قیمت یک ابر رایانه
قیمت یک ابر رایانه
قدرتمندترین ابررایانههای جهان ممکن است ۵ تا ۷ میلیون دلار قیمت داشته باشند، اما جایگزینهای مقرونبهصرفه به تدریج افزایش مییابد که عملکرد مشابهی را با هزینههای پایینتر به ارمغان میآورند – اغلب به اندازه ۱۰۰۰۰ دلار. با توجه به همبستگی نزدیک ابر محاسبات با تجزیه و تحلیل و هوش مصنوعی، این موضوع طیف گسترده ای از موارد استفاده را باز می کند. پنج گرایش کلیدی را که این انقلاب صنعتی را هدایت می کند، بیاموزید. علیرغم پتانسیل باورنکردنی ابررایانهها، پذیرش به طور سنتی فراتر از چند مورد خاص است. یکی از دلایل اصلی این امر هزینه هنگفتی است، از قیمت خود دستگاه گرفته تا زیرساخت مسکن و هزینههای مکرر انرژی. خرید و راهاندازی یک ابر رایانه میتواند چندین میلیون دلار در سال به شما عقب بیاندازد، که معمولاً آن را فقط برای یک جامعه منتخب (تحقیقات تأمین شده، دولتها، شرکتهای چندملیتی و موارد مشابه) محرمانه میسازد. با این حال، به نظر میرسد که تقاضا برای ابررایانهها به طور پیوسته با سرعت 9.5 درصد در حال رشد است و برخی گزارشها حتی حاکی از آن است که تقاضا حتی از عرضه پیشی میگیرد. بنابراین، چه چیزی در چند سال گذشته تغییر کرده است؟ یک پاسخ می تواند امید به فناوری ابر محاسباتی مقرون به صرفه باشد که برای بخش وسیع تری از کاربران مقرون به صرفه باشد.
در سال 2020، شرکت فناوری اطلاعات NEC مستقر در ژاپن اعلام کرد که ابررایانههایی را با کمتر از 10000 دلار ارائه میکند – برای شرکتهای کوچک تا متوسط که به دنبال استفاده از این فناوری برای تجزیه و تحلیل دادههای بزرگ پیشرفته و مدلسازی هوش مصنوعی (AI) هستند. در سال 2021، ما در یک مسیر استراتژیک در مسیر تکامل ابرکامپیوتر قرار داریم: رایانههای سریعتر و قدرتمندتر به ظهور خواهند رسید، با یک جزء هزینه بالا. یکی دیگر از شاخههای این صنعت بر روی ابررایانههای مقرونبهصرفه تمرکز خواهد کرد که میتوانند برای همه استفاده کنند و کمی از عملکرد را فدای صرفهجویی گسترده در هزینه کنند. بیشتر بدانید: پردازندههای ARM کلیدی برای ابررایانههای جدید هستند. درک نقش ابررایانهها در تجزیه و تحلیل و هوش مصنوعی ابررایانهها و فنآوریهای محاسباتی با کارایی بالا (HPC) رویکرد پردازش سنتی دادهها را با استفاده از تعداد زیادی هستههای پردازنده بهبود میبخشند. ما در مورد بیش از 10000 هسته در یک دستگاه صحبت می کنیم که توسط قابلیت GPU و تامین انرژی عظیم پشتیبانی می شود. این امر امکان جمع آوری حجم عظیمی از داده های پیچیده را فراهم می کند، خواه اطلاعات هواشناسی از سراسر جهان برای پیش بینی آب و هوا در یک شهر یا تجزیه و تحلیل تصاویر جمع آوری شده از مریخ برای طراحی یک سیستم رانش جت باشد. ابررایانهها برای مواردی که شما نیاز به مطالعه میلیونها مجموعه داده از انواع مختلف دارید تا به یک نتیجه منحصربفرد برسید، بازی را تغییر میدهند. با توجه به ماهیت ناهمگون داده های آموزشی Big Data و AI، به راحتی می توان فهمید که چرا ابررایانه ها مناسب هستند. آنها قادر به تجزیه و تحلیل اطلاعات از متن بدون ساختار، داده های از پیش پردازش شده، صدا، ویدئو، بینایی کامپیوتری و موارد دیگر برای ایجاد مدل های پیش بینی بسیار دقیق خواهند بود. و قیمت رو به رشد آن را در دسترس موارد استفاده غیردولتی قرار می دهد. به عنوان مثال، یک شرکت لوازم آرایشی در اروپا از این فناوری برای تولید فرمول شامپوی برنده استفاده کرد. این آزمایشهای تکراری مبتنی بر آزمایشگاه را با الگوریتمهای یادگیری ماشین (ML) و شبیهسازیهای شناختی جایگزین کرد و دقت نتایج را 10000 برابر افزایش داد.
