方案背景
深度学习是人工智能领域的一个重要学科。从人类发明计算机开始，就一直尝试让计算机具有学习的能力，特别是从20世纪80年代以来，深度学习在算法、理论和应用等方面都获得巨大成功。2006 年以来，“深度学习”开始成为一个新的科研热点，目前已经深入到很多行业，在很多应用领域获得成功，相关的研究工作也得到了大力推广。
HPC应用往往基于第一性原理的探索，在面对大量的数据库数据和样本数据时，对于数据的处理显得有些捉襟见肘，同时对于大量的仿真结果与大量计算结果数值的分析，也需要更多的时间完成，但AI是基于大量数据结合算法诞生的技术，擅长对于大量样本数据的提取，同时对于大量仿真结果与计算结果的加速分析，用AI的方式处理HPC任务时，不仅可以有效处理样本数据，对于得到的大量计算结果，可以利用AI的迭代细化的底层模型，完成大量结果的快速分析计算，实现降本增效。同时HPC的大量结果数据又可以为AI提供原始数据，为模型的预测提供更好的支持，二者相辅相成。
大模型的诞生源于深度学习与大数据、大算力的结合。2017年Transformer架构提出后，模型规模迅速扩大。以2018年BERT、2020年GPT-3为代表，大模型展现出强大语言理解和生成能力，随着Deepseek、千问等优质大模型的发布，人工智能领域算力提升、海量互联网文本积累及自监督学习技术进步，共同推动了大模型快速发展，并广泛应用于搜索、对话、创作等领域。
HPC应用往往基于第一性原理的探索，在面对大量的数据库数据和样本数据时，对于数据的处理显得有些捉襟见肘，同时对于大量的仿真结果与大量计算结果数值的分析，也需要更多的时间完成，但AI是基于大量数据结合算法诞生的技术，擅长对于大量样本数据的提取，同时对于大量仿真结果与计算结果的加速分析，用AI的方式处理HPC任务时，不仅可以有效处理样本数据，对于得到的大量计算结果，可以利用AI的迭代细化的底层模型，完成大量结果的快速分析计算，实现降本增效。同时HPC的大量结果数据又可以为AI提供原始数据，为模型的预测提供更好的支持，二者相辅相成。
大模型的诞生源于深度学习与大数据、大算力的结合。2017年Transformer架构提出后，模型规模迅速扩大。以2018年BERT、2020年GPT-3为代表，大模型展现出强大语言理解和生成能力，随着Deepseek、千问等优质大模型的发布，人工智能领域算力提升、海量互联网文本积累及自监督学习技术进步，共同推动了大模型快速发展，并广泛应用于搜索、对话、创作等领域。
应用领域
科研领域
教育领域
金融领域
医疗领域
用户价值
算力灵活扩展
一体机计算能力可根据用户需求灵活调配，可支持单机环境深度学习全流程设计或HPC单机计算，也可根据用户算力需求扩展为单柜或多柜的分布式AI、HPC、大模型任务，适应不用应用场景及用户对于计算的需求。
智能管理监控
一体机可实时监控系统资源、节点状态、任务运行情况，通过图形化界面，从分区、用户、集群等各个层次和维度展示当前CPU、GPU等使用率、使用趋势、配额雷达图、任务运行概况；平台通过折线图、旭日图、直方图、分布雷达图、桑基图、气泡图等多种监控、统计方式，满足不同用户使用需求。
AI+HPC+大模型作业管理
用户可以提交配置调试任务、HPC、交互式开发任务、AI任务以及快速部署GPU Stack和Dify，完成从配置、脚本、代码验证到AI、HPC、大模型的运行，同时展示AI、HPC作业、大模型的任务名称、节点、分区、项目、状态、以及对任务的操作。
高效数据存储
采用软件定义存储，通过分布式存储系统构建统一存储资源池，支持块、文件、对象等多种存储协议，满足业务平台的存储需求，可实现统一管理，实现简化运维。分布式存储支持IB高速网络和RDMA，数据读写效率高。
产品特点
算力灵活扩展
一体机计算能力可根据用户需求灵活调配，可支持单机环境深度学习全流程设计或HPC单机计算，也可根据用户算力需求扩展为单柜或多柜的分布式AI或HPC任务，适应不用应用场景及用户对于计算的需求。
智能管理监控
一体机可实时监控管理集群资源使用情况和硬件状态，包括任务监控、GPU使用看板、节点健康等，并提供用户、集群、分区、节点维度的详细使用报表，大幅提高资源使用效率，用户通过远程控制台监控一体机的运行和健康状态。
AI+HPC作业管理
用户可以在线提交配置调试任务、HPC、交互式开发任务、AI任务，完成从配置、脚本、代码验证到AI及HPC的运行，同时展示AI和HPC作业的任务名称、节点、分区、项目、状态、以及对任务的操作。
高效数据存储
采用软件定义存储，通过分布式存储系统构建统一存储资源池，支持块、文件、对象等多种存储协议，满足业务平台的存储需求，可实现统一管理，实现简化运维。分布式存储支持IB高速网络和RDMA，数据读写效率高。
任务作业 — 智算融合平台
数据存储 — 分布式存储系统
