为什么说高性能计算工程师越老越吃香？还难以被AI替代？

一般越老越吃香的岗位或者行业，一定是拥有无法或者难以轻易被替代的经验。

这些经验一般是靠时间、靠思维、靠试错不断积累起来的。然而AIGC来了，好像宣布AI会取代所有人一样，如经验丰富的律师、医生、教师等等，尤其是贡献了AIGC最多代码和数据的程序员，尤其遭殃，成了被裁员最凶的职业。于是很多IT从业者十分恐慌，害怕被GPT等AI 工具替代。

一个月前，GitHub CEO Thomas Dohmke 为自家的 AI 辅助编码工具 GitHub Copilot X 站台，在全球网络峰会现场，亲自下场体验了一把，最终用 18 分钟编写出了一款贪吃蛇游戏。整个编码过程速度之快，似有让人人成为“10 倍开发者”的趋势。

那么为什么还有人说高性能计算工程师越老越吃香，难以被AI替代？

首先研究这个问题需要了解如何才能成为一名高性能计算工程师

要成为一名高性能计算工程师，离不开以下这8个步骤：

掌握基础知识：高性能计算工程师需要扎实的数学和计算机科学基础知识。重点学习和理解数值计算、线性代数、统计学、算法和数据结构等相关学科。

学习编程技能：精通至少一种编程语言（如C/C++、Python、Fortran等）是成为高性能计算工程师的基础。了解并熟练运用编程语言的语法、数据结构、算法和调试技巧。

深入了解高性能计算平台和工具：学习并熟悉各种高性能计算平台和工具，如MPI（Message Passing Interface）、OpenMP、CUDA、OpenCL等。了解并熟悉并行计算、分布式计算、优化和性能调优的基本原理和技术。

实践项目和实验：参与高性能计算项目和实验，积累实际经验。这可以通过参加科研项目、参与开源项目、参加竞赛或实习等方式来实现。实践中可以学习和应用高性能计算的技术和工具，同时培养解决实际问题和优化计算性能的能力。

继续学习和专业发展：高性能计算领域的技术和工具不断发展，保持学习和跟进最新的进展非常重要。参加培训、学术会议、研讨会等，持续提升自己的专业知识和技能。

加入专业组织和社区：加入高性能计算的专业组织和社区，如ACM（Association for Computing Machinery）、IEEE（Institute of Electrical and Electronics Engineers）等。通过与同行交流和合作，拓宽视野、学习最佳实践，并建立专业人脉。

发展解决问题和沟通能力：高性能计算工程师需要具备解决复杂问题的能力和良好的沟通能力。培养逻辑思维、分析和解决问题的能力，并能够清晰地表达自己的想法和解决方案。

继续提升技术和领导能力：不断提升自己的技术水平，学习新的技术和工具。同时，培养团队合作、项目管理和领导能力，以在职业生涯中不断成长和进步。

成为一名高性能计算工程师需要懂哪些技术或知识

并行计算：了解并行计算的基本概念、原理和方法。熟悉并行计算模型，如共享内存模型（如OpenMP）、分布式内存模型（如MPI）和GPU并行计算模型（如CUDA、OpenCL）。

算法和数据结构：熟悉常用的算法和数据结构，并了解它们在高性能计算中的应用。这包括排序、搜索、图算法、矩阵运算等。

高性能计算平台和工具：熟悉各种高性能计算平台和工具，如多核处理器、GPU、FPGA等。了解它们的架构和特性，以及如何充分利用它们的计算能力。

并行编程模型：掌握并行编程模型，如OpenMP、MPI等。了解如何使用这些模型在并行环境下编写并优化并行程序。

性能优化和调优：了解性能优化和调优的基本原则和方法。掌握性能分析工具，如Intel VTune、NVIDIA Nsight等，用于识别和解决性能瓶颈。

高性能文件系统和存储：了解高性能文件系统和存储系统的特点和原理，以及如何优化数据访问和存储。

数值计算和数值方法：熟悉数值计算和数值方法的基本原理和应用，包括求解线性方程组、数值积分、数值优化等。

编程语言和工具：精通至少一种编程语言，如C/C++、Python、Fortran等。掌握相关的开发工具和调试工具，如编译器、调试器等。

大数据处理和分析：了解大数据处理和分析的基本概念和技术，如分布式计算、MapReduce、Hadoop、Spark等。

算法优化和并行化：研究和实践算法优化和并行化技术，以提高计算性能和效率。

除了以上技术和知识，还需要培养问题解决能力、创新思维和团队合作能力。高性能计算工程师需要能够分析和解决复杂的计算问题，提供高效的解决方案，并能与团队成员合作开展项目。因此，发展综合能力也是非常重要的。

