小型超算搭建（搭建一台小型超级计算机需要多少钱，可以用来玩游戏吗）

本文目录

• 搭建一台小型超级计算机需要多少钱，可以用来玩游戏吗
• 如何配置超级计算机
• 超算平台搭建
• 武汉超算中心完成设备调试可随时投用，这意味着啥对当地经济发展有何利
• 【Fortran并行科学计算】Fortran+mpi环境搭建
• 计算机未来有哪些发展趋势
• 怎么将一堆高性能电脑硬件组成超级计算机
• 为什么需要利用超算的用户不自己买硬件搭建超算呢是没有足够的钱吗
• 搭建一个云间算平台，对服务器配置有什么要求 研究生实验室用
• 毫末布局大模型、智算中心 自动驾驶新基建如何筑成

搭建一台小型超级计算机需要多少钱，可以用来玩游戏吗

• 没必要用太高级的电脑，配置好点的微机足够了

• 就描述，没有小型超算，也没人用来玩游戏。没这个需求，有这个需求的都是去租超算节点的。
  所以建议学习下计算机基本概念
  不懂继续问，满意请采纳。

如何配置超级计算机

把各种部件连成一台完整的超级电脑的方法如下：
1.首先要确定硬件部件和所需要的资源
需要一个头节点（head node），至少一打的计算节点（compute node），一台以太网交换机，一个电源分配单元（power distribution unit）和一个服务器机架。计算一下电力消耗，冷却需求和占地需求。同样，你需要确定你的私有网络的IP地址段，节点的命名，预计使用的软件包以及搭建 服务集群所用的技术（后面会有更多解释）。
2.建立计算节点
需要自己组装计算节点，或者你也可以使用预配置的服务器。
●选择一款能够最大化空间、冷却和能源消耗效率的机架式服务器；
●或者，可以使用一打左右闲置的过时服务器——它们集合在一起工作的性能要比它们独立运行时的总和还多，而且还能省你一大笔钱！整个系统的处理器、网络适配器、主板应该是同一型号的，这样才能达到最佳运行效能。当然了，还要给每个节点配内存和硬盘，并且至少给头节点配一台光驱。
3.将服务器装在机架上
安装的时候从下面开始，这样可以避免机架头重脚轻。你可能会需要朋友的帮助才能完成这件事——这么多的服务器将非常的重，把它们放到机架的滑轨上会非常困难。
4.在机架顶端安装以太网交换机
现在来配置交换机：允许9000字节的大的帧，将IP地址设置为你在第一步里面确定的静态地址，关闭例如SMTP嗅探这样不必要的路由协议。
5.安装能源分配单元
根据目前你的节点的最大需求，可能220V就能满足你的高性能计算需求了。
6. 一切都安装妥当之后，就可以开始配置环节了
Linux是高性能计算集群（HPC Cluster）操作系统的事实标准，这不仅因为Linux是科学计算的理想环境，也是由于在数以百计甚至千计的节点上安装的时候，Linux不会产生任何花费。设想一下，在如此多的节点上安装Windows会花掉你多少钱呢？
●从更新主板BIOS的固件开始，将所有节点的BIOS固件都更新至最新的版本；
●在每个节点上都安装好你喜欢的Linux发行版，头节点需要安装队图形界面的支持。比较流行的选择，包括CentOS、OpenSuse、Scientific Linux、RedHat以及SLES；
●使用Rocks Cluster Distribution来搭建计算集群。除了它已经安装好计算集群需要使用的所有工具外，Rock还提供了一种通过PXE和RedHat的“Kick Start”来进行批量部署的方案。
7. 安装消息传送界面、资源管理器以及其他必须的库
如果上一步里你没有选择Rock做为你的节点的操作系统，那么现在你需要手动设置并行计算机制所必需的软件。
●首先，你需要一个便携的bash管理系统，例如Torque Resource Manager，这些软件允许你划分以及分配计算任务；
●如果安装了Torque Resource Manager，那么你还需要Maui Cluster Scheduler来完成设置；
●其次，需要安装消息传送界面（message passing interface），用来在不同的计算节点的进程之间共享数据。
最后，不要忘了用多线程的数学库及编译器来编写计算任务。
8.将所有的计算节点接入网络
头节点负责将任务分配到计算节点，计算节点再把结果返回回来，节点间的消息传递也是如此，所以当然是越快越好了。
●使用私有网络将集群中的所有节点互联起来；
●头节点其实还充当局域网里的NFS、PXE、DHCP以及NTP服务器；
●将该网络从公网中分离出来，这样可以保证该网络中的广文不会影响到其他的网络；
9.对集群进行测试
在你把你强大的Top500计算集群交付给客户之前，你还要测试一下它的性能。HPL（High Performance Lynpack）评测软件包是测试集群的计算速度的常见选择。你需要从源代码编译它，编译的时候根据你选择的架构，打开所有可能的优化选项。

