این مطلب توسط امور تجاری شرکت فناپ تهیه و گردآوری شده است. در سه دههی گذشته، معمولاً وظیفهی حل مسائل پیچیدهی صنعت و اقتصاد بر دوش اَبَررایانهها بودهاست؛ از آموزش مدلهای اولیهی هوش مصنوعی تا شبیهسازیهای آبوهوا. امروز هم اَبَررایانهها – که بیشترِ آنها در مالکیت دولتها هستند - به فعالیت خود ادامه میدهند؛ اما با ظهور مراکز دادهی پردازش سریع و ظهور خدمات HPCaaS (پردازش سریع به عنوان خدمت) توسط شرکتهای ابری، گویی انحصارِ حل مسائل پیچیده شکسته شدهاست. مراکز دادهی پردازش سریع با استفادهی همزمان از انبوهی از هستههای پردازشی CPU و GPU، اتصال آنها با شبکههای سریع، پهنباند و کمتأخیر، و نیز اجرای نرمافزارهای موازی - که مسائل بزرگ را به بخشهای کوچکتر تقسیم میکنند - میتوانند پیچیدهترین و زمانبرترین مسائل صنایع و بخشهای اقتصاد – مانند آموزش مدلهای هوش مصنوعی – را با قدرتی جادویی حل کنند. در ادامه، هفت مورد از این مسائل و چگونگی حل آنها با زیرساخت پردازش سریع را مرور میکنیم. ۱. آموزش مدل GPT-4 بهدست OpenAI و با زیرساخت Microsoft Azure شرکت OpenAI، خالق ChatGPT، برای آموزش مدل زبانی GPT-4 از زیرساخت پردازش سریع Microsoft Azure استفاده کرد. این مدل در محصولات ChatGPT و Copilot به کار میرود و دارای ۱۷۵ تا ۳۰۰ میلیارد پارامتر است. Azure با اتصال بیش از ۱۰ هزار کارت گرافیک NVIDIA A100 و H100 در شبکههای پرسرعت ۱۰۰ گیگابیت بر ثانیه، این آموزشِ توزیعشده را ممکن کرد. برآورد میشود حجم کل پردازش آموزش این مدل، ۲ در ۱۰ بهتوان ۲۵ فلاپس بودهاست. GPT-4 میتواند طیف گستردهای از وظایف پردازش زبان طبیعی - شامل خلاصهسازی، تولید کد و استدلال میانرشتهای - را انجام دهد. ۲. پیشبینیِ ساختارِ پروتئینها بهدست DeepMind و با زیرساخت Google Cloud شرکت DeepMind (غول هوش مصنوعی زیرمجموعهی آلفابت) سیستمی به نام AlphaFold را آموزش داد که با پیشبینیِ ساختار سهبعدی پروتئینها با دقتی نزدیک به دقت آزمایشگاهی، توانست انقلابی در زیستشناسیِ ساختاری رقم بزند. این پروژه، به پشتوانهی زیرساخت پردازش سریع Google Cloud به نام Google Cloud TPU Pods و بر اساس بانک دادهای شامل دادههای بیش از ۱۷۰.۰۰۰ پروتئین و میلیاردها توالیِ آمینواسیدی انجام شد. مقیاس این پردازش بیش از ۱ اگزافلاپس بوده و انجام آن در آزمایشگاه، ماهها به طول میانجامید؛ اما با استفاده از زیرساخت پردازش سریع، تنها در چند ساعت انجام شد. این پروژه، یکی از مهمترین پروژههای زیستشناسی محاسباتی در چند سال اخیر بوده و در زمینههای پرشماری از جمله کشف دارو، طراحی مولکول و درک بهترِ بیماریها اثری پررنگ داشته است. ۳. کشف دارو و واکسن بهدست Moderna و با زیرساخت AWS شرکت Moderna، از بازیگران کلیدی زیستفناوری در جهان، از خوشههای HPC شرکت AWS برای تسریع کشف داروهای mRNA استفاده میکند. این زیرساخت، امکان