当人类的目标成为探索宇宙，人类要面对的计算愈发复杂。人脑存在极限，于是用于计算的工具就随之出现。从结绳记事到数字的出现，从算盘的使用到1937年世界上第一台电子计算设备阿塔纳索夫-贝瑞计算机（ABC计算机）出现，计算工具的计算能力有了指数级的增长。
在数字经济时代，算力已经成为了国家的核心竞争力。为了训练一个模型，可能需要处理1400万～3000万张的图像（如用于视觉目标的ImageNet数据库），个人可以处理的资料规模有限，而想要完成如此巨大的任务就需要更高的算力去执行任务。高性能计算也就应运而生。
什么是HPC?
HPC是High Performance Computing即高性能计算的的缩写，是计算机科学的一个分支。通常是是指运用有效的算法，快速完成科学研究、工程设计、金融、工业以及社会管理等领域内具有数据密集型、计算密集型和I/O（数据输入输出）密集型的计算。
采用5GHZ处理器的电脑每秒可以执行50亿次计算，而高性能计算所需的计算能力和存储能力较之会高出几十倍到几万倍。
具体来说HPC被用于处理多领域的复杂问题。
而在其他的高精尖领域，如生物工程、新药研制、石油物探、运载器设计（航空航天、舰船、汽车）、材料工程、核爆模拟、尖端*器武**制造、密码研究和各类大规模信息处理等，HPC也有广泛应用。
现在HPC的应用场景主要分为四大类 。
如何实现高算力？
为了实现对海量数据的高速处理，在高性能计算中主要有多处理信息的方式，一种分类方式是按照子任务之间的关联程度分类为高吞吐计算和分布式计算。
高吞吐计算(High-throughput Computing)可以把任务集合分成若干可以并行的子任务，而且各个子任务彼此间没有什么关联。因为这种类型应用的一个共同特征是在海量数据上搜索某些特定模式，所以把这类计算称为高吞吐计算。所谓的Internet计算都属于这一类。按照Flynn的分类，高吞吐计算属于SIMD（Single Instruction/Multiple Data，单指令流-多数据流)的范畴。
分布计算(Distributed Computing)和高吞吐计算相反，它们虽然可以给分成若干并行的子任务，但是子任务间联系很紧密，需要大量的数据交换。按照Flynn的分类，分布式的高性能计算属于MIMD（Multiple Instruction/Multiple Data，多指令流-多数据流）的范畴。
按照处理子任务的方式则可以分成串行处理和并行处理。
串行处理是由中央处理器完成，每个CPU核心每次只处理一个任务。
并行处理，可利用多个CPU或GPU完成，同时在多个数据平面上工作的能力使 GPU 非常适合在机器学习 (ML) 应用任务中进行并行处理，如识别视频中的物体。
HPC=超算=云计算？
看了HPC的一些相关信息后，可能会将HPC和超算及云计算划上等号，但三者并不是完全相同的概念。
其实HPC是由超级计算衍生出来的概念。超级计算主要用途是科学计算，早期的应用仅涉及晶格点差模型计算(天气预报软件MM5)，有限元计算和空气动力学分析，但几乎与数据处理无关。 而且，超级计算专用于用户。昂贵的价格，超先进的计算机制造技术。
高性能计算则更倾向于追求综合表现，随着超级计算需求的扩大，超级计算应用程序的扩展，高性能计算的概念开始出现在1980年代后期。高性能计算可以说是超级计算的普适推广。 高性能计算追求的不再是超级计算对单一计算指标的追求而是更追求高性能的综合指标。
相对于超级计算，高性能计算更倾向于走商业路线。
而高性能计算与云计算的区别在于云计算更适合处理平行任务。云计算像是指导多个工人各自搬一块砖，但高性能计算更像是指导多个工人拿砖去盖一栋大楼。已经商业化较为成熟的云计算可以说是入门版的高性能计算，而现在很多云服务厂商也已经开始提供高性能云计算。高性能计算线下市场受到打击时，HPC上云已经成为一大趋势。
HPC市场
人工智能是刺激HPC预算和部署的重要因素，由于AI研究和应用对高算力的需求旺盛，HPC的预算一直保持稳定增长。随着机器学习在纯AI负载和HPC/AI混合负载中扮演的角色越来越重要，可以基于GPU的配置去为AI和HPC服务。当然机器学习也增加了云计算的支出，因为AI技术的快速迭代，云服务可以降低成本，让企业的选择更灵活。