5 عاملی که منجر به ابررایانه های مقرون به صرفه و در دسترس می شود ابررایانه های مقرون به صرفه و دسترسی به آنها در بین شرکت ها در هر اندازه را می توان به پنج گرایش مهم نسبت داد: 1. ظهور فناوری محاسبات P2P محاسبات Peer-to-Peer (P2P) از یک چشم انداز توزیع شده استفاده می کند. فرآیندهای محاسباتی قدرتمندتر را به طور تصاعدی هدایت می کند. کاربران و خوشههای چند GPU توزیع شده از طریق یک پل به هم متصل میشوند که به عنوان رابط جلویی نیز عمل میکند. با استفاده از این رابط، میتوانید چارچوبهای ML و یادگیری عمیق را مستقر کنید و همچنین مدلهای هوش مصنوعی را بنویسید که میتوانند بر روی این گرههای محاسباتی با کارایی بالا آموزش داده شوند. چشم انداز توزیع شده به این معنی است که منابع محاسباتی را می توان بر حسب تقاضا مستقر کرد و توان GPU را از ماشین های راه دور دریافت کرد تا ابررایانه های مجازی متصل به جلویی ایجاد کند. و عدم وجود یک زیرساخت متمرکز به این معنی است که هزینه ها کسری از سیستم های ابررایانه معمول مبتنی بر ابر است. 2. حرکت از محاسبات با کارایی بالا (HPC) به HPCaaS HPC زیرمجموعه ای از ابر محاسبات است. این یک جایگزین برای دسکتاپ ها و مین فریم های معمولی است که از تکنیک های محاسباتی موازی برای جمع آوری منابع به گونه ای استفاده می کند که عملکرد سطح ابررایانه را ممکن می کند. HPC کاملاً بر برنامه های سازمانی مانند تجزیه و تحلیل پیشرفته، هوش مصنوعی، ML، داده های بزرگ و حتی اینترنت اشیا متمرکز است. در واقع، پیشبینی میشود که هوش مصنوعی و یادگیری عمیق رشد HPC را افزایش دهند و ارزش آن تا پایان سال ۲۰۲۱ به ۴۳ میلیارد دلار برسد – اما دسترسی به این سیستمها بهطور سنتی به دلیل موانع هزینه محدود بود. HPC-as-a-Service (HPCaaS) این موضوع را با میزبانی زیرساخت در ابر و خارج کردن نیاز به منابع ماهر برطرف می کند. شما می توانید ارائه دهندگانی مانند IBM، Dug، Advania، atNorth و سایر فروشندگان aaS را برای ابرکامپیوترهای بدون قفل و مقرون به صرفه در نظر بگیرید.
عادی سازی انواع پردازنده های متعدد در یک معماری این یک شاهکار فنی است که به کاهش هزینه های ابرکامپیوتر و بهبود عملکرد کمک کرده است. انواع مختلف پردازنده ها برای کارهای مختلف مناسب هستند – برای مثال، یکی ممکن است صدها هسته برای پردازش موازی داشته باشد، دیگری ممکن است هسته های کمتری داشته باشد که برای پردازش سریال متوالی بهینه شده باشد، در حالی که نوع دیگری می تواند برای محاسبات ممیز شناور بهترین باشد. معماران ابررایانه امروزی، این انواع پردازندههای مختلف را با هم ترکیب میکنند تا عملکرد بهتری با هزینههای کمتر داشته باشند. 4. توسعه نرمافزاری که برای ابررایانه ساخته شده است یکی دیگر از روشهای نگاه کردن به منحنی هزینه ابر محاسبات از نظر ارزش است. هرچه بازدهی شما از ابررایانه ها بیشتر باشد، هزینه کل مالکیت بلند مدت شما کمتر خواهد بود. به همین دلیل است که پلتفرمهای نرمافزاری ساختهشده بهویژه در موارد استفاده از هوش مصنوعی و دادههای بزرگ بسیار مهم هستند. این پلتفرمها به دانشمندان دادهای اجازه میدهند که دانش کمی از معماریهای ابررایانه دارند، دادهها را تغذیه کنند، امکان جذب، جمعآوری نتایج و اعمال بینشها را در حوزه تخصص خود فراهم کنند. به عنوان مثال، سال گذشته، یک پلت فرم ابر محاسباتی مقرون به صرفه به نام Exscalate به 18 موسسه دارویی از اتحادیه اروپا کمک کرد. کتابخانه ای از 500 میلیارد مولکول را با ظرفیت 3 میلیون مولکول در ثانیه تجزیه و تحلیل کنید تا مولکول هایی را شناسایی کنید که می توانند ویروس SARS-CoV-2 را هدف قرار دهند. مایکروسافت همچنین اعلام کرده است که در تلاش است تا مدلهای هوش مصنوعی و زیرساختهای ابررایانهای را به عنوان یک پلتفرم در دسترس قرار دهد. 5. افزایش تقاضا در میان جامعه هوش مصنوعی در نهایت، تلاش مایکروسافت برای ایجاد ابررایانه برای هوش مصنوعی حکایت از روند بزرگتری دارد. ماهیت داده فشرده هوش مصنوعی و همبستگی بین حجم داده ها و دقت هوش مصنوعی به این معنی است که ابر محاسبات می تواند به ساختن سیستم های هوش مصنوعی بسیار مؤثرتر، همه کاره تر و قابل اعتمادتر کمک کند. انویدیا همچنین در حال کار بر روی “لئوناردو”، سریعترین ابررایانه هوش مصنوعی جهان است که در اروپا قرار دارد. شرکتی به نام Lightmatter روی ابررایانهای کار میکند که از فناوری فوتونیکی استفاده میکند تا هوش مصنوعی را ده برابر سریعتر با استفاده از ۹۰ درصد انرژی کمتر ارائه دهد و هزینههای شما را بهطور چشمگیری کاهش دهد. با افزایش تقاضا و پذیرش در میان جامعه هوش مصنوعی، میتوانیم انتظار نوآوریهای تغییر دهنده بازی (صرفهجویی در هزینه) بیشتری داشته باشیم.
دیدگاهتان را بنویسید