Lenovo Neptune - рекордная производительность в задачах ИИ!

Продолжающаяся глобальная пандемия не только принесла дополнительную нагрузку для предприятий в борьбе со сложившимися условиями, но и заметно усложнила конкурентную среду. Все это заставляет многие компании искать дополнительные инструменты для повышения эффективности бизнеса и одно из них - использования ИИ для принятия решений на основе больших данных.

Хотя организации уже не первый год экспериментируют с ИИ в лабораторных условиях, но вероятнее всего, именно 2021 г. станет годом, когда многие компании развернут масштабные решения на базе ИИ. И это уже происходит в розничной торговле и в производстве, а также в других ключевых отраслях. Инфраструктурные решения, поддерживающие рабочие нагрузки ИИ, становятся все важнее для крупномасштабных внедрений при переходе от одиночных экспериментов к развертыванию в работающем бизнесе. Сложность усиливается тем, что требования к вычислительному ресурсу под задачи ИИ, как правило, зависят от сложности и типа используемых моделей. Оптимизация и надежность модели, а также почти бесконечное количество решений по архитектуре инфраструктуры могут повлиять на развертывание ИИ.

Для того, чтобы разобраться в том, какая платформа оптимальна для задач ИИ достаточно обратиться к MLCommons. Это своеобразная шкала, которая позволяет оценивать производительность различных технологических стеков в данном контексте. Но тут важно помнить, что стандартные тесты - это лишь отправная точка для того, чтобы начать подбор необходимого решения. Выбирая аппаратную платформу для ИИ крайне важно определить приоритеты: что является наиболее важным для конкретного проекта. Обычно требования сводятся к оптимизации соотношения цены и качества, энергопотребления или чистой производительности для определенного класса задач.

Задачи ИИ активно стимулируют спрос на вычислительные системы класса Exascale. И хотя графические процессоры и ускорители предоставляют нам путь в этом направлении, есть одна загвоздка. Аппаратные решения для интенсивных вычислительных задач упираются в возможности повышения эффективности воздушного охлаждения.

Группа инженеров Lenovo более десяти лет назад впервые начала использовать технологии жидкостного охлаждения для центров обработки данных и все это время активно вела исследования в этом направлении. А недавно компания выпустила уже четвертое поколение высокоэффективных, отмеченных многими наградами систем жидкостного охлаждения Lenovo Neptune.

Lenovo ThinkSystem SD650-N V2 стал первым в отрасли сервером с жидкостным охлаждением Direct-to-Node (DTN) для графических процессоров NVIDIA A100 с тензорными ядрами. Каждый узел сервера высотой 1U включает в себя четыре установленных на плате GPU NVIDIA A100. При этом пиковый показатель вычислений на одну серверную стойку достигает 3 PFLOPs, а система жидкостного охлаждения Lenovo Neptune снижает потребление энергии до 40% при сохранении высокой производительности и плотности вычислений. Это решение также демонстрирует рекордные результаты по производительности в последнем тесте MLPerf Training v1.0.

Сервер Lenovo AI ThinkSystem SD650-N V2 с жидкостным охлаждением Lenovo Neptune уже используется для построения четырех суперкомпьютеров, два из которых (RAVEN, HoreKa-Green) входят в сотню самых мощных суперкомпьютеров в мире, согласно рейтингу Top500.org.

Чтобы демократизировать жидкостное охлаждение и предоставить предприятиям более мощные решения для задач искусственного интеллекта компания Lenovo предложила систему ThinkSystem SR670 V2 с использованием новой гибридной технологии охлаждения.

Серверы, использующие Lenovo Neptune лидируют по производительности MLPerf AI для сверхплотных систем. Эти системы с жидкостным охлаждением обеспечивают производительность для задач ИИ класса Exascale в компактном корпусе высотой 1U и могут использоваться в центрах высокопроизводительных вычислений любого размера.

Ready, set, buy! Посібник для початківців - як придбати Copilot для Microsoft 365