超算平台搭建

想搭建超算中心就得需要充足的预算，光设备的购买和维护上就需要花上很多的投入，非常不值得。其实现在已经有云超算平台了，就像北鲲云超算不仅支持软件的预装，还支持弹性配置选择，单作业最大支持几十万核心，在便利性和成本方面的考核来说，搭建超算中心已经不能作为首选了。

武汉超算中心完成设备调试可随时投用，这意味着啥对当地经济发展有何利

武汉超算中心完成设备调试可随时投用，这意味着啥首先就是可以使得武汉市境内的云数据服务能力提升到更高的等级，其次就是可以更好的满足武汉市境内的全体的企业工作生产效率，再者就是可以将一些数据的处理能力作为商业手段来为大众服务，另外就是可以利用这些超算能力来为很多网络平台搭建一个安全的网络体系，需要从以四方面来阐述分析武汉超算中心完成设备调试可随时投用，这意味着啥以及对当地经济发展有何利。

一、使得武汉市境内的云数据服务能力提升到更高的等级 

首先就是使得武汉市境内的云数据服务能力提升到更高的等级 ，对于武汉市境内的云数据服务能力而言可以提升到一个全新的等级这样子对于武汉市的长期发展起到了立好的作用。

二、可以更好的满足武汉市境内的全体的企业工作生产效率 

其次就是可以更好的满足武汉市境内的全体的企业工作生产效率 ，这样子企业再生产的时候可以利用大数据服务来指导具体的生产过程。

三、可以将一些数据的处理能力作为商业手段来为大众服务 

再者就是可以将一些数据的处理能力作为商业手段来为大众服务 ，对于这些大数据处理能力而言如果可以将其商业化就可以为对应的超算公司提供很多的盈利。

四、可以利用这些超算能力来为很多网络平台搭建一个安全的网络体系 

另外就是可以利用这些超算能力来为很多网络平台搭建一个安全的网络体系 ，这样子可以更好的使得网络平台长期处于一个更加健康的状态。

网络平台应该做到的注意事项：

应该加强与超算公司的合作。

【Fortran并行科学计算】Fortran+mpi环境搭建

首先，工欲善其事必先利其器——搭建Fortran的MPI并行的环境。

因为是使用的是学校服务器—— MPI使用指南 | 武汉大学超算中心 。

选用的是Intel提供的MPI服务。

1、修改环境变量：

注意 ：在单个服务器上面的环境变量修改，记得按照默认的路径按照：

2、检验是否成功。

和

最后是调试时候能够正常使用。 MPI使用指南 | 武汉大学超算中心 提供的是C语言版本的使用方法，并且使用slurm调度系统进行提交。以后的文章会根据这上面的内容来调试相关的学习内容。

计算机未来有哪些发展趋势

——预见2023：《2023年中国超算行业全景图谱》(附市场规模、竞争格局和发展前景等)

超算行业主要上市公司：联想控股(03396.HK);浪潮信息(000977.SZ);中科曙光(603019.SH)

本文核心数据：中国超级计算机性能;中国超算系统上榜TOP500的数量及份额;中国高性能计算机性能TOP100涉及应用领域占比;中国超算服务市场规模;中国高性能计算机性能TOP100厂商占比

行业概况

1、定义

超级计算(HPC，high performance
computing)指利用并行工作的多台计算机系统(即“超级计算机”)的集中式计算资源，处理极端复杂的或数据密集型的问题。

超级计算机又称高性能计算机、巨型计算机等，在计算速度、储存容量等方便有着普通计算机不具备的超高性能，当前以每秒钟浮点运算速度(flops)为主要衡量单位。超级计算机的运算速度可以达到每秒数亿亿次，是普通计算机的数千万倍，每秒千万亿次运算的超级计算机被称为“P级超算”，每秒百亿亿次运算的超级计算机则被称为“E级超算”。

超级计算机主要运用于尖端科研、国防军工、产业升级、重大社会问题等大科学、大工程、大系统中，是一个国家科研实力的体现，是国家科技发展水平和综合国力的重要标志。从算力资源的需求看，沙利文将高性能计算分为尖端超算、通用超算、业务超算和人工智能超算四大类。

