Na konferencji SC23 Intel zaprezentował przyspieszone przez AI obliczenia o wysokiej wydajności (HPC) z wykorzystaniem Intel® Data Center GPU Max Series, akceleratorów AI Intel® Gaudi®2 i procesorów Intel® Xeon®. We współpracy z Argonne National Laboratory, Intel podzielił się postępami w projekcie Aurora generative AI (genAI), w tym aktualizacją modelu GPT-3 LLM o 1 bilionie parametrów na superkomputerze Aurora, możliwym dzięki unikalnej architekturze GPU serii Max i możliwościom systemowym superkomputera Aurora. Intel i Argonne zademonstrowali przyspieszenie nauki dzięki zastosowaniom Aurora Early Science Program (ESP) i projektu Exascale Computing. Firma pokazała również ścieżkę do akceleratorów AI Intel® Gaudi®3 i Falcon Shores.
Zaangażowanie Intel w Innowacje dla HPC i AI
Deepak Patil, wiceprezes korporacyjny Intel i dyrektor generalny Data Center AI Solutions, podkreślił zaangażowanie firmy w dostarczanie innowacyjnych rozwiązań technologicznych spełniających potrzeby społeczności HPC i AI. Wysoka wydajność procesorów Xeon firmy Intel w połączeniu z ich GPU Max i procesorami CPU pomaga napędzać badania i naukę. Dodatkowo, akceleratory Gaudi firmy Intel demonstrują pełną gamę technologii firmy, zapewniając klientom atrakcyjne rozwiązania do obsługi ich zróżnicowanych obciążeń roboczych.
Dlaczego Intel jest Kluczowy dla Przyszłości AI i HPC
Generative AI dla nauki, wraz z najnowszymi wynikami wydajności i testami, podkreślają zdolność Intela do dostarczania spersonalizowanych rozwiązań spełniających konkretne potrzeby klientów HPC i AI. Podejście Intel oparte na oprogramowaniu z oneAPI oraz zestawami narzędzi wspomagającymi HPC i AI, pomaga deweloperom bezproblemowo przenosić ich kod między architekturami w celu przyspieszenia badań naukowych. Dodatkowo, GPU i CPU serii Max będą wdrażane w wielu uruchamianych superkomputerach.
Współpraca na rzecz Naukowych Modeli AI
Argonne National Laboratory podzieliło się postępami w inicjatywach genAI dla nauki z superkomputerem Aurora. Projekt Aurora genAI to współpraca Argonne, Intel i partnerów mająca na celu stworzenie najnowocześniejszych podstawowych modeli AI dla nauki. Modele te będą trenowane na tekstach naukowych, kodzie i zestawach danych naukowych w skali ponad 1 biliona parametrów z różnych dziedzin naukowych. Wykorzystując podstawowe technologie Megatron z DeepSpeed, projekt genAI będzie obsługiwał wiele dyscyplin naukowych, w tym biologię, badania nad rakiem, nauki o klimacie, kosmologię i nauki o materiałach.
Częste pytania
Jakie technologie Intel wykorzystuje w obliczeniach HPC przyspieszonych przez AI?
Intel wykorzystuje procesory Xeon, GPU Max Series oraz akceleratory AI Gaudi2 w obliczeniach o wysokiej wydajności przyspieszonych przez AI. Te technologie wspierają różnorodne obciążenia robocze w badaniach naukowych.
Dlaczego projekt Aurora jest istotny dla rozwoju generative AI?
Projekt Aurora jest istotny, ponieważ ma na celu stworzenie nowoczesnych modeli AI dla nauki, które będą trenowane na ogromnych zbiorach danych. Współpraca z Argonne National Laboratory oraz wykorzystanie superkomputera Aurora umożliwia osiągnięcie wydajności na poziomie 1 biliona parametrów.
Kiedy Intel zaprezentował swoje najnowsze osiągnięcia w dziedzinie AI i HPC?
Intel zaprezentował swoje najnowsze osiągnięcia w dziedzinie AI i HPC podczas konferencji SC23, która odbyła się 13 listopada 2023 roku. Wydarzenie to skupiło się na innowacyjnych rozwiązaniach technologicznych dla społeczności HPC i AI.
Jakie korzyści przynosi podejście Intel oparte na oneAPI dla deweloperów?
Podejście Intel oparte na oneAPI umożliwia deweloperom łatwe przenoszenie ich kodu między różnymi architekturami, co przyspiesza badania naukowe. Dzięki temu, deweloperzy mogą lepiej dostosować swoje rozwiązania do specyficznych potrzeb obciążeń roboczych.
Które dziedziny naukowe będą wspierane przez projekt genAI?
Projekt genAI będzie wspierał wiele dziedzin naukowych, w tym biologię, badania nad rakiem, nauki o klimacie, kosmologię oraz nauki o materiałach. Modele AI będą trenowane na tekstach naukowych i zestawach danych z tych obszarów.
