採用人工智慧的工作負載如今變得無處不在，其中有的工作負載在世界上運行最快的計算機上運行，從而改進高性能計算(HPC)。隨著組織規劃未來的發展，需要解決人工智慧工作負載的編程、軟體需求、硬體需求和培訓需求等問題。在2019年，行業專家和人工智慧專家將繼續創造創新的解決方案。
以下是人工智慧在2019年對高性能計算產生最大影響的十種方式：
1. 張量(Tensors)：人工智慧計算的通用語言
向量代數的應用催生出為向量計算設計的計算機。Cray公司早期推出的超級計算機就是一種向量超級計算機，它將應用程式表達為向量和矩陣代數問題，這反過來又加強了計算機的設計，以確保向量計算的快速運行。多年來，這種強化循環強烈定義了高性能計算(HPC)。張量代數可以被接受為廣義矩陣代數，因此它是超級計算機數學能力的自然演化，而不是一場革命。任何支持矩陣運算的機器都可以進行張量運算。如今的CPU的用戶採用編譯器，加速採用Pythons，加強庫和優化框架的支持，獲得對向量和張量的高性能支持，所有這些都允許軟體開發人員使用高性能環境中的向量和張量。
張量技術在硬體、軟體和人們的思想上都在高性能計算應用中留下了深刻的印象。
2.語言：高級程序設計
Fortran程序在消耗周期方面佔據了高性能計算的主導地位，C和C ++程序幾乎耗盡了高性能計算中的其他資源。通常通過C接口、擴展和庫來支持加速器周期。嘗試使用新語言來破壞這種情況已經失敗，因為現有語言具有適合構成高性能計算的應用程式的用戶、代碼和支持。
人工智慧為新用戶帶來了新的需求，這將擴展與高性能計算相關的語言，並不會改變大多數使用Fortran代碼的物理學家的活動，但使用MATLAB和Python的數據科學家需要根據他們的需求量身定製解決方案。
Python以及其他生產力語言和框架似乎將成為越來越多的高性能計算(HPC)周期的主人。他們的實際數字運算程序仍將用C/C ++/Fortran編寫，但人工智慧程式設計師既不會知道，也不會關心它。
3.以不同方式思考：通過利用機會重新思考方法來替換遺留代碼
高性能計算(HPC)是一種傳統技術，人工智慧相對來說是一種新技術。顯然，隨著人工智慧的成熟，它將創造自己需要支持的重要遺產。就目前而言，當這兩種技術結合時，它將鼓勵有關重新實現遺留代碼的對話，這在某些情況下可能已經過期。其藉口可能是為代碼添加一些人工智慧功能，但現實將是一些有益的努力以及一些嚴重的時間浪費。
4.可移植性和安全性：虛擬化和容器
可以安全地在機器上運行嗎?這是虛擬化和容器試圖解決的安全性和可移植性問題。當然，安全性來自於良好構建的硬體和軟體的安全功能。對於許多人來說，虛擬化和容器似乎是最好的組合。
容器已引起許多開發人員對虛擬機的關注，因為在部署、修補、雲計算多功能性方面，它們被視為比虛擬機更靈活，並且可以節省虛擬機許可成本。
在面向高性能計算或人工智慧的會議上談論容器技術似乎並沒有太大的進展，這並不奇怪。例如，Python和Julia在精心配置時可以更好地擴展，而容器可以幫助部署。
容器提供了一種為用戶提供良好調整環境的自然方式，高性能計算行業將在2019年看到越來越多的容器使用，部分原因是由於人工智慧用戶的興趣。毫無疑問，高性能計算會對其實例施加壓力，這是需要優化的生態系統。這個領域正在進行這方面的大量工作，高性能計算的社區將幫助所有人實現這一目標，以滿足對容器的渴望。
5.規模問題：大數據
哪裡有人工智慧，哪裡就有大數據。人工智慧社區的主要關注點是在使用非常大的數據模型中獲取意義。採用的高性能計算應用程式需要大量文件，許多高性能計算運行中心已經有很多基礎設施可以很好地處理大數據問題。
所有高性能計算中心都將大數據作為新系統的主要要求考慮在內，人工智慧工作負載是大數據需求的主要動力。
內存的價格高昂，但人們已經看到內存容量與flop/s的比率多年來一直在下降。這是影響大數據發展的趨勢。圍繞內存的新功能提供了扭轉這一趨勢的希望，並支持人們需要的大型機器(包括高性能計算機)中的大數據模型。這些新的內存技術提供了內存和本地存儲器(SSD)的擴展。