2、产业链剖析：中游参与者较少

当前，我国初步形成超算行业产业链，上游为超算行业支撑产业，包括基础硬件、基础软件、应用软件、配套基础设施资源(供电设备、制冷设备、安防系统、综合布线等);中游为超级计算机厂商、超算中心、超算科研机构等，对上游的资源进行整合，提供强大的超算资源;下游为超算行业应用领域，包括石油气勘探、生物医药、海洋工程、气象预测、工程仿真、智慧城市等。

从超算产业链参与者来看，上游基础硬件、基础软件的制造商主要为Intel、AMD、HPE、三星、DELL等国外知名企业，国内企业发展较为滞后，国产厂商主要有华为海思、长江存储、并行科技等。应用软件方面，代表性企业有中望软件、英特仿真、速石科技、索辰科技等。

中游超算资源提供者主要分为两类，一类是以联想、浪潮和中科曙光为代表的超级计算机厂商，提供商用超算产品，包括超算的软件和硬件产品;另一类是以国防科技大学、国家并行计算机工程技术研究中心、江南计算技术研究所、中国科学院计算技术研究所为代表的超级计算机研制机构，其研制的超算系统部署在全国各地的国家超级计算中心。

行业发展历程：由被封锁垄断走向引领创新

纵观中国超级计算行业的发展，是中国科研人员艰苦奋斗、开拓进取的历程，翻越了打破封锁(1956-1995年)、打破垄断(1996-2015年)和引领创新(2016年至今)的“三座大山”，逐步缩小了与国外研制水平的差距，并最终在整机系统设计和关键技术上取得了世界领先的成就。

当前，在超级计算领域，国产生态自主研发的实力已经处于全球领先的地位。2022年，中国TOP100高性能计算机中自主研发的集群占95%，100台集群中有42台由联想制造，中国超算已经进入全球第一梯队。

行业政策背景：建设E级和10E级超级计算中心

近年来，国家政策密集出台，大力支持算力、高性能计算机以及超算行业的发展，驱动超算中心建设快速推进。国家层面有关超算行业的政策汇总如下：

行业发展现状

1、超级计算机性能：2022年性能显著提升

总体来看，中国超级计算机性能呈逐年增长趋势，平均性能从2013年的573 Tflops升至2022年的8999
Tflops。其中，2016-2020年，神威太湖之光连续保持了5年排名榜首，Linpack值为93015
Tflops，2021年和2022年神威太湖之光分别位列第二位和第三位。

2022年我国超级计算机最高性能达208260
Tflops，较2021年的最高性能提升了66.55%，性能显著提升，带动超级计算机平均性能提升30.16%至8999 Tflops。

2、超算中心建设：共有11所国家级超级计算中心

国家超级计算中心是由国家科技部批准成立的数据计算机构，是科技部下属事业单位。2022年4月18日，太原中心通过科技部验收，正式纳入国家超算序列管理。截至2023年8月，中国已批准建立的国家超级计算中心共有11所，分别是国家超级计算天津中心、深圳中心、济南中心、广州中心、长沙中心、无锡中心、成都中心、郑州中心、昆山中心、西安中心和太原中心。

3、TOP500上榜数量：2023年6月位列世界第二

作为世界高性能计算领域规模最大的权威会议之一，国际高性能计算大会每半年公布一次全球超级计算机TOP500榜单。2017-2022年，全球超级计算机TOP500榜单上，来自中国内地的超算系统数量呈现先上升后下降趋势，主要由于2020年起中国停止向TOP500组织提交最新超算系统信息，故此后数量和算力占比均有所下滑。2022年11月，来自中国内地厂商为162家，占比32.4%，位列世界第一。2023年6月，中国内地超算系统上榜TOP500数量从162台下降到134台，占比26.8%，位列世界第二。

4、超算应用领域：大数据领域占比最高

在2022年11月中国高性能计算机性能TOP100中，所涉及最多的领域为大数据领域，占比20%;其次为云计算领域，占比15%;算力服务与视频领域占比均为12%。

5、超算服务市场规模：以24.5%的速度增长

根据Frost &
Sullivan的调研数据，2016-2021年中国超算服务市场规模的复合增长率达24.7%，2021年市场规模为196.6亿元，2022年增速约24.5%，据此测算，2022年中国超算服务市场规模约244.8亿元。

行业竞争格局

1、区域竞争：广东和江苏为双超算中心省份

截至2023年8月，我国共有11个国家级超算中心，其中，广东和江苏为双超算中心省份，广东有国家超级计算深圳中心和广州中心，江苏则有国家超级计算无锡中心和昆山中心。同时，天津、山东、湖南、四川、河南、陕西、山西等省市也有国家级超算中心分布。

