隨著人工智能的迅速興起，AI與超級計算的結合已成為不可阻擋的發展趨勢，復合型人才的需求便應運而生——超算競賽，便是新型人才培養的方式之一。而就在剛剛落幕的ASC19 中，便將HPC與AI做了完美結合。

超算和人工智能不再是平行線。

自2013年以來，中國超算一直在全球超級計算機排名中位居第一，直到去年6月美國發布了“Summit”，重新回到了超算領域的頂峰。這臺超級計算機是由IBM在英偉達幫助下開發，它的峰值計算能力可以達到每秒 20 億億次。

值得一提的是，Summit是第一臺既支持傳統計算，也支持運行人工智能應用程序的超級計算機，比如機器學習和神經網絡等運行都可以在其上實現。

據相關調研報告預測，到2020年，全球AI市場規模將有望達到1190億元，預計年復合增長率可達19.7%。而HPC(高性能計算機，也常被簡稱為超算)的發展的水平，則代表著人類利用工具、不斷拓展認知邊界的極限。

當高速運動的粒子碰撞之后，可能引發鏈式反應而釋放出巨額能量。當人工智能和超算結合在一起時，一款款冷冰冰的超級計算機，將擁有了像人一樣的自學和思考能力，而且回過頭來，還能秒殺人類。

很可能，在不遠的將來，人類在超級計算+人工智能面前，就可能像螞蟻面對人類一樣無力和脆弱。

終結者，即將到來！

HPC和AI將成為智能時代中的最強伴侶

未來，我們將進入一個人工智能研究及應用創新集中爆發的時代，人工智能只有在強大計算力的支持下，通過和成熟的算法、大數據相結合，才能真正做到改變世界。

算力、算法和大數據的進步，是AI發展的三大基礎。AphlaGo之所以接連戰勝人類頂尖圍棋選手，一方面得益于蒙特卡洛算法的突破，但AI服務器性能的提升、數以萬計的棋手對弈大數據，也是不可或缺的要素。

事實證明，算力、算法和大數據，人工智能這三大要素者之間是相互依存、相互制約的關系。如果算力不足，那么有再多的數據也無法進行有效地驅動和利用；如果算法停滯不前，那么在當面對多數據層級時，現有算力就會力不從心；如果沒有足夠龐大和關聯的數據，那么就像一部有絕佳性能的發動機和變速箱的超級跑車，但卻沒有燃油一樣，AI真正的威力也無從發揮。

目前，大量應用在算力上遇到了瓶頸，讓人類在不斷地探索HPC性能極限。在摩爾定律即將失效的今天，HPC在追求性能的同時也需要應對不斷提升的功耗挑戰，在功耗優化上，AI就可以大展身手。

HPC超強的算力，可以讓AI插上算力提升的翅膀，而AI也會反過來幫助HPC實現更優化的資源分配和能源管理，所以，在智能時代，HPC和AI成為了一對能互補和相互助力的最強伴侶。

但實際上，AI和HPC是兩個既有一定交叉，但又保持著很強獨立性的學科，在現實中，HPC和AI的發展，各自都存在著一些嚴峻挑戰，單獨解決起來都很困難，更何況要讓HPC和AI能協同創新。

目前人工智能在機器學習方面實現了巨大的突破，但人工智能要想在應用層面在做突破，將面臨三大挑戰：

第一，是數據的挑戰。大量的數據，既有結構化數據，又有非結構化數據，所以如何打通數據類型、結構的壁壘，讓大數據能被有效利用；

第二，是人才的挑戰。人工智能是一個全新的科學領域，有很多大學剛剛開始設立這個學科，目前人工智能方面的人才還非常緊缺，人才的短缺是第二個障礙；

第三，是資源的挑戰。存儲、計算等硬件需要各種各樣的架構，執行起來非常復雜。

而在超算方面，“應用難”是當前發展的最大障礙，主要四大難點：

是問題程序化難。科研人員難以將專業知識轉化成超級計算機能夠識別的語言。

第二，是數據快捷傳輸難。對于各個學科來說，需要超算分析和處理的應用模型都是很大的量級，這也意味著如果應用人員通過網絡上傳到超算中心的話，需要漫長的時間。

第三，是全程自動自行處理難。超算數據自行處理能力差。由于平臺的特殊性和應用的針對性，僅憑用戶個人很難對所有的程序進行有效的監管，在出現錯誤的時候也很難第一時間獲得報警。

