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着Cloud HPC，一臉嬌羞地拿Novartis 諾華製藥在5年前做的案例當作標杆。
不久前，Hyperion Research正式宣佈2019年是Cloud HPC的轉折年。
暴風哭泣，雲端高性能計算終於有了姓名。
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雲端算力解決方案。像我們老闆說的，對用戶來說，最重要的是提供一種Accessibility（可觸達），後面的Efficiency（效率）都是水到渠成的事兒。
同時，我們也看到很多用戶在雲的邊緣瘋狂試探，等某個未知的神祕力量來推上一把；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衝
2. 不同Cloud HPC細分領域未來5年年均複合增長率超過21%
3. 從兩個全球超大規模CPU、GPU的溢出到雲案例看雲的可伸縮彈性能力
4. 我們觀察到的國內外部分行業用雲現狀：製藥/基因測序/EDA/CAE/高校
溢出到雲：本地不夠，雲來補上的意思
友情提醒：如果你還在爲算力不足而頭疼，或對雲有所期待，此文建議轉發給你的老闆，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衝
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，基於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領域的增長速度高於整個HPDA高性能數據分析領域的增長速度。
衆所周知：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不是什麼包治百病的神奇藥丸，不過是數學罷了。
從OPENAI在2019年11月發佈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年年均複合增長率超過21%
Hyperion Research預測未來5年HPC用戶的用雲趨勢：
這個圖不包括沒有任何本地機器，天生用雲的用戶。
縱軸指的是用戶在第三方雲資源上的花費，包括了公有云，混合雲，第三方搭建的私有云。
不同Cloud HPC細分領域未來5年年均複合增長率都超過了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的溢出到雲案例看雲的可伸縮彈性能力
關於爲什麼要用雲這個問題。
Hyperion Research的調查結果跟ANSYS不謀而合。
對用戶來說，雲的可伸縮彈性是當之無愧的第一大法寶。
那雲的彈性現在到底大到什麼程度？
我們看看兩個全球超大規模CPU、GPU的溢出到雲的案例。
CPU。
2019年10月，克萊姆森大學計算學院（Clemson University School of Computing）創下了雲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雲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，視頻數據文件大小爲210TB。
這是個概念驗證實驗，爲了驗證在現實數據量極大，時間緊迫的情況下，雲端高性能計算有能力爲應急處理提供決策支持。有了雲計算，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。
整個計算過程，研究人員對雲端實例的彈性使用情況。
GPU。
2019年11月，SDSC聖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雲上一共調度了超過5萬GPU完成一次仿真模擬計算試驗。
圖片來源：Igor Sfiligoi, SDSC/加州大學聖地亞哥分校
黑線是用於計算的GPU數量，最高達到51,500個。
不同顏色代表在某家雲廠商的某個區域購買的GPU數量。
PFLOP32s的峯值約爲350。
相比之下，美國橡樹嶺國家實驗室Summit系統的名義性能約爲400 PFLOP32s。
因此，這次計算，基於雲的集羣提供了全球排名第一超算中心峯值90%的性能。
IceCube的Riedel說：
“這場實驗主要有三個目標：一是用於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，能買到多少商用雲計算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。結果說明雲端彈性可以衝擊非常大規模的GPU，適用於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雲現狀：製藥/基因測序/EDA/CAE/高校
製藥/新藥研發領域
計算機輔助藥物設計（Computer-Aided Drug Design，CADD），國內相比於美國、英國等國家，的確有點落後，但是發展速度非常快，已經成爲藥物研發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。
怎麼利用計算工具和資源，解決新藥研發過程中的各種問題？
怎麼找到具備複合能力的人才？
是這個領域最受關注的問題。
人才方面，我們可以儘可能幫助企業降低對他們的各種雲、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，用了雲上的幾萬個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）。
詳情可聯繫文末小F
基因測序/精準醫療領域
基因測序天然地數據量大，而且計算複雜程度高，整個分析工作流程複雜，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。
怎麼拿到數據？
怎麼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係？
對雲的需求主要基於兩點：
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，雲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，這種情況下雲端算力就是比較理想的解決方案。而且我們還能將其複雜的分析流程進行優化封裝，進一步提升計算效率。
詳情可聯繫文末小F
CAE/CFD領域
ANSYS作爲CAE仿真裏的巨頭，也是目前唯一一個真正採用雲端計費模式的企業。他們在2019年5月做的調查顯示：雲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%)，**緊隨其後的是混合雲解決方案：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，利用雲上更新，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雲上的Windows節點和Linux節點。
詳情可聯繫文末小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，早在幾年前就在佈局上雲。三大EDA巨頭Synopsys/Cadence/Mentor和芯片製造廠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，到多雲PaaS平臺的搭建。我們編了一本《半導體行業解決方案白皮書》。
詳情可聯繫文末小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：
1. 人手不足，項目時間有限
2. 不管是雲，還是HPC，非計算機專業使用門檻高
3. 本地機器過舊，資源少，申請新機器困難
4. 學校IT支持往往也不足
對很多高校來說，500 core的計算資源峯值需求就足以成爲一個障礙。
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。
汽車出現之後帶來的很多可能性，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 -
我們最近幹了件大事！！
花費4小時5500美元，速石科技躋身全球超算TOP500