2、企业竞争：联想排名全球第一

2023年6月最新的全球高性能计算机TOP500榜单中，位于北京的联想集团有160套HPC系统入围，排名全球第一;位于济南的浪潮集团有43套HPC系统入围，排名全球第三;位于天津的中科曙光有23套HPC系统入围，排名全球第六。

根据HPC
2022年11月最新公布的中国高性能计算机性能TOP100榜单，联想上榜的型号最多，占比42%，上榜型号大多为深腾8800系列;其次为浪潮，占比27%;曙光排名第三，占比10%。

行业发展前景及趋势预测

1、发展前景：2028年市场规模近900亿元

目前超算正在通过先进电子技术、计算服务、软件应用等方式为我国重点行业提供算力服务，超算产业生态链的建设将会对超算应用领域相关产业调整及升级转型起到实质性推动作用，预计未来市场规模将持续扩大。据Frost
&
Sullivan预测，2022-2025年我国超算服务市场规模复合增速约24.1%，若持续保持这一增速发展，到2028年，中国超算服务市场规模将接近900亿元。

2、发展趋势：朝分布式和“类脑”方向发展

当前，制约超级计算机发展的主要问题是能耗过高。以全球前十名的超级计算机为例，每小时消耗电量超过2万度，与一座小型城镇的耗电量相当。为解决这一问题，未来超级计算机将朝分布式和“类脑”方向发展。

更多本行业研究分析详见前瞻产业研究院《中国超级计算(超算)行业市场需求预测与投资战略规划分析报告》。

怎么将一堆高性能电脑硬件组成超级计算机

今天咱们来看看天河2号超级计算机怎么搭出来的。

天河二号由国防科技大学和浪潮合作研制，2013年至2014年蝉联全球超级计算机第一名。不过性能是拿钱堆出来的，造价25亿人民币，一天满负荷运转要耗电费40万元。看看下面的配置就知道为什么花这么多钱了。从这么多CPU看得出来，CPU厂商是多么喜欢超级计算机。不过美国政府对中国禁运高端CPU之后，Intel的销售估计都要哭死了。

怎么从一个个芯片组装成一台超级计算机？看下图。16000个计算节点，其实就是主板，汇集成32个Frame，再组成4个Rack，最后组成了超算系统。

超级计算机的基础节点包括三种：16000个计算节点，4096个管理节点，256个IO节点和64个存储服务器。

先看看最小的组件：计算节点。2 个Intel Ivy Bridge CPU + 3个 Intel Xeon Phi 。CPU之间用QPI总线互联，一般NUMA架构是这么做的。每个CPU有自己的DIMM内存，一共64GB。还通过PCIex16连到内部高速互联网络，GDDR5内存。GDDR5内存有一个专门的CPU管理。两个万兆网卡估计是管理用的。这样一个节点计算性能最高可以到3.432Tflops，

计算节点物理上坐落于计算刀片服务器。如下图，蓝色的是Xeon Phi处理器，黑色的估计就是Ivy Bridge CPU，所以一个刀片服务器包含了两个节点。

再来看看用国产飞腾CPU搭建的管理节点，性能是144GFlops。飞腾CPU是国防科大研制的，目前有几种型号，天河2号采用的FT-1500基于 Sparc V9架构。为了便于商业化推广，飞腾还推出了兼容ARM64位指令集的FT-1500A系列。FT-1500A目前包括4核和16核两款产品。其中4核处理器芯片主要面向桌面终端和轻量级服务器应用领域，面向服务器应用领域的是16核处理器芯片。据称，FT-1500A系列处理器与Intel 2010年的处理器性能相当 。

来看看这颗基于Sparc架构的FT-1500架构。采用40nm工艺，1.8GHz，16核，功耗约65瓦。计算架构采用了SIMD（Single Instruction Multiple Data），一条指令可以同步让多组数据执行。如下图，一个CPU有四个DDR3接口，IO带宽很高。

天河2号有256个IO节点和64个存储服务器，总共存储容量12.4PB。既然是超级计算机，自然要使用高性能的固态硬盘SSD，每个IO节点有2TB的SSD，IO带宽达到5GB/s，从下图可以看出1个2TB SSD由5个400GB 小SSD组成，那估计每个的带宽是1GB/s。IO节点对外有两种接口：高速互联接口和Infiniband QDR存储网络接口。阿呆猜想高速互联网络是用来输出数据给计算节点，IB接口是IO节点之间数据共享用的。采用了Hybrid hierarchy file system，H2FS，数据保存在每个节点本地，但是相互之间也能共享。