第四，是數據應用難。超算數據應用水平低。超級計算機數據的應用是超算應用的終極目標，項目結束后需要提供對應的數據報告，對項目的結果進行分析，這是用戶非常關心的事情。如果依靠人力，依然是非常漫長而繁瑣的工作。

若是能夠成功解決上述方面的問題，HPC+AI組成的所謂“超級人工智能”必將顛覆人類社會！

HPC+AI，將是科技競備賽中的制勝點

超級計算是世界高端信息領域的戰略制高點，是整個高科技的重要支柱之一，也是體現我國科技競爭力和綜合國力的重要標志，具有基礎性、戰略性和標志性，是“國之重器”，其分量堪比“兩彈一星”。

超算意義重大，它不僅具有非常重要的社會需求，而且無可替代，更無法依賴國際市場，必須依靠我們自己來發展。從這個意義上說，無論怎樣重視都不過分。

而未來屬于年輕人，因此，在超算領域對年輕一代的培養至關重要。超算競賽，便是方式之一。

隨著互聯網、大數據、人工智能等新技術和新應用的快速發展，超算的應用領域和范圍還將進一步的拓展。對復合型人才的需求也就逐步增加。

少年強，則國強。大學階段既是增長知識的學習期，也是培養創新精神和工程能力的起步期。

ASC競賽通過吸引世界各國大學生廣泛參與，結合國際大科學問題和重大應用場景設置賽題，并且引入世界頂級的超算系統作為競賽平臺。為廣大的參賽選手搭建了一個開拓視野，交流技術，鍛煉能力，增進友誼的大舞臺。它將會對培養高水平復合型的超算人才發揮重要的作用。

ASC競賽發起人、中國工程院院士、浪潮集團首席科學家王恩東認為：

ASC一直致力于構建國際青年人才交流合作平臺，引導參賽學生發揮創造力和團隊精神。

通過設置國際大科學工程和人工智能等前沿技術賽題，讓年輕學子們親身感受關乎人類福祉和文明進步的全球重大挑戰，這將有助于培養具有國際視野、前沿技術思維的復合型超算及人工智能人才。

而就在剛剛落幕的ASC19，我們從賽題設置中也看到了HPC與AI結合的趨勢。

此次決賽，要求參賽大學生隊伍在3000瓦功耗約束下自行設計超算系統，包括：

運行優化國際通行基準測試

人工智能人臉超分辨率重建

地球系統模式CESM

基因測序組裝軟件wtdbg

神秘應用聲子計算軟件ShengBTE，以及其它前沿科學與工程應用。

其實近年來，ASC競賽中人工智能賽題一直是備受關注。ASC19 要求各參賽隊伍自行設計圖像超分辨率算法(Super-Resolution，簡稱SR)并訓練相應的AI模型，利用超級計算機在盡可能短的時間內將低分辨率圖像還原成高分辨率圖像，同時在相似度上符合標準。圖像超分辨率SR技術是幾十年來廣受關注的一項視覺計算技術，其目標是在低分辨率圖像恢復或重建為高分辨率圖像。

隨著深度學習技術特別是生成對抗網絡GAN被引入到SR研究中，這項技術可以廣泛應用于衛星和航天圖像分析、醫療圖像處理、壓縮圖像/視頻增強及其它應用領域。

對于參加ASC19 競賽的參賽隊員來說，人工智能應用圖像超分辨率SR賽題的挑戰在于，這些本科專業多為計算機科學、數學等的隊員們需要在兩三個月的時間內學習大量SR、深度學習相關的論文，設計出AI算法并在超算系統上完成模型訓練和不斷的算法優化。

同時，想要達到競賽要求并取得更好的成績，隊員們在設計模型時還需要充分考慮畸變參數和感知參數之間的平衡。2018年一項發表于CVPR的研究成果表明，SR技術存在一個有趣的“悖論”，即還原或重建的高分辨率圖像與原圖相似度越高，則肉眼觀察清晰度越差；反之，若肉眼觀察清晰度越好，則圖像的失真度越高。導致這一現象的原因在于畸變(Distortion)參數和感知(Perception)參數之間側重點選擇的不同。

