NVIDIA 正在與全球科技巨頭和美國頂級超級計算實驗室開展合作，為數(shù)據(jù)分析和機器學習，這一高性能計算發(fā)展最為迅猛的領域帶來加速支持。

這一新計劃標志著高性能計算加速工作迎來了一個關鍵時刻，預計在未來幾年內，高性能計算的市場規(guī)模將迎來顯著的增長。全球數(shù)據(jù)量每年都會翻倍，但隨著摩爾定律的終結，CPU 計算已遭遇到了瓶頸。

通過與 Microsoft、Cisco、Dell EMC、Hewlett Packard Enterprise、IBM、Oracle 等公司攜手，NVIDIA已經為客戶實現(xiàn)了50 倍的數(shù)據(jù)任務加速。根據(jù)美國能源部橡樹嶺國家實驗室的初始測試表明，在相關氣候預測研究中，所實現(xiàn)的加速效果更是高達215 倍之多。

“激流”般的革新

早在十年前，NVIDIA就已經實現(xiàn)了針對科學計算的加速。從那時起，在我們的幫助下，已有包括多位諾貝爾獎得主在內的眾多研究人員成功為其計算密集型模擬實現(xiàn)了加速，從而得以應對一些世界上最為困難的挑戰(zhàn)。

隨后，也就是五年前，我們通過優(yōu)化后的軟件使GPU平臺具備了深度學習加速功能，并就此引發(fā)了一場 AI 變革。

NVIDIA于去年推出了新款開源數(shù)據(jù)科學加速軟件，標志著第三次技術革新浪潮的興起。

此次浪潮以RAPIDS為中心，這是一個開源的數(shù)據(jù)分析和機器學習加速平臺，用于完全在 GPU 上執(zhí)行端到端的數(shù)據(jù)科學訓練管線。

RAPIDS依賴于NVIDIA CUDA進行低級別計算優(yōu)化，并通過用戶友好型的Python界面實現(xiàn) GPU 并行結構和極高的內存帶寬。RAPIDS 數(shù)據(jù)框架庫可模仿 pandas API，且構建在 Apache Arrow 之上，可以在最大限度上實現(xiàn)互操作性和高性能。

更多加速機器學習步入云端

如今，NVIDIA正在與全球各大領先的技術公司合作，讓更多的用戶可以在更多的地方享受到加速機器學習帶來的便利。

通過與 NVIDIA 的緊密合作，Microsoft 正在為其 Azure Machine Learning 用戶提供加速機器學習的服務。

“Azure Machine Learning 是一個領先的平臺，幫助數(shù)據(jù)科學家從云端到終端設備構建、訓練、管理并部署機器學習模型。”Microsoft Azure AI 企業(yè)副總裁 Eric Boyd 說道，“我們一直在與 NVIDIA 合作，為數(shù)據(jù)科學家提供由 GPU 提供技術支持的計算能力。此外，我們也很高興能夠通過 RAPIDS 開源項目為 Azure 用戶提供軟件。我期待著能夠看到數(shù)據(jù)科學社區(qū)利用 RAPIDS 和 Azure Machine Learning 取得研究成果。”

更多加速機器學習系統(tǒng)即將問世

同時，NVIDIA也在與基于NVIDIA HGX-2云服務器平臺的領先計算機制造商開展合作，共同研發(fā)一系列適用于所有 AI 和高性能計算工作負荷的新產品。

通過RAPIDS，數(shù)據(jù)科學家可以將更多時間用于分析和迭代，并減少等待時間。

NVIDIA HGX-2 可為每個節(jié)點提供每秒2 千萬億次浮點運算的計算性能，與僅采用 CPU 的服務器相比，NVIDIA HGX-2 運行機器學習工作負荷的速度要快上近550 倍。

加速機器學習賦能科學突破

美國多家領先實驗室所從事的研究課題包括核聚變研究、人類基因組學，和氣候預測在內的各個領域，這些研究工作均依賴于科學計算、深度學習和數(shù)據(jù)科學。

NVIDIA DGX-2旨在應對需要處理海量計算的應用，幫助科研人員在對性能要求最高的領域里取得性能突破。DGX-2 可以與 RAPIDS 開源機器學習軟件配合使用，其現(xiàn)已幫助多家美國能源部實驗室的科學家加速了他們的研究進程。

其中，美國橡樹嶺國家實驗室的研究人員已經借助 DGX-2 和 RAPIDS 取得了早期成果。

如今，研究人員可以利用體量龐大的觀察數(shù)據(jù)來構建模型，從而增強與氣候模擬相關的能源安全應用。然而在過去，利用氣候數(shù)據(jù)集進行訓練的機器學習算法一直受到計算性能的制約，且訓練過程非常緩慢。但現(xiàn)在，改變終于來了。

借助 DGX-2 和 RAPIDS，橡樹嶺國家實驗室的研究人員已經大大提升了在大型數(shù)據(jù)集上應用機器學習的速度。他們在 DGX-2 上運行XGBoost，將大小為224GB的模型訓練用時從在CPU節(jié)點上所需的21 個小時，縮短至僅6 分鐘，實現(xiàn)了215倍的加速。