高性能计算平台如今已有2800多名用户,是北京大学重要的科研支撑环境。北京大学的高性能计算平台始终处于高效能的使用状态,学生能便捷地通过网站展示,根据平台运行状况去选择资源空闲的集群提交任务和作业。而优质、高效的高性能计算服务对高校取得突破性研究成果起到了助推作用。樊春老师介绍,平台自投入运行以来,助力学校科研团队发表了近700篇高水平论文,支撑了国家技术发明一等奖、戈登贝尔奖等多项大奖。
高性能计算在优化中更好地服务社会
以前,学生只能使用笔记本完成课程计算作业,而使用高性能计算平台能够帮助他们完成更大规模的计算任务。这种使用感受不仅有助于作业水平的提升,更有助于激发学生学习兴趣,提高学习热情。樊春老师和其团队多年深入一线运营,积累了丰富的高性能计算平台运行维护经验。在本届年会第七届高校高性能计算平台应用交流论坛上,首次公开分享了由北京大学计算与数字经济研究院算力网络研究中心团队自主研制的开源算力中心门户和管理平台——SCOW(Super Computing On Web)。该平台系统通过简化集群软件部署流程、统一平台管理模式、提供图形化操作界面、降低用户使用门槛,实现算力中心资源易管理、易使用的目标,提高算力资源使用效率。可以预见,在更高效便捷的模式下,高性能计算将吸引更多学生使用,助力更多课程教学,提升学生们的计算思维与计算技能。
在谈到未来,高性能计算如何更好地服务社会,樊春老师提到三点。一是汇聚算力建设方、算力运营方、网络运营方、算力消费方、算力中介服务方等多方主体,搭建产学研用交流平台;协同推进算力网络相关标准制定,在技术路线、架构体系、标准化制定上形成共识,加快技术及商业落地。二是联合开展核心关键技术攻关,推动算力网络智能化、可信化、绿色化发展;加快高端芯片、新型数据中心、超算等领域的开发突破,打造超算安全自主生态。三是聚力推进体制机制创新,探索建立算力交易配套体制机制,健全数据资源流通应用机制。
“新算力 新赋能 新未来”世界见证着中国高性能计算的飞速发展,随着高性能计算走向平民化,意味着更多人可以使用超算,享受算力为日常生活带来的便捷、高效。
好文章,需要你的鼓励
阿里纳德数据中心与Calibrant Energy合作开发首创电池储能系统,通过绕过传统电网升级时间线,使俄勒冈州希尔斯伯勒在建数据中心园区提前数年上线。该31兆瓦、62兆瓦时储能系统计划2026年投运,将作为响应电网的动态资产,在需求高峰期放电,增强区域电网可靠性。这标志着美国首次使用专用电池系统加速大型数据中心并网。
威斯康星大学研究团队开发了LUMINA系统,专门检测AI在回答问题时的"撒谎"行为。该系统发现AI有时会忽视提供的参考资料,固执地依赖内部知识生成不准确回答。LUMINA通过监测AI对外部文档和内部知识的依赖程度来识别这种行为,在多个测试中达到90%以上的准确率,比以往方法提升13%,为构建更可信的AI系统提供了重要工具。
微软在Edge浏览器中推出增强版Copilot模式,提供更强大的AI代理功能,目前在美国进行限量预览。该模式包含Actions和Journeys两大功能:Actions让浏览器能代表用户执行任务,如语音控制打开网页或查找文章特定内容;Journeys则记住用户浏览历史,帮助用户继续之前的研究任务。此举正值AI浏览器竞争加剧,OpenAI推出ChatGPT Atlas、Perplexity发布Comet、谷歌集成Gemini到Chrome。目前Chrome占据71%市场份额,Edge仅占4.67%。
这项由法国CentraleSupélec大学领导的研究通过严格控制的实验,系统比较了AI的推理训练与传统训练方式。研究发现推理训练在数学、开放式任务中效果显著,但需要70亿参数以上模型才能充分发挥优势,且成本增加明显。研究为AI开发者提供了明确的应用指导,有助于根据具体场景选择最优训练策略。