|
標簽：dell，戴爾，戴爾服務器，南京戴爾，
2022年春節之后，全國疫情呈現多點、多區、多鏈條暴發態勢，疫情的流調溯源和快速處置工作面臨巨大挑戰：
快速精準地判定密接人員，迅速掌握流調核心信息，科學統籌劃定“封閉區、封控區、管控區” ，管控隊迅速到場處置，每個環節都在與病毒爭分奪秒，可以說，流行病學調查是疫情防控中最費時費力的工作之一。
這期間，深圳上線了基于人工智能的調查處置系統，將語音識別、自然語言處理等人工智能技術應用在流調訪談中，訪談內容自動生成文本，還能智能識別提取核心信息，自動填寫流調表單。
同時，合肥也快速上線了AI疫情排查機器人，24小時快速響應，有效觸達率100%。目前該機器人已累計外呼2萬余通，接通率80%。AI助力，將有效幫助基層人員減負增效，讓他們有更多的時間、精力可以投入到更加緊迫的核酸檢測與隔離管控工作中。
當然，流調和排查工作能夠有條不紊，快速并精準地鎖定可疑陽性人員，離不開強大的算力支持，高性能且多元化的算力才能為流調工作提供順暢的信息化“工作流”。
深圳采取多端協同工作模式，所有現場信息均通過移動端App進行上報，PC端可實時獲取現場信息。通過多端工作實時協同和高性能計算的支撐，才能有效減少“線下”信息傳遞不及時、碎片化信息整合效率低、信息傳遞有錯漏的業務痛點，助力流調工作擴面、加深、提速、閉環。
不僅僅是醫療業，其他許多行業對人工智能的需求都呈現快速攀升的態勢。以汽車行業為例，傳統車企通過收購、并購或跨界創新，依托人工智能快速提升汽車駕駛的安全性和舒適性。自動駕駛快速成為數字化經濟的新賽道，從車聯網、自動導航、自動泊車，到自動車隊管理以及全自動駕駛等各個環節，都吸引了大量創新型企業涌入。
如何釋放所有資源，快速交付和持續迭代，掃清建模數據量、海量數據標簽、訓練等所需要資源方面的阻礙，實現高精度所需要算法和算力的同時，又能保證全球數據隱私法律化進程中的業務合規，這是自動駕駛機會變現的關鍵機會。其中一個途徑，是眾多自動駕駛已開始通過利用人工智能服務，提升算力，以掃清道路障礙。
如今，面對數字化轉型這輛快車，數據是石油，人工智能是核心操作系統，算力則是發動機。
即使燃料再充足，操作系統再先進，發動機不給力，未來這條數字道路也走不長，更走不遠。當下人工智能向多場景、規�；�、融合普惠等高應用階段方向發展，數據體量呈現出爆發式增長態勢，算法模型的參數量呈指數級增加，推動算力競爭愈加白熱化。
現如今，人工智能落地加速，數據海量增長，模型也愈加復雜和龐大，傳統計算機的算力瓶頸已經成為了制約人工智能發展的一個重要因素。沒有算力支撐，基于AI的業務連續性和創新性難以為繼，還何談智能升級和生態創新。
利用海量數據訓練大規模機器學習模型有助于我們充分學習數據中蘊含的知識，實現更好的訓練效果。然而，隨著訓練規模的擴大，由于單臺機器的能力已遠遠無法滿足日益增長的AI訓練需求，科技巨頭們紛紛部署了自己的超級計算機集群，希望通過將訓練過程擴展到上千臺機器，使用分布式計算提高模型的訓練效率。
但即便是超級計算機，也面臨著硬件堆砌到達一定數量后算力無法進一步提升的瓶頸，浪費了大量計算資源的同時，也制約了AI的發展。
數字化時代，HPC與AI融合加深，HPC通過模擬、建模和分析，滿足各行業部署AI過程中對算力的需求。但隨著AI等技術帶來數據量大規模增長、數據結構多元化、數據分析任務復雜化，HPC逐漸走向HPDA（高性能數據分析）的新方向，AI時代的超算體系正在從計算密集型轉向到數據密集型。