高性能計算對於人工智慧的發展發揮重要作用。組織希望把數據放在離處理器更近的地方，這是最適合做真實數據可視化的處理器，是高性能計算影響人工智慧/機器學習的最大方式之一。使用和理解大數據的概念，以及可視化數據和分析，是相互交織的。
6. 人工智慧採用雲計算
人工智慧開發人員可能比高性能計算開發人員更多地接受雲計算。雖然應用在雲中的高性能計算已經出現，但是針對人工智慧應用的高性能計算將加速雲中的高性能計算。
7.硬體：，專注於庫和框架的交互式功能
人工智慧的工作量並不大。這意味著少數庫接口和框架支配 「人工智慧加速器」需要作為賣點。
交互性是一個長期存在的請求，通常在高性能計算系統中一直處於「次要地位」，被人工智慧程式設計師直接置於前沿和核心。高性能計算這種變化的速度還有待觀察，但2019年這一領域的創新將是值得注意的，即使是零散的和有些隱蔽的。交互性也可以稱為「個性化」。
高性能計算支持更多的硬體多樣性、交互性支持以及針對性能優化的額外庫/框架抽象，以支持人工智慧工作負載。高性能計算社區對性能的關注將有助於說明基礎設施的額外融合將有利於數據中心部署。沒有人願意放棄性能，如果不必這樣做，高性能計算社區的專業知識將有助於商品化人工智慧/機器學習的性能，從而導致社區之間更多的硬體技術融合。
8.人員融合：用戶多樣性和對高性能計算的興趣增加
人工智慧將注入許多不同背景的新人才。人工智慧將以前所未有的規模給高性能計算帶來民主化。在過去的幾年中，「高性能計算的民主化」這個短語用於描述高性能計算如何被工程師和科學家群體的訪問。數學和物理問題可能推動了早期的超級計算工作量，但最近越來越多的用戶發現，在醫學、天氣預報和風險管理等領域，高性能計算工作量是不可或缺的。
人工智慧的用戶群體比高性能計算要廣泛得多，給高性能計算的民主化帶來了全新的維度。如今，高性能計算專家和人工智慧專家正在聯合起來進行開發。
9.新投資：推理
機器學習通常被認為是由稱為「訓練」的學習階段和稱為「推理」的實施階段組成。似乎需要更多的周期來進行推理，而不是進行訓練，特別是當人們看到機器學習無處不在地嵌入到周圍的解決方案中時。
有了如此巨大的市場機會，讓人覺得整個世界都在試圖從這一推理市場中獲得更大的份額。推理已經在處理器、FPGA、GPU、DSP和大量定製ASIC上實現。功率、延遲和總體成本是關鍵因素，這些因素為人們提供了一系列具有不同賣點的選項。高性能CPU加上低延遲、易於重新編程和可預測延遲的FPGA似乎是補充當前CPU主導的推導世界的合理選擇。時間會證明一切。
人們將發現推理工作負載將對包括高性能計算在內的所有計算產生重大影響。
10.應用程式的融合：不是在「重新思考」之後進行更換
擴展工作負載多樣性，並將看到各種工作負載進行融合。那些有遠見的人已經證明，當高性能計算機和人工智慧結合在一起時，有許多機會。從將系統集成到能夠預測極端天氣(如颶風)的模式，再到氣候或天氣預報系統。現在出現了各種想法。生成對抗網絡(GAN)是許多人高度重視的一類機器學習系統，生成對抗網絡(GAN)無疑將有助於融合高性能計算和人工智慧/機器學習工作。
雖然現在很少有應用程式結合高性能計算和人工智慧技術，而基於該領域的早期結果，很容易預測這是高性能計算應用程式的未來，並將構成高性能計算因人工智慧而面臨的最大變化。
理解這十種方式
計算的故事在某種意義上並沒有改變：它完全取決於整個系統對用戶的作用。雖然需求發生變化，但完整系統由硬體和軟體組成的事實並沒有改變。很容易被單一技術(硬體或軟體)分散注意力，最好的系統會在最有幫助的地方小心地應用新技術。
結論：人工智慧將使用高性能計算，並將永遠改變
事實上，人工智慧可能是高性能計算歷史上最大的變革推動者。高性能計算不斷發展，因為已經通過自己的工作負載來實現，並且它也將在人工智慧中發展。
即人工智慧用戶只需加入高性能計算社區並在其上加上自己的標記。他們也將使用非高性能計算系統，就像其他高性能計算用戶一樣。
將有專為人工智慧工作負載設計和構建的定製高性能機器，而其他機器的人工智慧工作負載也在具有非人工智慧工作負載的更通用的高性能設施上運行。平衡機器在需要高性能靈活機器的情況下才能實現加速。人工智慧將有助於未來定義什麼成為超級計算機，因此可能將會調整高性能計算機的進程。