这么多节点怎么组成超级计算机呢？下面就是组网图。关键的设备是中间的13个交换机，每个交换机有576个端口！

更加难能可贵的是，高速互联芯片都是纯国产。包括网络路由芯片NRC和网络接口芯片NIC。

• NRC采用90nm工艺，大小为17.16mm*17.16mm，2577个管脚，带宽为2.56 Tbps。这么多管脚估计也是为了增加端口数。

• NIC也是90nm工艺，大小10.75mm*10.76mm，675个管脚。

说到超算，就不得不提制冷系统，这么一台庞大的机器，没有有效的制冷，估计就着火了。天河2号采用了紧耦合水冷系统，整台机器功耗17.6MW，加上制冷系统就是24MW。制冷用了27%的电。

天河有自己的软件架构，如下图。对用户来说，最重要的是用户的编程接口，有些用户为了搞个研究，写这个程序就得花上几年。很多时候政府推动的项目硬件给很多经费，设备都很不错，但是领导舍不得给软件投钱，毕竟展示效果没那么壮观，所以软件往往是短板，用户使用不便，先进设备的利用率就不高。

天河支持下列编程语言。值得一提的是OpenMC语言，比CUDA和OpenCL的抽象级别更高，在CPU等各种资源之上有一个统一的逻辑层。各种计算任务异步执行，同时分配到不同的设备上。

对管理者来说，这么多节点的资源调度和监控也是很重要的。如下图，每台机器安装了国产麒麟Linux操作系统，其实也是国防科大主导的。

我们搞存储的最关心的就是存储软件架构了。数据分为本地存储和共享存储，共享存储使用了超算流行的Lustre分布式文件系统，这种文件系统对于大文件访问性能不错。用户使用POSIX接口读写文件。不过数据密集型应用用Layout接口和Policy接口访问数据。

总结一下，一台超级计算机其实就是很多小计算机的集合，当然难点在大家的高速互联和同步。

为什么需要利用超算的用户不自己买硬件搭建超算呢是没有足够的钱吗

因为要自行创建一个超级计算机的话，需要的电力、安放位置及设计、制造、安装及调试需要大量的时间、精力和费用。不仅费用更高，也没有必要。
比如只是计算入轨角度，计算完了，以后也能用，而花大钱创建了超级计算机后，计算后就用不到了，相信单位领导也不会同意花这笔钱的，不如申请点经费去超级计算机中心使用更合算。
简单想下就知道了：目前市场上运算能力最高的服务器级CPU Intel Xeon E7-8890 v4价格就高达7W，虽然太湖之光上的“申威26010”只是纯运算处理器，但造价肯定不会低于万元。太湖之光共有40960块这样的处理器，这还不算组合等其它费用。一般单位还真出不起这笔钱。

搭建一个云间算平台，对服务器配置有什么要求 研究生实验室用

这个要看你是什么规模，如果是搭建云平台成本会很高，如果就是纯纯的超算的话，我建议用曙光的那款双GPU的工作站。中国的天河一号你应该知道吧，用的就是曙光的东西。如果有兴趣你可以去网上查一下。

毫末布局大模型、智算中心 自动驾驶新基建如何筑成

2023伊始，先是开年毫末智行举办HAOMOAIDAY，放出自动驾驶行业最大智算中心，再有小鹏、理想新春全员信剑指城市导航辅助驾驶，随后是对话式AI大模型ChatGPT火遍全网，自动驾驶AI技术再次成为顶流。

无论是自动驾驶的“进城”，还是ChatGPT的“进化”，其背后都是对数据、算力需求指数级增长的态势以及对大模型的训练。当需求上来了，智算中心作为自动驾驶的“新基建”也就被业界越来越多的提及。

智算中心即智能计算中心，是基于人工智能理论，采用领先的AI计算架构，提供人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施，换句话说，智算中心其实是一个算力的供应和生产平台。那为什么有了它“自动辅助驾驶”就可以变为“自动驾驶”了？

“降服”自动驾驶边际成本 自动驾驶智算中心“专云专用”

有人说，智算中心是自动驾驶发展的助推器，因为自动驾驶算法模型训练是机器学习的典型场景之一，其视觉检测、轨迹预测与行车规划等算法模型需要同时完成高并发的并行计算，对算力有着极高的需求，而智算为提高算法模型的成熟度提供了巨大的算力。

