我猜，我們是最早和你說春天來了的人。
一年前，我們還在小心謹慎地定義著Cloud HPC，一臉嬌羞地拿Novartis 諾華制藥在5年前做的案例當作標桿。
不久前，Hyperion Research正式宣布2019年是Cloud HPC的轉折年。
暴風哭泣，云端高性能計算終于有了姓名。
HPC：HighPerformance Computing高性能計算，換句話說，對算力要求高
這一年，我們幫不少用戶落地了云端算力解決方案。像我們老板說的，對用戶來說，最重要的是提供一種Accessibility（可觸達），后面的Efficiency（效率）都是水到渠成的事兒。
同時，我們也看到很多用戶在云的邊緣瘋狂試探，等某個未知的神秘力量來推上一把；還有些用戶驚喜地發現，我們提供了一種解決他們現有問題的新思路。
今天，我們盤一盤國內外Cloud HPC現在的局面：
1. 全球越來越多企業踏足HPC領域，AI和高性能數據分析首當其沖
2. 不同Cloud HPC細分領域未來5年年均復合增長率超過21%
3. 從兩個全球超大規模CPU、GPU的溢出到云案例看云的可伸縮彈性能力
4. 我們觀察到的國內外部分行業用云現狀：制藥/基因測序/EDA/CAE/高校
溢出到云：本地不夠，云來補上的意思
友情提醒：如果你還在為算力不足而頭疼，或對云有所期待，此文建議轉發給你的老板，讓我們等待一個“真香”~~
全球越來越多企業踏足HPC領域，AI和高性能數據分析首當其沖
全球越來越多企業級用戶開始踏足HPC領域，比如欺詐/異常檢測、商業智能、關聯營銷、精準醫療、智慧城市、物聯網等等。
大數據和HPC的結合提供了很多新的解決方案，基于HPDA高性能數據分析的AI人工智能，ML機器學習，DL深度學習是最熱的領域。
HPDA高性能數據分析領域的增長速度超過HPC市場整體增長速度。
AI領域的增長速度高于整個HPDA高性能數據分析領域的增長速度。
眾所周知：AI現在還處在早期發展階段。推理功能弱，主要解決觀察識別類問題，而不是決策問題。比較落地的應用場景是在圖像和聲音識別，高級駕駛輔助系統，MRI醫療影像識別領域。
AI不是什么包治百病的神奇藥丸，不過是數學罷了。
從OPENAI在2019年11月發布的圖片中就能明顯看出，自2012年以來，AI訓練對計算的要求3、4個月就會翻一倍。在可見的未來，這個趨勢應該會持續。
不同Cloud HPC細分領域，未來5年年均復合增長率超過21%
Hyperion Research預測未來5年HPC用戶的用云趨勢：
這個圖不包括沒有任何本地機器，天生用云的用戶。
縱軸指的是用戶在第三方云資源上的花費，包括了公有云，混合云，第三方搭建的私有云。
不同Cloud HPC細分領域未來5年年均復合增長率都超過了21%。
生命科學、EDA半導體領域甚至超過了25%。
從兩個全球超大規模CPU、GPU的溢出到云案例看云的可伸縮彈性能力
關于為什么要用云這個問題。
Hyperion Research的調查結果跟ANSYS不謀而合。
對用戶來說，云的可伸縮彈性是當之無愧的第一大法寶。
那云的彈性現在到底大到什么程度？
我們看看兩個全球超大規模CPU、GPU的溢出到云的案例。
CPU。
2019年10月，克萊姆森大學計算學院（Clemson University School of Computing）創下了云端高性能計算領域一個記錄。
他們花了大概5萬美金，運行了4個小時，使用214萬個vCPU在Google云上跑了一個數據密集型應用，在200萬小時的視頻中對車輛進行計數，視頻數據文件大小為210TB。
這是個概念驗證實驗，為了驗證在現實數據量極大，時間緊迫的情況下，云端高性能計算有能力為應急處理提供決策支持。有了云計算，公司或組織不需要擁有大量機器，或者停止手頭上一切工作來處理應急情況。
GPU。
2019年11月，SDSC圣地亞哥超級計算中心聯合威斯康星州冰立方粒子天體物理中心（Wisconsin IceCube Particle Astrophysics Center）在AWS，Azure和Google云上一共調度了超過5萬GPU完成一次仿真模擬計算試驗。
黑線是用于計算的GPU數量，最高達到51,500個。
不同顏色代表在某家云廠商的某個區域購買的GPU數量。
PFLOP32s的峰值約為350。
相比之下，美國橡樹嶺國家實驗室Summit系統的名義性能約為400 PFLOP32s。
因此，這次計算，基于云的集群提供了全球排名第一超算中心峰值90%的性能。
IceCube的Riedel說：
“這場實驗主要有三個目標：一是用于天體物理學模擬仿真研究；第二是測試網絡基礎設施是不是做好了未來E級計算的準備；第三是想測一下一個小時左右的時間內，能買到多少商用云計算GPU資源。這次調度了三大洲（北美、歐洲和亞洲）28個區域的所有可用GPU。結果說明云端彈性可以沖擊非常大規模的GPU，適用于天文學和其他科學領域的廣泛挑戰。”