例如：新冠疫苗研發需要對病毒與蛋白質進行解析，這個過程中會快速產生海量數據，并且其結構復雜、數據形態多元。解析過程不僅考驗計算能力，更考驗全流程化的數據存放、調用、解析與再利用能力。
人工智能一直在探究如何像人類一樣具備邏輯、意識和推理的認知能力，目前來看，通過大規模數據訓練超大參數量的巨量模型，被認為是非常有希望的實現方式。未來，AI模型的巨量化和規�；瘜⒊蔀橹匾厔�，但由此而來的模型參數多、訓練數據量大，導致對算力的需求始終呈指數增長。
例如，巨量模型的代表GPT-3在2020年的算力達到了3640PD，到2023年則增長至百萬PD。同時，巨量模型需要巨量內存，在超大規模集群中同時滿足幾萬塊AI芯片的高性能讀取，對存儲系統是極大的挑戰。
以能源行業為例，碳中和時代下，以萬物互聯、融合創新為特征，AIoT成為加速實現智慧能源管理與運維的關鍵。具體而言，AIoT以其強大算力支撐AI巨量模型分析，并借助萬物互聯構建協同網絡，給可再生能源發展過程中遇到的問題提供解決方案。
一方面，風電、光伏已經是比煤炭更高效的可再生能源，通過 AIoT技術，發電效率更能大大提升；另一方面，AIoT能夠整合碎片化的能源系統，創造協同價值，解決電力系統動態平衡，推動電力生產側到消費側的協同成本中降低，產生巨大的商業價值。
現下，各行各業充斥著各種應用，不同場景下的業務應用對計算系統的要求也不盡相同。而且，傳統應用架構都是相互獨立的，在計算資源管理上不僅成本高而且難度大，面對復雜的計算場景和分散的計算架構，勢必需要多元算力來支撐。
尤其是基于人工智能的應用，從推理到訓練，對計算的精確度要求大不相同，同時，數據量也從GB級到TB級、PB級不斷提升，類型從結構化到半結構化、非結構化更加復雜多樣，通用CPU芯片已經無法滿足這種多元化計算場景要求。
以金融行業為例，數字化時代金融反欺詐更注重用戶體驗，通過部署欺詐檢測機器學習系統，實時地針對既定欺詐模式和無監督學習來識別新興的欺詐模式，降低誤判率，為用戶提供更值得信賴的交易體驗。
這其中涉及到歷史數據篩查、實時交易監控、客戶關系網挖掘、AI模型訓練、數據安全合規等方面，每一方面所需要的計算精確度都不同，自然對算力的要求也不同。通用CPU顯然無法支撐如此多元的工作負載，而以GPU及FPGA、ASIC等專用加速芯片為代表的異構加速計算需求崛起，可滿足多元化算力需求。
算力作為數據中心提供的最核心的能力，也是數字化時代下的核心生產力，哪里需要數據處理，哪里就有算力。隨著以人工智能、物聯網、AR/VR 等技術為核心的智能化應用場景逐漸普及，越來越多行業對高性能算力的需求也在不斷上升，HPC作為算力王者在數據中心領域的應用也越來越多。
戴爾科技致力于將算力轉化為業務創新力，讓AI發揮其強大優勢，讓數據DNA根植于每一家企業。戴爾正以廣泛而全面的產品和解決方案組合，幫助數據科學家、開發人員、運維人員簡化AI部署的復雜性、消除算力瓶頸，加速AI場景化和普及化。
戴爾新一代高性能計算支持高并行，助力HPC到HPDA：
戴爾最新一代PowerEdge服務器基于PCIe Gen 4，將處理核心數量增加了100%，內存速度加快20%。比如PowerEdge R750在解決大規模并行線性方程方面可實現高達43%的性能提升，支持計算量最繁重的工作負載，為客戶提供關鍵負載和應用所需的澎湃算力。