由于用户群的扩大，价格敏感性和PC产品成熟度的提高，高性能计算被迫使用高性能产品组件来形成高性能产品计算机系统，这也促进了高端产品的开放性能计算技术。
中国的HPC巨头
中国软件行业协会数学软件分会公布了2019年《Top 100高性能计算排行榜》榜单，前十HPC机器中，除了国家队之外，都是联想，联想引领了民企HPC的发展。
在11-20的名单位次中，曙光、浪潮接续出现。也就是说，在商用领域，联想、浪潮和曙光处于领先地位。在40-50位段，华为进入榜单。
以联想为首，曙光、浪潮、华为为主要参与者的中国HPC商用市场，在当代AI、量子计算、云计算的时代迎来了极好的发展机会。
在中国，联想、浪潮、曙光三家占据了商用市场超过90%的份额，前100名榜单基本没有其余参与者，说明该行业确实存在一定的技术门槛，入场者难以获得进入榜单的门票。从集成技术、工艺，都需要大量经验积累。
同时，中国是最大的AI、大数据的市场，随着AI、Deep learning、machine learning在中国市场的表现更加出色，HPC也在融合该部分技术。在精准医疗或者实验模拟等，HPC都具有长远的意义和广阔的市场。
联想、浪潮、曙光的HPC在业内具有较高的产品名声。三家都有成熟的生态圈和合作资源，是国产HPC的当家力量。
HPC面临的挑战
HPC面临的挑战不光有技术性的挑战，还有环境上的挑战。技术性的挑战需要研发人员、科研机构持续投入，环境挑战需要后端及下游应用厂商共同努力。
供电/冷却是HPC必须要面临和解决的环境问题。“神威太湖之光”一天要产生20万元耗电量，产生的热量更是巨大。
给HPC设备“降温”、突破节能降耗的瓶颈迫在眉睫，绿色发展也成为了高性能计算的首要课题。神威之光的散热使用的是高效水冷。国家并行计算机工程研究中心在在硬件上围绕机房散热，独创高效水冷却技术。
但是，神威作为世界超算前5，其散热方案仍不具有高参考价值。一是散热方案需要因地部署，二是神威这样的超算系统散热方案和实际实施场地投资巨大。
不过在提高适用范围及经济的情况下，也有部分方案值得参考，间接接触型液冷就是适用方案之一。间接接触型液冷的一个典型应用是冷板式液冷。将需要散热的设备固定在一块冷板上，而液体在通过冷板的时候将设备的热量带走，以达到散热的目的。
以S9200WK液冷高性能计算服务器解决方案为例，这个方案为HPC数据中心散热提供了样板。方案将Intel S9200WK液冷服务器和Cooltera液冷CDU泵机组合，先进的冷却技术为CUP、VR、DIMM和高热捕捉率内存VR进行高流速空气冷却或者液体冷却。
方案分两个机柜，其中一个机柜里面集中放置服务器，由56个支持双路英特尔® 至强® 铂金9282处理器的计算节点组成，共有6272个计算核心，峰值521TFlops，另一个机柜放置网络交换器、电源适配器、监控服务器等，以及集成Cooltera机架式4U智能液冷分配控制系统，整柜采用全液冷设计，极致降噪，配有显示面板，实时监控冷却系统若干重要参数。
方案采用分体式水冷散热与机柜结合的方式，整柜后方为分体式水冷设备，整柜前方用于服务器上架，两侧的水管与服务器相连，整柜一侧为进水管，一侧为出水管。如此设计可以确保在同一时间内，冷却液会流经所有服务器，将热量整体带走，统一回到CDU等设备进行热交换，保证柜内服务器都处于低温状态。
此外，本方案的PUE值为1.2，达到先进绿色数据中心机房的标准，节能程度高。（注：PUE=数据中心总能耗/IT设备能耗）
就液冷原理来说，方案采用了由一次侧干冷式冷塔、二次侧冷却分配单元和环境精密空调相结合的方式。采用自然风冷+压缩机补冷方案，冬季采用自然风冷散热、当自然风冷无法满足冷塔控制箱设定的供水温度时，压缩器启动补冷；二次侧冷却分配单元通过与一次侧换热，实现供应32摄氏度水给计算节点，计算节点运行中处理器与内存之外的热量通过机箱风扇散发至机房环境。
一次侧干冷式冷塔
面板参数
环境精密空调
整个方案适用于高等院校高性能实验室、科研院所、生物医疗实验室、汽车行业模拟实验室等高性能计算场景。
结语
在大计算时代到来之际，HPC将携带更多场景落地，并在环保和可持续的前提下实现算力大迸发。