رهبری ملی در امور ابر رایانه و هوش مصنوعی. در اینجا چیزی است که باید اتفاق بیفتد.

قانون چیپس این را به رسمیت می شناسد، اما این یک وسیله نقلیه خودران نیست.

هنگامی که برای وظایف با اهمیت ملی مانند آن اعمال می شود، حتی گام های کوچک در بهره وری که توسط ابر محاسبات باز می شود می تواند جهش های فوق العاده ای در مقیاس ایجاد کند.

در نهایت، ما به افراد با استعداد و آموزش دیده برای کار با این سخت افزار نیاز خواهیم داشت. ما به دبیرستان های STEM گرا بیشتری نیاز داریم، به علوم کامپیوتر نیاز داریم تا در هر برنامه درسی دبیرستان جایگاهی داشته باشیم، و ما به بخش های CS بیشتری در دانشگاه ها نیاز داریم.

اینها اقدامات گسترده ای هستند که بزرگتر از بودجه بندی بودجه جدید برای مؤسسات تحقیقاتی خاص هستند. اما اگر کسانی از ما در صنعت خصوصی و شرکای ما در دولت تعهد ثابت خود را به سرعت بخشیدن به نوآوری حفظ کنند، بازگشت سرمایه به جامعه نمایی خواهد بود. برای همگام شدن با سفر نوآوری ابررایانه ما، از ما در HPE Supercomputing دیدن کنید.


منبع: https://www.hpe.com/us/en/newsroom/blog-post/2022/09/national-leadership-in-supercomputing-and-ai-matters-heres-what-needs-to-happen-next.html

سایر دولت‌ها هم اکنون بر این اساس عمل می‌کنند – چین، اتحادیه اروپا و ژاپن در میان 10 ورودی برتر کنونی حضور دارند. TOP500 فهرست (HPE اتفاقاً چهار تا از آن 10 ابررایانه برتر را ساخت.) آنها می‌دانند که توانایی ابررایانه قوی فقط به رقابت صنعتی مربوط نمی‌شود، بلکه در نهایت حاکمیت دیجیتال است.

بخش عمده ای از بودجه مندرج در قانون چیپس بدون اقدام در جلسات آتی کنگره برای بودجه بندی آن پول به طور خاص انجام نمی شود – از جمله مبلغ اندک اما قابل توجهی از پول که به برنامه تحقیقات محاسبات علمی پیشرفته (ASCR) جهت تأمین مالی بیشتر عمومی اختصاص می یابد. مشارکت‌های خصوصی مانند آنچه در پشت Frontier و دیگر سیستم‌های exascale آتی وجود دارد.

ما همچنین باید اطمینان حاصل کنیم که ابر رایانه یک منبع توزیع شده است. تسریع نوآوری در مقیاس نمی‌تواند اتفاق بیفتد اگر سیستم‌های exascale محدود به بخش‌های خاصی از کشور باشند – به‌ویژه با اولویت‌های ابررایانه‌ای مانند توسعه هوش مصنوعی فراگیر و مسئولیت‌پذیر. بیرون راندن این منابع در سرتاسر کشور نیز شانس جهش جرقه های خلاقانه بین قطب های دولتی و خصوصی را افزایش می دهد.

شرایط خشکسالی در جنوب غربی آمریکا را در نظر بگیرید، جایی که مدیران منابع آب به باران های تابستانی نگاه می کنند تا بدانند چگونه بهترین برنامه ریزی و واکنش به بحران آب را داشته باشند. اما این باران‌ها تا به حال غیرقابل پیش‌بینی بوده‌اند. دانشمندان با استفاده از ابررایانه و یادگیری ماشینی، روش جدیدی برای پیش‌بینی بارندگی تابستان در سراسر آریزونا و نیومکزیکو از ماه‌ها قبل در اختیار دارند و مقامات را قادر می‌سازد منابع را بهتر مدیریت کنند و با تشدید خشکسالی مقابله کنند.