擁有強大GPU加速器優化性能的戴爾PowerEdge XE8545服務器專為高性能AI計算而生，這款雙插槽4U機架式服務器最高支持4塊NVIDIA A100 GPU加速卡，使用業界領先的NVLink GPU直連設計，突破數據流和計算能力的界限，輕松滿足AI深度學習和高級計算等工作負載。
戴爾PowerEdge XE8545支持PCIe 4.0，增加100%的處理核心數量，內存加速快20%，可充分保障并行I/O吞吐性能，提升處理的速度。
除了硬件設施外，戴爾科技還通過開源Omnia軟件，加速和簡化人工智能和計算密集型工作負載的部署和管理。
在疫苗研發過程中，高性能計算和GPU加速可為科研人員建立各種復雜病毒的可視化模型，了解病毒的性質并找到攻克病毒的解決方案，助力用戶快速實現從HPC到HPDA的轉變，將算力實時轉化為業務洞察力。
戴爾多管齊下助力AI巨量模型分析，賦能企業布局AIoT：
戴爾Precision數據科學工作站產品組合，可幫助數據科學家面對大規模、巨量模型分析，專注于試驗、探索和發現洞察力，而不是維護AI系統并等待模型訓練迭代完成。通過在預先配置、預先驗證的數據科學工作站上運行模型，用戶可以最大限度地提高生產力、加快流程、產生更好的質量見解并降低項目成本。
戴爾IoT Edge網關基于Intel 技術，內置的安全和管理功能，有助于保護網絡終端。此外，結合云可擴展的數據存儲和密集型處理器的深度學習算法，為企業的數據存儲和分析提供了更強大的保障。
戴爾基于PowerScale+ECS的數據湖架構平臺，以統一資源的優勢，實現了用戶數據分層和多租戶的管理，可以更好地滿足企業在海量數據、訪問速度、多樣性方面的需求，賦能工業智能。
企業在布局AIoT的時候，需要同時具備強大的模型訓練能力和云邊協同的萬物互聯能力。未來AIoT更將快速向邊緣端轉移，一方面可有效避免延遲問題，提高系統的靈活性，另一方面，數據安全可獲得雙重保障。戴爾科技助力企業快速實現邊緣集成AIoT，不僅可以直接且有針對性地獲得更高效的業務決策力，并更快地優化流程。
戴爾PowerScale滿足智能應用對多元算力需求，推動機器學習場景化：
戴爾PowerScale作為橫向擴展NAS存儲，可在單個文件系統中從TB級擴展到PB級容量。它搭載新一代橫向擴展文件系統OneFS和PowerEdge服務器，與Hadoop集成，可幫助應用開發人員加快分析海量數據，并在幾分鐘內獲得結果。
PowerScale允許無縫進行新舊節點服務器過渡升級，不需要數據遷移，60秒內即可簡單擴容一個節點�；赑owerScale，用戶可以高效地存儲、管理、保護和分析非結構化數據。
戴爾與NVIDIA合作通過戴爾PowerScale、PowerSwitch交換機和NVIDIA DGX-2™系統與NVIDIA V100 Tensor Core GPU來加速和擴展深度學習訓練工作負載。遵循此參考架構，企業可以更快地部署，實現更高的模型準確性，并通過大規模人工智能加速業務價值，簡化和加速企業級AI計劃的部署。
此外，戴爾多款服務器支持FPGA，可幫助加速核心工作負載，在幾分之一秒內重新編程，為機器學習等數據密集型應用提供超強算力。
現今，機器學習正深入到各行各業，在全社會范圍內制造顛覆性變革。超強算力和高可擴展存儲架構加速機器學習實現自動化，滿足了企業數據建模過程中數據科學家、建模工程師、數據分析師以及業務人員的痛點需求。戴爾科技將以全面的解決方案組合賦能企業實現全流程端到端自動建模，進一步提高機器學習的普及化落地能力。
|
