我猜，我们是最早和你说春天来了的人。
一年前，我们还在小心谨慎地定义着Cloud HPC，一脸娇羞地拿Novartis 诺华制药在5年前做的案例当作标杆。
不久前，Hyperion Research正式宣布2019年是Cloud HPC的转折年。
暴风哭泣，云端高性能计算终于有了姓名。
HPC：HighPerformance Computing高性能计算，换句话说，对算力要求高
这一年，我们帮不少用户落地了云端算力解决方案。像我们老板说的，对用户来说，最重要的是提供一种Accessibility（可触达），后面的Efficiency（效率）都是水到渠成的事儿。
同时，我们也看到很多用户在云的边缘疯狂试探，等某个未知的神秘力量来推上一把；还有些用户惊喜地发现，我们提供了一种解决他们现有问题的新思路。
今天，我们盘一盘国内外Cloud HPC现在的局面：
1. 全球越来越多企业踏足HPC领域，AI和高性能数据分析首当其冲
2. 不同Cloud HPC细分领域未来5年年均复合增长率超过21%
3. 从两个全球超大规模CPU、GPU的溢出到云案例看云的可伸缩弹性能力
4. 我们观察到的国内外部分行业用云现状：制药/基因测序/EDA/CAE/高校
溢出到云：本地不够，云来补上的意思
友情提醒：如果你还在为算力不足而头疼，或对云有所期待，此文建议转发给你的老板，让我们等待一个“真香”~~
全球越来越多企业踏足HPC领域，AI和高性能数据分析首当其冲
全球越来越多企业级用户开始踏足HPC领域，比如欺诈/异常检测、商业智能、关联营销、精准医疗、智慧城市、物联网等等。
大数据和HPC的结合提供了很多新的解决方案，基于HPDA高性能数据分析的AI人工智能，ML机器学习，DL深度学习是最热的领域。
HPDA高性能数据分析领域的增长速度超过HPC市场整体增长速度。
AI领域的增长速度高于整个HPDA高性能数据分析领域的增长速度。
众所周知：AI现在还处在早期发展阶段。推理功能弱，主要解决观察识别类问题，而不是决策问题。比较落地的应用场景是在图像和声音识别，高级驾驶辅助系统，MRI医疗影像识别领域。
AI不是什么包治百病的神奇药丸，不过是数学罢了。
从OPENAI在2019年11月发布的图片中就能明显看出，自2012年以来，AI训练对计算的要求3、4个月就会翻一倍。在可见的未来，这个趋势应该会持续。
不同Cloud HPC细分领域，未来5年年均复合增长率超过21%
Hyperion Research预测未来5年HPC用户的用云趋势：
这个图不包括没有任何本地机器，天生用云的用户。
纵轴指的是用户在第三方云资源上的花费，包括了公有云，混合云，第三方搭建的私有云。
不同Cloud HPC细分领域未来5年年均复合增长率都超过了21%。
生命科学、EDA半导体领域甚至超过了25%。
从两个全球超大规模CPU、GPU的溢出到云案例看云的可伸缩弹性能力
关于为什么要用云这个问题。
Hyperion Research的调查结果跟ANSYS不谋而合。
对用户来说，云的可伸缩弹性是当之无愧的第一大法宝。
那云的弹性现在到底大到什么程度？
我们看看两个全球超大规模CPU、GPU的溢出到云的案例。
CPU。
2019年10月，克莱姆森大学计算学院（Clemson University School of Computing）创下了云端高性能计算领域一个记录。
他们花了大概5万美金，运行了4个小时，使用214万个vCPU在Google云上跑了一个数据密集型应用，在200万小时的视频中对车辆进行计数，视频数据文件大小为210TB。
这是个概念验证实验，为了验证在现实数据量极大，时间紧迫的情况下，云端高性能计算有能力为应急处理提供决策支持。有了云计算，公司或组织不需要拥有大量机器，或者停止手头上一切工作来处理应急情况。
GPU。
2019年11月，SDSC圣地亚哥超级计算中心联合威斯康星州冰立方粒子天体物理中心（Wisconsin IceCube Particle Astrophysics Center）在AWS，Azure和Google云上一共调度了超过5万GPU完成一次仿真模拟计算试验。
黑线是用于计算的GPU数量，最高达到51,500个。
不同颜色代表在某家云厂商的某个区域购买的GPU数量。
PFLOP32s的峰值约为350。
相比之下，美国橡树岭国家实验室Summit系统的名义性能约为400 PFLOP32s。
因此，这次计算，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说：
“这场实验主要有三个目标：一是用于天体物理学模拟仿真研究；第二是测试网络基础设施是不是做好了未来E级计算的准备；第三是想测一下一个小时左右的时间内，能买到多少商用云计算GPU资源。这次调度了三大洲（北美、欧洲和亚洲）28个区域的所有可用GPU。结果说明云端弹性可以冲击非常大规模的GPU，适用于天文学和其他科学领域的广泛挑战。”
