数据科学|算力形态进化后，AI超算能解开数据科学团队的算力桎梏吗？( 二 ) gpu|cpu|肺结节|nvidia

而在具体场景中，很多组织也在通过AI超算获得算力。
中科院深圳先进技术研究院医工所在医疗影像图谱分析领域借助AI超算进行神经网络训练，相比传统CPU计算方案，单台搭载4个V100 GPU的DGX产品，提升训练速度40倍以上，大大减少了模型训练的时间。
由于心血管的复杂性，定向攻克心血管CT图像识别的科亚医疗，需要高精度的AI模型来支持血管的精细重建及功能的准确分析，必须通过大量多维度多模态的医学影像进行训练，参数庞大而传统的算法和工具平台无法满足这种需要。
采用AI超算后，科亚医疗的数据处理和训练速度得到了极大提升，其解决方案“深脉分数DVFFR”实现了92%的检测精准度，避免了非必要的冠脉造影，减轻了医生的工作负担和患者的手术痛苦及经济负担。
可以看到，AI超算正在满足不同类型组织中的数据科学团队需要。
除了算力，AI超算还将解决数据团队的“要素配置”难题？
除了性能表现，在过去，一个数据科学团队要完成算力体系的搭设，往往还需要一套包括各种要素的体系：
要配置计算硬件；
要搭设用于各种开发目的的软件；
要有AI工程师；
要运营维护；
甚至有时还要考虑设备的散热降噪……
“麻雀虽小也必须五脏俱全”，很多数据科学团队显然缺乏条件进行配置，而因为投入庞大且未必能符合算力要求，即便是大型组织也面临尴尬的选择。
而AI超算这种算力形态或能通过一体化的方式规避这个“要素配置”难题，这类产品并不要求复杂的安装过程，甚至不需要IT部门的帮助，当缺乏这些要素（典型如AI工程师）时，数据科学团队仍然可以实现即插即用、一站式的计算能力配置。
这意味着，那些非AI专业领域的团队，不需要学习深度学习知识，不需要对AI框架、模型有十分深入的理解，甚至不需要自己配备数据模型，只需要有数据集，就能轻而易举地完成AI数据训练与模型开发工作。
毫无疑问，AI超算的这种特性，对那些相对于AI专业来说的“传统”行业，例如汽车制造、生物制药、光伏产业等，十分友好。
在国外，宝马工厂就利用人工智能工作组设备NVIDIA DGX Station训练和模拟出从零部件到装配产线的“数字孪生世界”，帮助产线实现更好的效率与稳定性，为宝马每天超1万辆汽车的订单生产贡献力量。

文章插图

构成AI超算即插即用特性的能力有很多，软件系统方面操作系统、开发框架甚至各个场景的预训练模型整合最为典型，软硬件一体化协同让数据科学团队基本上无需再花太多心思到开发环境搭设上。
例如，在暨南大学信息科学技术学院计算机系，其教学与科研往往有多个数据团队在同时使用算力设备，DGX Station AI.超算产品的OS自带的多用户、多任务管理功能，能够让不同数据团队甚至不同成员在工作组设置下，按照不同的计划同时进行各自的实验，大大提升了资源的利用效率——这种多任务并举的情形，在众多组织中都广泛存在。
此外，由于台式PC式的产品形态，在企业办公室、实验室、科研机构，甚至在家中工作的数据科学团队都能很容易通过AI超算配置自己的人工智能数据中心，进行深度神经网络训练、推理与高级分析等计算密集型AI探索。
用通俗的话说，DGX Station的出现，更像是为组织内的数据科学团队打开了“懒人模式”——他们只需要聚焦于算法模型的创新即可，其他相关的工作都被一个一体化产品“包圆了”。
小结
如同PC的发展，从一间房到半张桌，从KB到GB到TB，从专业团队操作到人人可用，AI算力设备也在经历类似的过程，高能力、低门槛，优质算力资源正在实现更好的触达，让组织的数据科学团队更好地获取匹配的算力。