میدهد طراحی توالیهای mRNA بهصورت موازی و با دقت بالا انجام شود و به جای چند ماه، در چند روز به نتیجه برسد. همچنین، تحلیل داده و یادگیری ماشین کمک میکند این توالیها قبل از تولید واقعی، بهینه شوند. توسعهی سریع و موفقیتآمیز واکسن کرونا توسط Moderna، یکی از نخستین نتایج مهاجرت این شرکت به زیرساخت ابری و پردازش سریع AWS بود. ۴. پیشبینی و مدلسازیهای آبوهوا به دست سازمان هواشناسی چین و با زیرساخت Huawei سازمان هواشناسی چین (CMA) از خوشههای HPC شرکت Huawei برای اجرای شبیهسازی اقلیمی، پیشبینی هوا و مدلسازی بلایای طبیعی استفاده میکند. پیشبینی آبوهوا نیازمند مدلسازی پیچیدهی جریان سیال، جو و تحلیلهای هوش مصنوعی است. فناوری HPC شرکت Huawei این امکان را داده تا پیشبینی آبوهوا با وضوح شگفتانگیز ۵۰۰ متر انجام شود. بخش مهمی از این فناوری - شامل پردازندههای Kunpeng، پردازندههای هوش مصنوعی Ascend و چارچوب هوش مصنوعی Mindspore - بهصورت بومی در چین توسعه یافته تا وابستگی فناورانه را به آمریکا کاهش دهد. ۵. توسعه خودروی خودران بهدست BMW و با زیرساخت AWS شرکت BMW از زیرساخت HPC شرکت AWS برای شبیهسازی و آموزش مدلهای هوش مصنوعی در حوزهی خودروهای خودران و نیز دوقلوهای دیجیتال استفاده میکند. با این زیرساخت، روزانه ۱.۳ میلیون فایل صوتی و تصویری با حجمی نزدیک به ۱.۳ پتابایت پردازش میشود و بر اساس آن، میلیونها سناریوی رانندگی بر اساس تنوعی از شرایط ترافیکی، آب و هوا، نویز حسگرها و مکانیک خودرو مدلسازی میشوند. با آموزش هوش مصنوعی بهصورت امن و مقیاسپذیر، تشخیص اشیاء و خطوط دقیقتر و سریعتر انجام میشود تا بهصورتی بسیار بهینه، از تصادف پیشگیری شود. این شبیهسازیها، انجام آزمایشهای رانندگی واقعی را تا ۷۰٪ کاهش داده است. [۱۲] [۱۳] ۶. انجام محاسبات ژئوفیزیک بهدست Shell و با زیرساخت AWS شرکت Shell در راستای اکتشاف سریعتر و دقیقترِ نفت و گاز و برای پردازش معادلات کامل موج (Full Waveform Inversion) - که یک روش پیشرفته با محاسباتی سنگین در ژئوفیزیک است - از خدمات HPC شرکت AWS استفاده میکند. با این زیرساخت، انتقال پرسرعت دادهها و نیز ایجاد هماهنگی میان محاسبات گوناگون نیز بهدست AWS انجام میشود. در نتیجه، افزون بر کاهش هزینهها، سرعت اجرای کارهای پردازش لرزهنگاری، ۳ تا ۵ برابر نسبت به زمانی که این کار در مراکز دادهی اختصاصی Shell انجام میشد افزایش یافت. همکاری Shell و AWS در سال ۲۰۱۷ آغاز شد اما افزایش بهرهوری و انجام پروژههای جسورانهای که حاصل این همکاری است، از سال ۲۰۲۱ به بعد رخ داد. ۷. شبیهسازی و مدلسازی مالی بهدست آزمایشگاه ALEF و با زیرساخت Oracle آزمایشگاه پیشرفتهی اقتصاد و مالی ALEF در ایتالیا ارائهدهندهی راهکارهای مدیریت مالی و فعالیت در بازار سرمایه است. این آزمایشگاه، بخش مهمی از عملیات پردازشی خود را - شامل ارزیابی، شب