我们观察到的国内外部分行业上云现状：制药/基因测序/EDA/CAE/高校
制药/新药研发领域
计算机辅助药物设计（Computer-Aided Drug Design，CADD），国内相比于美国、英国等国家，的确有点落后，但是发展速度非常快，已经成为药物研发流程中不可或缺的一部分。
要求越高越准确，需要的数据就更多，计算量就越大。
怎么利用计算工具和资源，解决新药研发过程中的各种问题？
怎么找到具备复合能力的人才？
是这个领域最受关注的问题。
人才方面，我们可以尽可能帮助企业降低对他们的各种云、HPC技术等方面的知识技能要求，更专注在药物研发业务方向。
计算这一块，拿虚拟筛选来举例。我们能帮助用户让过去需要耗费几个月的筛选时间缩短到1天以内。
案例：我们用Schrodinger（薛定谔）辅助用户对7.8亿多个分子进行了筛选，用了云上的几万个Core，计算时长仅花费了3-13个小时（每个Core上所需时间不一样）。
详情可联系文末小F
基因测序/精准医疗领域
基因测序天然地数据量大，而且计算复杂程度高，整个分析工作流程复杂，经常需要修改算法。
这个领域主要关注测序技术的发展和数据计算和分析。
怎么拿到数据？
怎么在最短时间内对海量生物数据进行计算，找出单个基因或多个基因组合和一系列疾病的关系？
对云的需求主要基于两点：
一个是计算量有明显季节性。而本地计算资源的分析能力有限，升级成本高，云的弹性伸缩能力能很好地应对；
第二是主要是消费级基因公司对计算的时效性要求高。
案例：我们有个基因用户就要求8小时内处理完当日5点前数据，而且每天对计算资源的要求很不确定，只有计算时间要求是固定的，这种情况下云端算力就是比较理想的解决方案。而且我们还能将其复杂的分析流程进行优化封装，进一步提升计算效率。
详情可联系文末小F
CAE/CFD领域
ANSYS作为CAE仿真里的巨头，也是目前唯一一个真正采用云端计费模式的企业。他们在2019年5月做的调查显示：云端仿真有很大的增长潜力。
市场变化很快：
在未来的12个月，大多数预计将使用SaaS解决方案(62%)，其次是公有云(45%)，紧随其后的是混合云解决方案：私有云+合作伙伴管理的数据中心(44%)或私有云+合作伙伴管理的公有云(40%)。
案例：我们帮助一家风电新能源用户优化他们的核心应用Bladed，利用云上更新，主频更高的CPU硬件最大化发挥应用性能，调度任务同时支持本地和云上的Windows节点和Linux节点。
详情可联系文末小F
EDA/半导体
放眼全球，整个半导体产业链核心角色：EDA软件/Foundry/Fabless芯片设计公司/IP厂商无一缺席，早在几年前就在布局上云。三大EDA巨头Synopsys/Cadence/Mentor和芯片制造厂TSMC台积电可以说引领了整个行业。
国内半导体行业已经在暗中追赶。
从AI芯片初创企业到大型Foundry芯片代工厂，从SaaS模式到多区域+多公有云的混合模式，到多云PaaS平台的搭建。我们编了一本《半导体行业解决方案白皮书》。
详情可联系文末小F
接下来几年，我们拭目以待。
高校/科研
高校一直走在科研界的最前沿。但他们面临的问题也十分明显：
- 人手不足，项目时间有限
- 不管是云，还是HPC，非计算机专业使用门槛高
- 本地机器过旧，资源少，申请新机器困难
- 学校IT支持往往也不足
对很多高校来说，500 core的计算资源峰值需求就足以成为一个障碍。
除了常用的工程应用，生物分析，化学计算等常见高性能计算场景，不少高校和科研院所都在搭建自己的一站式AI计算平台或AI实验室，满足自身人工智能应用创新开发或者学校的AI课程相关实验等需求。
在汽车出现之前，我们只想要更快的马。
汽车出现之后带来的很多可能性，在马的时代都是不可想象的。
现在，又到了发挥想象力的时候啦~
祝大年新春大吉鸭！
- END -
关于我们：
速石科技专为有高算力需求的企业级用户提供一站式算力运营解决方案，帮助用户提升10-20倍业务运算效率，降低成本达到75%以上，加快市场响应速度。目前主要应用领域包括药物研发、基因测序分析、半导体行业的EDA仿真及电路设计、汽车行业的自动驾驶开发、虚拟碰撞试验以及AI人工智能。
想了解更多，可添加小F微信（ID：imfastone）
文章推荐：
>>灵魂画师，在线科普多云平台/CMP云管平台/中间件/虚拟化/容器是个啥
>>AWS、阿里云、Azure、Google Cloud、华为云、腾讯云 各种云服务器价格收费对比（上）
>>云资源中的低成本战斗机——竞价实例，AWS、阿里云等六家云厂商完全用户使用指南