在自动驾驶领域，说起智算中心，还得先提特斯拉。2017年，Transformer网络出现后，奠定了当前大模型领域主流的算法架构基础，随后，2020年，特斯拉将Transformer大模型引入自动驾驶领域中，是AI大模型应用于自动驾驶的开端。在这之后，特斯拉开始着手打造属于自己的AI计算中心——Dojo，总计使用了1.4万个英伟达的GPU来训练AI模型。为了进一步提升效率，特斯拉在2021年发布了自研的AI加速芯片D1，并计划将25个D1封装在一起组成一个训练模块（Training tile），然后再将训练模块组成一个机柜（Dojo ExaPOD）。最近一期的特斯拉AI DAY上，马斯克称将于2023年一季度部署完成特斯拉超级计算机群组ExaPOD。

国内方面，2022年8月，小鹏汽车和阿里云合建了当时国内最大的自动驾驶智算中心“扶摇”，专门用于自动驾驶模型训练，算力规模达600PFLOPS，相当于每秒可以完成60亿亿次浮点运算。不过这个记录仅仅维持了4个多月。

今年1月，毫末智行联合火山引擎，共同推出自动驾驶行业最大的智算中心MANA OASIS（雪湖·绿洲），每秒浮点运算达67亿亿次，存储带宽每秒2T，通信带宽每秒800G。吉利也在1月28日上线了吉利星睿智算中心，目前已接入智能驾驶和车联网实验数据近百PB，在线车辆的并发计算支持达百万辆。

从现有情形来看，成本和需求两重因素，是智算中心的诱人之处。

成本层面，算力作为自动驾驶的基本要素，需要更高性能的智算中心来完成训练、标注等工作。以毫末的MANA OASIS为例，通过部署Lego高性能算子库、ByteCCL通信优化能力，以及大模型训练框架，软硬一体，毫末把算力优化到极致。在训练效率方面，基于Sparse MoE，通过跨机共享，轻松完成千亿参数大模型训练，且百万个clips（毫末视频最小标注单位）训练成本只需百卡周级别，训练成本降低100倍。

搭建高效、低成本的数据智能体系是自动驾驶技术健康发展的基础，也是自动驾驶系统能够不断迭代前行的重要环节，更是自动驾驶商业化闭环的关键所在。

小鹏汽车董事长何小鹏曾表态，“如果现在不以这样的方式（智算中心）提前储备算力，那么今后5年内，企业算力成本会从亿级，加到数十亿级。”

如果持续使用公有云服务，边际成本不断上涨只是一方面，更重要的是，智算中心可以让自动驾驶企业实现“专云专用”。自动驾驶的开发包括从数据采集到数据筛选、打标、模型训练、回放性验证、仿真测试等等环节。而云计算的本质是租赁计算设备，云服务商的设备都是统一采购，为了获得更多客户，这些设备都具备很大的通用性，设备内部使用的CPU、GPU/AI加速器、内存的型号与规格都相对固定，很难与车企和自动驾驶公司的算法形成最佳匹配。并且，云服务厂商对自动驾驶算法的了解程度不高，不可避免的会在调度算力时出现损耗和效率不高的问题。所以，从需求的角度来看，智算中心似乎可以成为自动驾驶和车企的托底神器。

同样以毫末为例，有了MANA OASIS的加持，毫末MANA五大模型全新亮相升级，车端感知架构实现跨代升级，毫末的技术栈布局继续保持完整领先的态势，尤其在感知、认知等层面领跑行业，引领大模型、大算力、大数据发展方向，冲刺进入自动驾驶3.0时代。

拿数据采集、筛选和标注来说，自动驾驶系统在前期开发阶段，需要采集大量的道路环境数据，以此让车辆像人类驾驶员一样快速准确地识别车道、行人、障碍物等驾驶环境中的关键信息。唯一的办法是，通过在海量数据基础上不断的重复训练与验证，车辆对道路环境的认知水平逐渐趋近于真实情景，判断的准确性在这一过程中不断提升。

不仅如此，车企收集到的数据还需要进行模型训练，算法通过在数据上进行运算产生模型，而智算中心将是驱动大模型和海量数据训练的加速器。基于Sparse MoE，毫末根据计算特点，进行稀疏激活，提高计算效率，实现单机8卡就能训练百亿参数大模型的效果，实现跨机共享exper的方法，完成千亿参数规模大模型的训练，训练成本降低到百卡周级别；毫末设计并实现了业界领先的多任务并行训练系统，能同时处理图片、点云、结构化文本等多种模态的信息，既保证了模型的稀疏性、又提升了计算效率；MANA OASIS训练效率提升了100倍。

毫末智行CEO顾维灏也在详细阐释了建设智算中心的底层逻辑：“自动驾驶对智算中心的第一要求肯定是算力。智算中心的超大算力代表了有多少的AI工程师在这个练武场中能够做出什么大模型，能训练多少大模型。”

