人工智能和大數據的高效能計算探討

李增 袁偉

基于當下人工智能與大數據并行應用的重要性，將二者融合的高效能算法進行側重分析十分關鍵，研究發現，人工智能與大數據高效能算法依然處在起步階段，很多因素與問題都對其全面設計、優化造成阻礙。本文將對面向人工智能和大數據的高效能計算進行分析，為下一步工作開展提供參考依據。

人工智能與大數據并行融合計算一直受到諸多學者關注，但是現階段有關面向人工智能和大數據的高效能計算及其相關研究相對較少，因此，要求行之有效的措施對其進行分析研究，如研究方向與原理架構、并行處理體系結構分析、異構并行算法及模型設計實現等。

人工智能及大數據概述

人工智能即AI 技術，是計算機技術及網絡技術衍生發展出的重要技術。人工智能以擬人神經網絡為主，通過智能模塊或編程設計完成擬人化操作、工作和運行等。當下人工智能已經滲透到諸多領域中，在未來發展中人工智能與5G網絡必將成為主流方向。大數據技術是基于互聯網、物聯網高速發展下的一種技術支撐，大數據具有海量、精準、鑒別和高效等特點，在諸多領域中得以廣泛應用，大數據時代及人工智能時代的到來，寓意人類文明發展進入新進程。

人工智能與大數據融合的高效能計算分析

研究方向與原理架構

隨著我國科學技術水平不斷提升，大數據時代的來臨也帶來了諸多問題，數據量不斷增加，對傳統數據分析及挖掘造成一定影響。這種問題對人工智能算法應用形成了阻礙。基于此，一種更為高性能的計算模式及方法應運而生，其中，最具代表性的是大數據與人工智能并行效應，即二者的融合高效能算法。面向人工智能與大數據高效能計算平臺體系架構并行處理的體系結構，如圖所示。

第一、將異構計算體系結構作為其研究方向，該體系結構符合超級計算、高性能計算的需求。其提供的算法、算力等可作為人工智能與大數據融合的理論支撐。

第二、異構眾核并行處理架構，在進行體系架構中應對通用性進行考慮，結合多模態算法中的分析框架與建模等進行工作。考慮到處理效率提升的必要性，可結合Tensorflow、MXNet 及相關平臺服務器，對頻繁通信進行快速處理。

第三、資源管理與調度任務調整，在建模過程中主要以國產異構眾核為主，主要包括算法能力、快速儲備及通信功能等的建模設計，并對任務映射、資源管理等進行快速機制完成，側重對計算相應節點內、節點間的映射方式進行研究。

異構并行算法及模型設計實現

第一，以多模態數據為主，對該建模中涉及的大量數據堆積、架構復雜、信息沉淀高的問題進行相關提取，包括特征、相關預處理提取等。然后對相關算法進行重點分析，對其核心算法進行優化設計。主要包括隨機梯度、卷積計算和卷積神經網絡等，將上述的可并行進行明確，同時也要對其并行粒度、相關模式等進行集中研究。

第二，多模態機器在學習過程中，無論更新或算法運行都要在高速網絡下進行多重或復雜的溝通與同步。基于此，強化對模型壓縮中數據通信與傳輸的方式研究，最大程度提升其性能。

在具體工作中要對其問題的時效性、節點性進行掌握，對人工智能與大數據應用的融合方向進行明確，這樣才有利于并行計算穩定運行和功能發揮。在算法設計與結構搭建中也要對新方法進行詮釋，并要加強對相關人才的培養與引導，將技術創新與實踐結果進行融合，為全面構建人工智能與大數據新時代奠定基礎。

綜上所述，通過對面向人工智能和大數據的高效能計算進行分析研究，主要包括：研究方向與原理架構、并行處理體系結構分析、異構并行算法及模型設計實現等。對人工智能和大數據融合并行的高效能計算進行簡單概述。從多方面、多角度對其研究方向與結構框架進行簡單介紹，為下一步工作開展奠定基礎。