这就是为什么领先的科技与工业大国宁愿投入巨资，也要在全球超级计算机产业中占据一席之地的原因所在。超级计算机不仅是一个国家综合科技实力的象征，也是工业创新、国防建设、科学研究、石油勘探等重要经济行业的发展基础和动力之源。

[[374943]]

HPC的诞生与发展

超级计算机是与高性能计算机相对应的概念。一般将信息处理能力比个人计算机快至少一到两个数量级的计算机，归类为高性能计算(High Performance Computing)。超级计算机发展源于大型科学工程对于超高密集计算、海量数据处理应用需求。

说到世界第一台计算机，都知道是1946年诞生于美国宾夕法尼亚大学"ENIAC"，但很少人知道，ENIAC是美国军方为满足美国奥伯丁试验场计算弹道需要而研制的。在那个中国还大量使用“算盘”的时代，"ENIAC"堪称当时的超级计算机。

从"ENIAC"诞生算起，到上世纪50年代中后期，以美苏争霸为背景，计算机被广泛应用于导弹、核武器的计算研究，这一时期的计算机特点是体积大、功耗高、可靠性差。直到1958年晶体管的出现，计算机体积开始大幅缩小，运算速度提升至最高可达300万次，这些可以算作是超级计算机发展的前身，但仅限用于国家主导的军事科研工程。

超级计算机真正迎来大发展，是从1964年集成电路被大规模应用开始的。我国超级计算机研制就起步于这一时期。到目前为止，大体经历了三个阶段：第一阶段，自60年代末到70年代末，主要从事大型机的并行处理技术研究;第二阶段，自70年代末至80年代末，主要从事向量机及并行处理系统的研制;第三阶段，自80年代末至今，主要从事MPP系统及工作站集群系统的研制。

1983年12月22日，中国第一台每秒钟运算一亿次以上的“银河一号”巨型计算机的研究成功，才真正跨入超算竞争的行列。时至今日，中国神威·太湖之光、天河二号不仅成为全球超级计算机TOP500的“常客”，也曾成为榜单的实力担当。如今，这些浮点计算能力达每秒万亿亿次的超级计算机，其应用范围也不再局限于军事科研项目，在CAE仿真、动漫渲染、物理化学、石油勘探、生命科学、气象环境都有着广泛应用。

HPC逐渐走向平民化

在大型机时代，高性能计算基本上是IBM最擅长的阵地。从上世纪60年代到本世纪初，在全球超级计算机排行榜上，基本都是以IBM POWER处理器为内核，通过大规模并行级联打造的平台。

近二十年，随着PC及服务器需求的迅猛增长，庞大的市场需求支撑了X86处理器性能的快速提升，在不断提升的性价比优势，以及全新高速互连技术架构Omni-Path的合击下，以X86处理器为核心的高性能计算产品越来越成熟，在GPU计算加速卡的加持下，正推动着HPC向更多领域普及。同时，针对典型行业HPC的蓝图参考架构、高性能生态联盟、高性能应用框架，降低了HPC架构部署管理难度和应用开发强度，使HPC的技术门槛进一步降低。

除此之外，不断深化的企业数字化转型和智能化升级需求，也成为HPC走向普及的的一个重要的推动力量。随着企业数据量的快速增长，以及大数据、人工智能以及深度学习等技术快速融入，企业依赖更高性能的算力提供业务创新和数据分析决策。特别是近两年备受关注的自动驾驶汽车、人脸识别、医疗诊断、工业智能以及商业决策，其核心是大数据支持，HPC成为人工智能模型训练的重要支撑平台。

[[374944]]

大数据与HPC的结合衍生出了HPDA(High Performance Data Analysis,高性能数据分析)技术。IDC数据显示，目前有67%的HPC资源用于HPDA，而机器学习/深度学习、欺诈检测的需求就是其中较为典型的应用。大数据时代的到来将使HPDA应用成为HPC的下一个强力增长点。预计到2021年，全球HPC存储市场空间可达148亿美金，其中新兴的HPDA和HPC-based AI场景将以年化17%、29.5%的增速快速增长。

在最新发布的超级计算机TOP500榜单上，连续两届蝉联第一的Fugaku(富岳)超级计算机将其在新的混合精度HPC-AI基准上的性能提高到了2.0 exaflops，超过了6个月前1.4 exaflops的纪录。之所以日本方面非常强调这一指标，一定程度上反应了日本超级计算机的发展思路，即瞄准日趋丰富的AI场景化应用打造更高性能超算平台。这一技术构建趋势，很好匹配了IDC最新研究报告对于新兴HPDA和HPC-based AI场景应用的预测。

随着CPU、GPU等处理器性能的快速提升，以及多元化算力的融合发展，打造HPC的门槛和难度正在大幅降低，HPC从小众走向大众是必然趋势。HPC作为一种计算能力更强的平台，不仅作为数字经济时代和新基建的重要基础，继续在诸如科研、天文、能源、军事等方面继续发挥重要作用，同时在基因测序、气象科学、工业创新、大数据分析、智能医疗、深度学习、人脸识别等新兴领域，更广泛的服务于大众需求。

HPC前行的存储瓶颈

这是一个最好的时代，也是一个最坏的时代。

随着5G、大数据、AI等技术的快速发展，我们看到了HPC与大数据、AI的融合趋势，也坚定地认为，HPDA、HPC-based AI等新兴HPC场景将在各行各业全面开花，HPC普及化的时代已经到来。

然而，在CPU以摩尔定律为牵引快速提升性能的过程中，HPC发展却面临存储以及I/O速度与计算能力越来越不匹配所带来的“存储墙”问题。众所周知，在计算机发展过程中，CPU性能的增长是远高于存储性能和I/O性能的，这导致在计算机不断发展过程中，计算、存储、I/O 间的速度差距会越来越显著。

2014年某机构针对数据中心的性能调查显示，当年CPU性能增长52%，内存性能增长9%，I/O性能增长6%，而存储性能的提升最慢，因为这不仅与介质物理性能有关，还与存储协议有关，这种介质与协议的变化其实非常缓慢。存储性能落后于CPU、内存带宽性能，就意味着数据访问能力落后于数据的处理能力。

对高性能计算机而言，由于采用的是并行计算机体系架构，由多CPU和GPU级联打造的高性能并发算力，会如潮水一般涌入，使得“存储墙”问题更难以克服。最终导致的结果是，CPU空转等待存储器访问的时间占了很大比例，并行计算效率大幅下降。目前大规模并行计算机在实际应用中的效率只有5%左右，存储性能成为提升效率的最大制约。

随着HPDA、HPC-based AI等新兴场景应用的全面爆发，企业对于高性能、实时化的大数据分析需求将变得更加迫切。

[[374945]]

在HPC领域，目前包括华为、英特尔都在通过统一多元化的异构算力来解决HPC产业发展中的算力需求，并取得明显的成效。为克服“存储墙”问题，包括华为在内的一批厂商也在努力，正在通过技术革新，深入研究智能存储体系结构、高性能存储技术等关键技术，减少存储与计算之间的性能差距，打通HPC前行的“最后一公里”。