2019-2020春江云暖你先知，CAE/EDA/高校等CloudHPC领域年均复合增长率超21%

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。

整个计算过程，研究人员对云端实例的弹性使用情况。

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。

图片来源：Igor Sfiligoi, SDSC/加州大学圣地亚哥分校

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：

1. 人手不足，项目时间有限
2. 不管是云，还是HPC，非计算机专业使用门槛高
3. 本地机器过旧，资源少，申请新机器困难
4. 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 -

我们最近干了件大事！！

花费4小时5500美元，速石科技跻身全球超算TOP500