智能辅助驾驶“进城” MANA OASIS帮助毫末解决了哪些难题？

现在很多车企和自动驾驶技术企业已经开始把打造智算中心当成下一阶段竞争重点。今年1月的HAOMO AI DAY上，毫末智行董事长张凯给出了2023年自动驾驶行业趋势的十大新预测，超算中心赫然位列其中，“超算中心会成为自动驾驶企业的入门配置。”

事实上，当下，随着新能源汽车品牌普遍已经把高速公路场景下的辅助驾驶列为标配，赛场已经悄然从高速路转向城市。与高速导航辅助驾驶相比，城市行车涉及了红绿灯、十字路口、行人电动车、遮挡、固定障碍物、频繁刹停起步等一系列难题，复杂度又提升了好几个数量级。

如果仅用实测车辆去挑战这些城市场景无法穷尽的Corner Case，成本、安全性、时间都将成为企业发展的壁垒。由此，虚拟仿真就成为了解决部分成本及场景多样性的关键，其中，大规模的长尾场景需要数据中心提供充足的算力支持。同时，仿真场景对现实的回归过程，同样需要巨大的算力提供支持。

在MANA OASIS的加持下，毫末的数据智能体系MANA五大模型全新亮相升级。而在五大模型助力下，MANA最新的车端感知架构，从过去分散的多个下游任务集成到了一起，形成一个更加端到端的架构，包括通用障碍物识别、局部路网、行为预测等任务，毫末车端感知架构实现了跨代升级。这也意味着毫末的感知能力更强，产品力更强，向全无人驾驶加速迈进。

首先是视觉自监督大模型，让毫末在中国首个实现4D Clip的自动标注。毫末利用海量videoclip，通过视频自监督方式，预训练出一个大模型，用少量人工标注好的clip数据进行Finetune（微调），训练检测跟踪模型，使得模型具备自动标注的能力；然后，将已经标注好的千万级单帧数据所对应的原始视频提取出来组织成clip，其中10%是标注帧，90%是未标注帧，再将这些clip输入到模型，完成对90%未标注帧的自动标注，进而实现所有单帧标注向clip标注的100%的自动转化，同时降低98%的clip标注成本。毫末视频自监督大模型的泛化性效果极佳，即使是在一些非常困难的场景，例如严重遮挡的骑行者，远处的小目标，恶劣的天气和光照，都能准确地完成自动标注。

其次是3D重建大模型，助力毫末做数据生成，用更低成本解决数据分布问题，提升感知效果。面对“完全从真实数据中积累corner case困难且昂贵”的行业难题，毫末将NeRF技术应用在自动驾驶场景重建和数据生成中，它通过改变视角、光照、纹理材质的方法，生成高真实感数据，实现以低成本获取normal case，生成各种高成本corner case。3D重建大模型生成的数据，不仅比传统的人工显式建模再渲染纹理的方法效果更好、成本更低。增加NeRF生成的数据后，还可将感知的错误率降低30%以上，且数据生成可实现全程自动化，无需任何人工参与。

多模态互监督大模型则可以完成通用障碍物的识别。毫末在成功实现车道线和常见障碍物的精准检测后，针对城市多种异形障碍物的稳定检测问题，毫末正在思考和探索更加通用的解决方案。目前，毫末的多模态互监督大模型，引入了激光雷达作为视觉监督信号，直接使用视频数据来推理场景的通用结构表达。该通用结构的检测，可以很好地补充已有的语义障碍物检测，有效提升自动驾驶系统在城市复杂工况下的通过率。

动态环境大模型，可以精准预测道路的拓扑关系，让车辆始终行驶在正确的车道中。在重感知技术路线下，毫末为了将对高精地图的依赖度降到最低，面临着“道路拓扑结构实时推断”的挑战。为此，毫末在BEV的feature map（特征图）基础上，以标精地图作为引导信息，使用自回归编解码网络，将BEV特征，解码为结构化的拓扑点序列，实现车道拓扑预测。让毫末的感知能力，能像人类一样在标准地图的导航提示下，就可以实现对道路拓扑结构的实时推断。

毫末认为，解决了路口问题实际就解决了大部分城市NOH问题。目前在保定、北京，毫末对于85%的路口的拓扑推断准确率高达95%。即便是非常复杂、非常不规则的路口，毫末也能准确预测，比老司机还老司机。

人驾自监督认知大模型在今年2月已经被正式升级为DriveGPT，这也是全球首个自动驾驶认知大模型。它能让毫末的驾驶策略更加拟人化，安全及顺畅。目前，毫末DriveGPT已完成模型搭建和第一阶段数据的跑通，参数规模可对标GPT-2的水平。接下来，DriveGPT将持续引入大规模真实接管数据，通过人驾数据反馈的强化学习，来不断提升测评效果，同时也将DriveGPT作为云端测评模型，用来评估车端小模型的驾驶效果。