中國工程院院士丁文華表示，ASC競賽設置這樣的賽題，就是希望隊員通過這道賽題打好深度學習、模型訓練與優化的基礎，促進SR技術在更多的場景應用。

SR賽題支持單位代表、中國科學院自動化研究所研究員程健表示，人工智能的發展帶來計算需求激增，訓練一個圖像分類模型需要千億億次浮點運算，快速、大量做圖像分辨率所需要的計算量更大。希望大學生們能更好地將超算與人工智能結合，為SR技術應用加速提供新思路。

可見，HPC+AI已經成為從技術、人才培養等多個方面成為重點關注的領域。二者的碰撞必將引發鏈式反應，釋放巨額能量；上升到戰略角度，也必將成為科技竟備賽中的制勝點！

ASC往屆精彩回顧：打開人工智能比拼新視角

ASC世界大學生超級計算機競賽是由中國發起的世界最大規模的大學生超算競賽，與美國SC、德國ISC并稱全球三大超算競賽。

ASC Student Supercomputer Challenge發韌于2012年，經過7年發展，經歷了從中國到亞洲，再從亞洲到世界的規模升級，影響力不斷攀升。迄今為止，ASC 競賽已吸引到全球超過7000 名年輕人才參與，參賽隊伍總數超過1400支。

而對于HPC+AI相關的賽題，不僅僅是在ASC 19中所有涉及，早在2016年開始，便在賽題中引入了與AI相關的超算賽題：打開了人工智能比拼的新視角。

而引入人工智能AI賽題，意在激勵參賽隊員充分發揮超算計算力挑戰優化領先AI應用，至今已得到科大訊飛、百度、微軟等著名人工智能企業的大力支持與積極參與。

ASC16人工智能賽題為來自科大訊飛提供的智能語音DNN應用。

這次競賽中ASC16組委會則要求參賽隊進行DNN的MIC眾核加速技術的移植開發，無論對參賽隊還是深度學習使用方，都是一次“春江水暖鴨先知”的全新嘗試。總決賽中，華中科技大學代表隊設計了非常出色的深度神經網絡方案，在天河二號超級計算機上實現高度優化，對涉及英文、中文普通話、四川方言三個語種共約60萬條語音數據實現了高準確度訓練模型，并將計算性能最高提升108倍。

ASC17人工智能賽題為來自百度提供的交通預測應用。

預賽階段給出某城市前50天實際采集的交通狀況的訓練數據集，要求參賽隊預測出第51天的交通狀況。在總決賽階段，賽題難度進一步升級，要求各隊伍在3000瓦功耗下采用組委會提供的超算服務器搭建系統集群，利用百度PaddlePaddle框架開發深度學習神經網絡算法，預測多達300+道路在某規定時間的早高峰路況。

北京航空航天大學、清華大學、烏拉爾聯邦大學以及香港浸會大學等多隊在這道賽題中針對性給出了出色的解決方案。

ASC18人工智能賽題為來自微軟提供的自然語言閱讀理解中的搜索提問回答預測(Answer Prediction for Search Query)。

參賽隊需要基于來自于搜索引擎如Bing或語音助手如Cortana的真實提問所構建的巨大數據集，研究創造自己的回答預測的AI方法和模型，以實現對提問的準確回答，讓人工智能向解決好認知挑戰更進一步。

而ASC19人工智能賽題是圖像超分辨率SR。

SR是指由低分辨率圖像重構高分辨率圖像，在衛星和航空成像、醫學圖像處理、人臉圖像分析、文本圖像分析、標識和數字車牌讀取、生物特征識別等領域應用廣泛，近二十年來吸引了眾多學者研究。

決賽賽題要求隊伍將遠低于人臉識別標準的低分辨率人臉圖像重建為高分辨人臉圖像，以達到準確人臉識別的要求。

Jack Dongarra 教授

杰克·唐加拉（Jack Dongarra）對ASC競賽的AI應用挑戰表示肯定，他認為大數據和高性能計算的相互融合會推動人工智能技術的進一步發展。人工智能技術在實際生活中的應用其實已經有很多，比如說自動駕駛汽車，“這在20年前是不可想象的，現在已經接近實現了，在我有生之年會看到很多過去不可想象的人工智能實現。”