我們觀察到的國內外部分行業上云現狀：制藥/基因測序/EDA/CAE/高校
制藥/新藥研發領域
計算機輔助藥物設計（Computer-Aided Drug Design，CADD），國內相比于美國、英國等國家，的確有點落后，但是發展速度非?？欤呀洺蔀樗幬镅邪l流程中不可或缺的一部分。
要求越高越準確，需要的數據就更多，計算量就越大。
怎么利用計算工具和資源，解決新藥研發過程中的各種問題？
怎么找到具備復合能力的人才？
是這個領域最受關注的問題。
人才方面，我們可以盡可能幫助企業降低對他們的各種云、HPC技術等方面的知識技能要求，更專注在藥物研發業務方向。
計算這一塊，拿虛擬篩選來舉例。我們能幫助用戶讓過去需要耗費幾個月的篩選時間縮短到1天以內。
案例：我們用Schrodinger（薛定諤）輔助用戶對7.8億多個分子進行了篩選，用了云上的幾萬個Core，計算時長僅花費了3-13個小時（每個Core上所需時間不一樣）。
詳情可聯系文末小F
基因測序/精準醫療領域
基因測序天然地數據量大，而且計算復雜程度高，整個分析工作流程復雜，經常需要修改算法。
這個領域主要關注測序技術的發展和數據計算和分析。
怎么拿到數據？
怎么在最短時間內對海量生物數據進行計算，找出單個基因或多個基因組合和一系列疾病的關系？
對云的需求主要基于兩點：
一個是計算量有明顯季節性。而本地計算資源的分析能力有限，升級成本高，云的彈性伸縮能力能很好地應對；
第二是主要是消費級基因公司對計算的時效性要求高。
案例：我們有個基因用戶就要求8小時內處理完當日5點前數據，而且每天對計算資源的要求很不確定，只有計算時間要求是固定的，這種情況下云端算力就是比較理想的解決方案。而且我們還能將其復雜的分析流程進行優化封裝，進一步提升計算效率。
詳情可聯系文末小F
CAE/CFD領域
ANSYS作為CAE仿真里的巨頭，也是目前唯一一個真正采用云端計費模式的企業。他們在2019年5月做的調查顯示：云端仿真有很大的增長潛力。
市場變化很快：
在未來的12個月，大多數預計將使用SaaS解決方案(62%)，其次是公有云(45%)，緊隨其后的是混合云解決方案：私有云+合作伙伴管理的數據中心(44%)或私有云+合作伙伴管理的公有云(40%)。
案例：我們幫助一家風電新能源用戶優化他們的核心應用Bladed，利用云上更新，主頻更高的CPU硬件最大化發揮應用性能，調度任務同時支持本地和云上的Windows節點和Linux節點。
詳情可聯系文末小F
EDA/半導體
放眼全球，整個半導體產業鏈核心角色：EDA軟件/Foundry/Fabless芯片設計公司/IP廠商無一缺席，早在幾年前就在布局上云。三大EDA巨頭Synopsys/Cadence/Mentor和芯片制造廠TSMC臺積電可以說引領了整個行業。
國內半導體行業已經在暗中追趕。
從AI芯片初創企業到大型Foundry芯片代工廠，從SaaS模式到多區域+多公有云的混合模式，到多云PaaS平臺的搭建。我們編了一本《半導體行業解決方案白皮書》。
詳情可聯系文末小F
接下來幾年，我們拭目以待。
高校/科研
高校一直走在科研界的最前沿。但他們面臨的問題也十分明顯：
- 人手不足，項目時間有限
- 不管是云，還是HPC，非計算機專業使用門檻高
- 本地機器過舊，資源少，申請新機器困難
- 學校IT支持往往也不足
對很多高校來說，500 core的計算資源峰值需求就足以成為一個障礙。
除了常用的工程應用，生物分析，化學計算等常見高性能計算場景，不少高校和科研院所都在搭建自己的一站式AI計算平臺或AI實驗室，滿足自身人工智能應用創新開發或者學校的AI課程相關實驗等需求。
在汽車出現之前，我們只想要更快的馬。
汽車出現之后帶來的很多可能性，在馬的時代都是不可想象的。
現在，又到了發揮想象力的時候啦~
祝大年新春大吉鴨！
- END -
關于我們：
速石科技專為有高算力需求的企業級用戶提供一站式算力運營解決方案，幫助用戶提升10-20倍業務運算效率，降低成本達到75%以上，加快市場響應速度。目前主要應用領域包括藥物研發、基因測序分析、半導體行業的EDA仿真及電路設計、汽車行業的自動駕駛開發、虛擬碰撞試驗以及AI人工智能。
想了解更多，可添加小F微信（ID：imfastone）
文章推薦：
>>靈魂畫師，在線科普多云平臺/CMP云管平臺/中間件/虛擬化/容器是個啥
>>AWS、阿里云、Azure、Google Cloud、華為云、騰訊云 各種云服務器價格收費對比（上）
>>云資源中的低成本戰斗機——競價實例，AWS、阿里云等六家云廠商完全用戶使用指南