成为一名高性能计算工程师需要有哪些项目经验

并行计算项目：参与并行计算项目，例如在多核处理器、GPU或分布式系统上开发并行算法和应用程序。这样的项目经验可以展示你对并行计算模型和技术的理解和应用能力。

性能优化项目：参与性能优化项目，针对特定的应用程序或算法，通过改进算法、调整数据访问模式、优化代码结构等手段，提高计算性能。这种项目经验可以展示你在优化和调优方面的能力。

大规模数据处理项目：参与大规模数据处理项目，例如使用分布式计算框架如Hadoop或Spark进行数据处理和分析。这样的项目经验可以展示你对大数据处理和分析的理解和实践能力。

高性能计算应用开发项目：参与高性能计算应用开发项目，例如开发科学计算、工程仿真或机器学习领域的应用程序。这样的项目经验可以展示你对高性能计算技术和领域应用的熟悉程度。

科研项目：参与高性能计算相关的科研项目，例如在高性能计算领域的研究实验室或大学研究团队中开展科研工作。这样的项目经验可以展示你对最新研究和技术的接触和深入理解能力。

竞赛项目：参与高性能计算竞赛项目，例如国际大学生超级计算机竞赛（ISC）、国际并行程序设计竞赛（IPPC）等。这样的项目经验可以展示你在高性能计算领域的竞争能力和团队协作能力。

除了具体的项目经验，也可以通过个人项目、开源项目或实习经验来展示自己在高性能计算方面的实践能力。重要的是能够展示自己在项目中解决复杂问题、优化性能和实现可扩展性的能力。同时，不断积累项目经验，并将其记录在简历中，可以提高你在高性能计算领域的竞争力。

如何获得更多的高性能计算项目经验

学术研究项目：参与高性能计算相关的学术研究项目。加入大学或研究机构的研究团队，参与他们的高性能计算项目。与导师或教授合作，积累项目经验，并参与论文的撰写和发表。

开源项目：参与开源项目，特别是与高性能计算相关的开源项目。这样的项目通常具有一定的规模和复杂性，可以提供实践和学习的机会。贡献自己的代码、解决问题、优化性能等，积累项目经验，并通过开源社区的合作与交流扩展人脉。

实习经验：寻找与高性能计算相关的实习机会。在科研机构、大学实验室、工业公司等组织中，参与他们的高性能计算项目。实习期间，与专业人员合作，获得实践经验和指导，并了解行业实践。

竞赛项目：参加高性能计算的竞赛项目，如国际大学生超级计算机竞赛（ISC）、国际并行程序设计竞赛（IPPC）等。这些竞赛提供了实践和竞争的机会，可以与同学或团队合作，解决实际的高性能计算问题，并在竞赛中展示自己的能力。

自主项目：自主开展高性能计算项目，解决自己感兴趣的问题。选择一个具有挑战性的计算问题，并设计、实现、优化解决方案。这样的项目可以展示个人的学习能力、解决问题的能力和自主创新的能力。

继续教育和培训：参加高性能计算相关的培训课程和研讨会。通过学习最新的高性能计算技术和实践经验，不断提升自己的专业知识和技能。有时候，培训机构或厂商会提供实际项目的机会，让学员在真实的环境中应用所学知识。

现在答案已经呼之欲出，正因为高性能计算学习有一定的门槛，称之为“具备科学家思维的工程师”也不过分，横跨多个行业，且不是码农，更注重团队协作，所以一定是经验更丰富的高性能计算工程师更受欢迎，会越老越吃香，难以被AI替代。

在这里，猿代码科技（https://www.ydma.com）为您准备了一份高性能计算培训课程，涵盖CPU、GPU以及超算运维。其中尤其推荐的是猿代码-高性能计算从新手到大师系列课程（CPU和GPU并行优化），具备丰富的工程化及实战项目供大家学习。

这是由国内顶尖科研院所专家及知名企业工程师合作研发的高性能计算专项课程，涵盖高性能计算之并行计算等多个方面，包括CPU并行计算实战课程、GPU并行计算实战课程以及超算运维等。您将有机会通过工程化实战项目来学习所学知识，并与来自国内顶级专家及工程师近距离合作与学习。