AMD高管强调AI不会取代HPC,高精度计算需求将持续存在
AMD HPC与主权AI副总裁Scott Tease指出,科研界普遍认为AI无法替代高性能计算(HPC),尤其在需要双精度浮点(FP64)的科学模拟领域。他呼吁构建异构计算架构,并以AMD Insti...
在人工智能迅猛发展的背景下,高性能计算(HPC)是否会被边缘化,成为学术界与产业界共同关注的问题。AMD公司负责HPC与主权AI业务的高级副总裁Scott Tease近日向《Tom's Hardware》明确表示:研究人员普遍认识到,AI不会取代HPC;高精度计算任务将在可预见的未来长期存在。
Tease指出,尽管AI正在重塑科学、工程与数学等多个领域,但传统超算所承担的高精度数值模拟工作——如气候建模、核聚变仿真、量子化学计算等——仍高度依赖双精度浮点(FP64)运算能力。这类任务对数值稳定性要求极高,任何精度损失都可能导致结果失真甚至完全失效。因此,FP64性能并非“过时指标”,而是HPC核心价值的关键体现。
这一观点背后,是近年来GPU厂商在硬件设计路径上的明显分化。以Nvidia为例,其最新Rubin架构GPU的FP64算力为33 TFLOPs,甚至略低于四年前发布的H100(34 TFLOPs)。相比之下,AMD于2023年推出的Instinct MI355X芯片峰值FP64性能达78.6 TFLOPs;而即将推出的面向HPC优化的MI430X芯片,FP64性能更跃升至288 TFLOPs——约为Nvidia Rubin的8.7倍。
这种差距源于架构取舍:Nvidia为提升AI训练效率,持续强化低精度(如FP8、INT4)张量核心性能,同时压缩FP64单元资源;而AMD则坚持在MI系列中保留并增强FP64通路,以服务科学计算客户。Tease强调,这不是技术路线之争,而是对不同工作负载本质需求的回应。“当科学家需要解偏微分方程或进行分子动力学模拟时,他们不能接受‘近似正确’的结果。”
值得注意的是,AMD并未将HPC与AI对立。Tease提出“异构计算栈”(heterogeneous compute stack)作为未来方向:将量子计算、HPC与AI整合于统一基础设施中,按需调度资源。该理念已在橡树岭国家实验室(ORNL)落地试点,由AMD联合IBM共同推进。该项目旨在构建一个能同时支持流体动力学仿真、大语言模型训练与量子算法验证的混合平台。
Tease本人的职业背景也印证了这一战略连续性。他在加入AMD前,曾在联想担任HPC相关职务逾十年,更早时期则在IBM工作13年,深度参与过多个国家级超算项目。其履历表明,AMD此次对HPC的重申并非临时策略,而是基于长期行业洞察的战略选择。
从更宏观视角看,HPC与AI的共生关系正日益清晰。一方面,AI可加速HPC中的部分环节,例如用神经网络替代传统求解器中的迭代步骤;另一方面,HPC为AI提供高质量仿真数据集与物理约束,提升模型泛化能力。例如,在天气预报中,传统数值模式生成的高分辨率初始场,可作为AI模型的输入依据;而AI预测结果又可反馈校正物理模型参数。
然而,这种协同的前提是底层硬件具备足够的灵活性与精度保障。若GPU仅擅长低精度矩阵乘法,却无法高效执行FP64密集型任务,则整个科学计算链条将出现断点。这也是为何美国能源部、欧洲气象中心等机构在采购新一代超算时,仍将FP64性能列为关键评估指标之一。
市场层面,HPC专用芯片正迎来结构性机会。除AMD外,Intel的Gaudi3虽主攻AI,但其Habana架构仍保留一定FP64能力;而日本富士通的A64FX处理器(用于“富岳”超算)则全程围绕ARM+定制SVE指令集打造,FP64性能高达3.07 TFLOPs/核心。这些产品共同指向一个事实:在追求极致算力的同时,多样性与专业性并未让位于单一通用架构。
Tease还提及地缘政治因素对HPC生态的影响。所谓“主权AI”(sovereign AI)概念,不仅关乎数据安全,更涉及关键科学计算能力的自主可控。例如,欧盟“EuroHPC”计划明确要求成员国超算必须具备独立于外部供应商的FP64能力;中国“神威”“天河”系列亦长期维持高FP64配置。这使得HPC芯片不再只是性能竞赛,更成为国家科技基础设施的基石。
回看当前产业动态,Nvidia虽在AI训练市场占据主导地位,但其在HPC领域的份额正面临挑战。根据Hyperion Research 2024年报告,2023年全球HPC系统中GPU占比为42%,其中AMD GPU份额从2021年的不足5%上升至18%,主要增长来自FP64敏感型客户。而在TOP500榜单中,搭载AMD MI250X的Frontier超算自2022年起稳居榜首,其FP64性能达1.1 EFLOPs,远超同期Nvidia A100集群。
技术演进上,FP64性能提升也面临物理极限。随着制程微缩趋缓,单纯靠晶体管数量堆叠已难持续提升FP64吞吐。AMD在MI430X中采用Chiplet+3D封装组合,将计算单元与高带宽内存(HBM3e)垂直集成,从而在功耗约束下实现性能跃升。这暗示未来HPC芯片竞争将更多转向系统级优化,而非单一芯片参数。
此外,软件栈适配同样关键。即便硬件FP64性能强大,若编译器、数学库(如BLAS、LAPACK)或应用框架(如OpenFOAM、GROMACS)未能充分利用,实际收益仍将受限。AMD正通过ROCm平台加强与科学计算社区的合作,推动关键库的优化移植。例如,其与德国于利希研究中心合作,使Quantum ESPRESSO电子结构计算软件在MI250X上实现1.8倍加速。
短期来看,AI与HPC的边界仍在模糊化;长期而言,二者将形成“分层协作”格局:AI处理感知、推理与模式识别类任务,HPC专注第一性原理模拟与确定性求解。正如Tease所言:“我们不是在建造一台‘全能机器’,而是在搭建一个能理解不同问题本质的计算生态系统。”
这种认知转变,或许比具体参数对比更具深远意义。当行业从“谁的GPU更强”转向“哪种架构更适合哪类问题”时,技术发展才真正回归科学本源——工具服务于问题,而非问题迁就工具。
