每当组织寻求创新的方法来增强和扩展业务时，就会想到人工智能（AI）。这种工作负载的典型属性是“以用例为中心”，“特定于数据科学家”和“创新”。一些示例包括自动耕作、自动驾驶汽车或交互式语音对话系统。

另一方面，高性能计算（HPC）通常被认为是高度专业化和可扩展的，可以由研究工程师或某些主要的行业高性能计算（HPC）软件堆栈（例如流体动力学建模或崩溃模拟）提供各种自定义编写的应用程序。

多年以来，这两个学科已被分别对待，开发了自己的专用硬件、软件堆栈和操作模型构建而成的生态系统。但是，如果从外部来看，关于它们的基本要求，两者的工作量都不会相距遥远。幸运的是，最近的两项技术发展使组织可以在通用的生产环境上实现标准化：

1.像TensorFlow这样的通用人工智能框架已经变得更加成熟。

2.服务器基础架构和网络技术的优势可提供更高的性能。

鉴于这两个方面的发展，可以对HPC进行新的更广泛的定义，其中包括以下四个方面：

1.传统的高性能计算-如天气预报和石油勘探

2.以数据为中心的高性能计算–如金融建模或基因组学

3.高性能数据分析–例如欺诈检测或个性化医疗

4.人工智能–包括深度学习和机器学习

现在有越来越多的组织（或正在计划）运行人工智能计划，几乎每个组织现在都是高性能计算（HPC）的所在地。但是，包括451Research公司在内的各种研究都发现了一些干扰这些计划成功的问题，在此指出其中最相关的两个。

首先，几乎每个组织都缺乏专业知识并缺乏足够的熟练资源。因此，拥有熟练的工作人员对于尽可能高效地工作至关重要。其次，IT组织内有限的预算限制了可用于解决给定问题的选择数量。

从技术角度来看，总是有同类最佳的解决方案可用，但从价格/性能角度来看，这种解决方案的成本结构，复杂性和可重用性远非最优，因此采用“足够好”的模型方法可以提供一种更加灵活，可重复使用的解决方案-通常资本支出和运营成本都要低得多。

所有这些都凸显了对拥有理想的，直接适合现有IT基础设施的标准化高性能计算（HPC）环境的需求。

为帮助组织，Dell科技公司创建了一组易于使用、面向工作负载的架构，称为“就绪解决方案”或“就绪架构”。这种方法的优势在于，它可以提供选择的灵活性，但可以基于标准。

这些方法不太复杂：

•具有最新IntelCPU的标准x86服务器和可选的加速卡（仅在需要时）。

•高速以太网网络（25/100Gbit）（在大多数情况下不需要光纤通道或Infiniband）。

•集中式数据湖，可将数据提供给计算节点。（即PowerScale-仅在某些用例中才需要其他并行文件系统。

•自动化软件，可提供docker和Kubernetes、工作负载调度、并可以提供受支持的人工智能工具和框架堆栈。（即BrightClusterManager）。

•从单一角度支持整个系统的服务和支持。

•以数据科学家为中心的工作环境（即Jupyter笔记本电脑）。

使用这样的系统，上述大多数高性能计算（HPC）工作负载可以在IT运营、成本结构和用户接受度方面以非常有效的方式运行。

 结论

仅在真正需要时部署IT基础设施。精心设计的标准硬件组件，优化的软件堆栈和自动化功能可以满足大多数需求。因此，从这个角度来看，人工智能确实只是另一个高性能计算（HPC）工作负载。