仿真测试能有效缩短技术和产品开发周期，降低研发成本。业内典型的长尾场景问题不够丰富，现实中可遇而不可求的极端场景，利用仿真平台可以便捷生成。由于仿真测试中的模拟环境需要实现多模态融合，以支持传感器模组的复杂性，因而也需要大算力的支持。

除了毫末，特斯拉超算中心拥有近2万张GPU，对自动驾驶训练效率产生立竿见影的效果，最大限度地提升了自动驾驶系统的开发效率；大陆集团的高算力集群，将开发周期从几周缩短至几个小时，使自动驾驶得以在中短期商业计划中落实；机器学习时间的缩短加快了新科技进入市场的速度；“扶摇”支持小鹏自动驾驶核心模型的训练时长从7天缩短至1小时内，大幅提速近170倍……

当前，一个不争的事实就是，在自动驾驶领域具有长期规划的车企，无论是造车新势力还是传统品牌，或者技术供应商，都在搭建自己的超算中心，以掌握稳定的算力资源，缩短开发周期，加快自动驾驶产品的上市。相反，如果没有超算中心，那么自动驾驶训练速度将明显放缓，自动驾驶企业间的差距也将愈发明显。

用智算中心打造数据护城河 数字新基建逐步成为发展“标配”

自动驾驶发展至今，业界发现乘用车智能辅助驾驶是最有可能大规模铺开的商业场景。据高工智能汽车研究院数据显示，2022年中国市场（不含进出口）乘用车前装标配搭载L2级辅助驾驶的搭载率，已经连续第二个月超过30%。智研咨询数据显示，预计到2025年，全球新车L2自动驾驶的渗透率可达53.99％。

今年，城市导航辅助驾驶也开启了量产的征程。西部证券预测，2023～2025年，国内市场上搭载城市导航辅助驾驶的车型将分别达到70万、169万和348万辆，占比将分别达到17％、40％和70％。

在城市导航辅助驾驶落地加速的背景下，更容易复制、拓展的重感知的方案，受到了更多关注。在重感知技术路线下，面对“道路拓扑结构实时推断”的挑战，毫末的选择是在特征图基础上，以标精地图作为引导信息，使用自回归编解码网络，通过结构化的拓扑点序列解码，实现车道拓扑预测。由此不难看出，业界逐渐达成共识的重感知路线，相比高精地图方案，更依赖算力加持。

人工智能是创新的加速器，智算中心则可以为各类技术创新提供支撑。一方面，智算中心可以为构建安全可信、可复用的技术研发环境提供算力设施支撑，为各领域科技研发提供智能计算服务，加速科技研发的进程；另一方面，智算中心是新一代信息技术的集成应用载体，智算中心的快速建设推广与规模化应用将推动通信服务网络、大数据、人工智能等技术的快速迭代，从而促进技术创新。自动驾驶数据是片段式的，特点是小文件多，达到百亿个，而且训练需要交换的数据多，智算中心可以提供充足的带宽，并且可以让自动驾驶模型拥有更好的并行计算框架，在训练的时候把硬件资源都利用起来。

2020年4月20日，国家发展改革委首次明确新型基础设施的范围，其中就包括以智能计算中心为代表的算力基础设施。2023年1月10日，国家工业信息安全发展研究中心推出《智能计算中心2.0时代展望报告》，指出经过5年多发展，智算中心正由1.0粗放扩张阶段走向2.0精细规划阶段。

根据相关统计和测算，目前全国超过30个城市在建或筹建智算中心，未来5年我国智能算力规模年复合增长率将达52.3%。智算中心的创新发展，将进一步为人工智能夯实“算力底座”，成为带动人工智能及相关产业快速发展的新引擎。

“我们测算，智算中心带来的成本优化是惊人的，将达到亿元级别。”这是今年1月，张凯提出的预测。从目前及未来的规划量产规模来看，毫末自建智算中心可节约巨额成本；同时，其带来的效率提升也非常明显。

人工智能发展很快，新的算法层出不穷，需尽快引入新的技术和模型，与此同时，数据是智能化发展最大的驱动力，也占据了大量成本构成。用自建智算中心来打造数据护城河，不仅能够完善产业智能生态，更能让企业在智能化方面占据先发优势，智算中心作为数字新基建，未来势必将引领自动驾驶技术持续迭代升级。

【本文来自易车号作者车业视界，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】