? 近年来，围绕 AI 技术的国际竞争正愈演愈烈。为了抢占先机，设立 AI 专业成了各大高校顺应科技发展趋势的重大举█措。为帮助高校推进 AI 技术领域的人才培养、研究开发和成果转化，才云♂科技打造定制化 HPC 集群平台管理＠系统，支持国家科技建设。

　　某高校是由上海市人民政府和中国科学院共同举办的一所“小规模、高水平、国际化的研究型、创新型”大学。它借鉴了世界一流理工科大学的发展经验，从理工科入手培养各科专业人才，推进研究成果在各行业落地。

　　作为◢人工智能高校联盟的倡导者之一，为更好地进行 AI 学科建设，进一步巩固学校在计算机视觉、自然语言处理、深度学习、图形学等领域的＠ 优势，该高校联手才云科技，为高性能计算（HPC）集群打造了一套平台管理系统，为提升集群计↑算效率、提高资源〇利用率、降低成本提供了极大支持。

　　 AI 学科建设需从 HPC 起步

　　高校 HPC 集群是一种为学校密集型科ζ研任务提供高性能计♀算支持的计算硬件，通常计算速度要达到每秒万亿次级。作为科学研究不可或缺的计算工具，它在◣研究领域有着广泛的应用和巨大的影响力，也是衡量一所学校科研实力的重要指标之一。

　　自建校以来，该高校依♂托高性能 HPC 集群，已在物理、化学、生命科学等领域实现巨大科研进展。而随着 AI 研究的逐步展开，考虑到 AI 研究离不开庞大的数据、精确的数据标记和数十倍于一般科研项目︼的计算量，学校对用 HPC 集群支撑深度学习任务，促进 AI 与 HPC 的融合提出了更高的要求。

　　同时，为了承担更多国家级、地级科☆研课题，加快进行学科建设和人才培养，一些可预见的长期问题，如计算资源部署、使用现状与日』益增长的科研任务需求之间的矛盾也亟需得到重视〇：

　　物理资源管理零散。该高校在浦东浦西建有两个数据中心，各数据中心内的机器√配置不一，共有 8 个集群、124 台服务器、近 300 块 GPU、大量 CPU 及内存资源。虽然规模庞大，但这些资源缺乏有效的统一管理工具，存〓在计算资源过于分散、缺乏高效统筹机制的问题；

　　资源申请不规范。为满足各学科科研需求，学校一般都有针对 HPC 集群使用的完▃善申请、使用手册。但该高校的资源申请流程仍过于繁琐，缺乏自动化的资源申请、分配工具。当申请人提交申请后，计算资源需要依靠人工手动分∑配，无法实现即租即用，整个过程耗时耗力；

　　资源利用率低。该高校的服务器资源▲只能以整机的方式分配给各教研室，例如一台服务器有 6 块 GPU，当某个 AI 任务只需使用 5 块 GPU 时，申请人会▽被分到一整台服务器，如此分配方式往往导致资源使用不饱和，造成浪费；

　　资源回收困难。任务结束后，由于需要人工手动清理㊣　机器遗留数据，该高校的 HPC 集群也存』在资源回收不及时、机器时常处于闲置状态的问题。

　　 才云：构建 HPC 集群平台管理系统

　　针对该高校 HPC 集群的使用现状，才云科技基于自研智能容器云平台 Caicloud Compass 和人工智能云平台 Caicloud Clever，打造了●一套定制化的 HPC 集群平台管理系统。

　　新系统实现了计算资源的池化管】理和机器资源的逻辑化分配，并依靠对底层高性能计算资源的科学管理，大幅提升『了深度学习项目的分布式训练能力。

　　 助力学科建设，创建深度学习平台方∮案

　　为了让高校 HPC 更好地承担 AI 科研项目，才云科技在 HPC 集群平台〓管理系统中集成了深度学习平台方案，能为高校数据管理、模型构建、模型上线提供一站式便捷服务。

　　具备深度学习全流◎程工程化管理能力。HPC 集群平台管理系统集数据导︽入、数据处理、模型开发、模型训练、服务上线、模型管理等功能于一体，可有效支持语义分析、仿真模拟、图形渲染等深度学习科研项ξ　目，帮助高校简化项目流程、加速项目开展进度。

　　集成 infinib网络。infinib网络是用于 HPC 的计算机网络通信标准，具有极高吞吐量和极〓低延迟的特点，既可用作服务器与存储系统之间的直接或交换互连，也可用于存储系统之间的互连。考虑到深度学习对∩计算速度的苛刻要求，HPC 集群平台管理系统集成 infinib网络，为 AI 项目运算速度提供保障。

　　集成并行存储系统。在 HPC 中，传统 NFS 存储在集群不断增加时易出现※存储瓶颈，而才云科技集成▲的并行存储则可以把后端的多套存储阵列统一成一个大的存储，不仅保证了可靠性，读写性能和带◣宽也更出色，帮助高校显著提高运算效率。

　　构建资源池，统一管理物理资源

　　为了破解该高校物▓理资源分散两地的难题，才云科技〒的 HPC 集群平台管理系统将两个中心的 124 台服务器资源统一纳管至系统环境内，实现了计算资源的平台级统筹管理。

　　系统可以依据主机生命周期、状态、性能对计算资源做细粒度划分，提供 CPU、GPU、内存、网络负载、任务运行数量等指标的可视化监控及灵活高效的服务器上下线◣功能，帮助高校大幅提升资源利用率，确保所有资源的安全可用。

　　细化申请流程，自动回※收资源

　　才云科技的 HPC 集群平台管理系统具备用户权限管理体系，实现了资源按系统管理员、教研室管理员、学生（教师）三级→用户划分。

　　全量集群资源由系统管理员统一管理，各教研室管理员先向系统管理员申请教研室所需资源，再按▅需分配给学生、教师。任务结束后，系统管理员只需在 HPC 资源管理可视化界面调低额度或关闭教研室账号，即可完成资源回卐收，资源申请回收效率大幅提升。

　　提供自动化运维能力，提高资源利用率

　　为了提升 HPC 集群『管理的自动化水平，才云科技 HPC 集群平『台管理系统提供应用、AI 模型任务开发运维过程中的一些常见①管理能力，如用户环境隔离管理、任务生命周期管理、容器生命周期管理、代码开发管理、存储管理、镜像管理、监控管理、日志管理、配置管理↙等，大大减轻工作人员的工作负担。

　　 展望未来

　　自上线后，才云科技的 HPC 集群平台管理系统为该高校降低人力成本、减少浪费、提高 HPC 集群资源利用率提供着ζ　巨大支持。在该系统的助力下，该高校的 AI 科研成果也在国际上高光频现，推动上海成为全国的 AI 科研高地。

　　更可喜的是，和才云科技的合⌒作还让该高校看到了利用自建云开拓教育行业公有云的前景。为了更好地发挥数据中心的价值，该高ξ校可将暑假期间闲置的计算资源以公有云的形式对外提供 ，打造人工智能云，帮助更多高校和企业加速 AI 研发和成果落地。

　　根Ψ 据国务院 2017 年发布的人工智能发展规划，到 2020 年，中国人工智能总体技术和应用与世界先进水平♀同步，人工智能核㊣　心产业规模超过 1500 亿元，带动相关产业规模超过 1 万亿元。在当前这个实现 AI 加速发展︾的绝佳时刻，才云科技希望能帮助更多高校抓住机遇，艰苦奋斗，只争朝夕，助力中国 AI 赢在起跑线。