腾讯云与IBM共同打造“高性能计算服务解决方案“

腾讯云与IBM共同打造"高性能计算服务解决方案"

腾讯云与IBM达成战略合作,对优势产品及服务进行深度集成,基于腾讯云产品及服务,共同打造"腾讯-IBM混合云与人工智能解决方案"。双方通过更为紧密的嵌入式解决方案的深度合作,为客户创造性地提供定制化解决方案,促进新一代高性能计算高质量、可持续的发展!

在今天的"人工智能时代",与AI技术并驾齐驱的是服务于AI算法训练及推理的"高性能计算" HPC 技术。HPC 并行工作处理器集群能以高于商用系统百万倍以上的速度运行,强有力地对海量多维数据集加以吞吐处理,以极高的速度提供新锐洞察,从而为复杂问题提供瞬间决策的能力。HPC 与 AI 的融合关系使得"高性能计算"成为重要刚需。

缘此,近日腾讯云与 IBM 达成战略合作,对优势产品及服务进行深度集成,基于腾讯云产品及服务,共同打造"腾讯- IBM 混合云与人工智能解决方案",并于日前完成了其中的"高性能计算服务解决方案"产品兼容性认证,该方案基于腾讯专有云 TCE 和 IBM HPC 工作负载调度软件平台 Spectrum LSF(以下简称 LSF )。

合作方案的硬核实力体现在,通过 IBM LSF 强大的分布式工作负载管理平台,以智能化策略驱动、调度组织腾讯专有云 TCE 的多计算节点基础设施资源,形成极高运算速度、极大存储容量和极快通信传输速率的 "高性能计算"算力,同时进行实时算力监控和优化调度,有效地提高计算资源利用率,提供最佳的应用程序性能。方案中还包括IBM混合云数据同步管理等关键技术,以及对来自全球IBM头部用户的服务经验的吸纳。

腾讯 TCE 专家表示,在成熟的‘上云’市场态势下,HPC 的用户不会选择购买和维护更多设施,但对更好地利用本地机器有更强需求,寻求实现云端和本地协同、作业量灵活调度。基于此,整体方案由腾讯 TCE 专家携手 IBM 车库创新团队专家,基于 IBM 车库创新方法论,面向企业客户的腾讯专有云TCE平台设施打造。TCE 平台具备产品矩阵丰富,安全合规和开放兼容的特点,双方团队合力共创的 TCE 公有云加 LSF 动态自动化扩展解决方案,通过了兼容及用例执行测试。

在合作中,双方有机地融入了 IBM 中国伙伴生态力量,加上 LSF 的"能量感知"调试策略提供节能的性能,"双碳"减排的绿色高性能算力更好地满足高端制造行业需求,也将有力地服务人类正在拓展的突破性领域,包括:气候危机应对,医疗保健、基因组学和生命科学,金融自动交易和欺诈检测服务,能源与地理空间等应用领域。目前,在某高端制造客户项目中,以高于 95% 的整体算力利用率帮助客户节约数百万美元的相关成本,并显著加速下一代产品上市时间。双方的通力合作正打开更为广阔的前景,新型的分布式计算、云边协同、以 GPU 为主导资源大模型训练和推理,容器化作业调试,新型 EDA(电子设计自动化)、实时仿真等场景都将会塑造 HPC 新业务和新业态模式。

在过去的一年中,这一合作方案也为粤港澳大湾区的相关中心项目提供数据算法和算力基础设施,为赋能大湾区区域及企业提供了前沿的技术底座。

腾讯云副总裁、智能制造解决方案负责人蔡毅表示:

“腾讯云智能制造深耕高端制造的数字研发场景,从 EDA(电子设计自动化)到高端制造的 CAE(计算机辅助设计工程)场景,腾讯云除了提供弹性算力支撑之外,也离不开像I BM LSF 的HPC集群调度能力。腾讯云愿意携手IBM,发挥前沿科技力量,为 HPC 领域提供更丰富、更强大、更实用的云平台底座,让企业轻装上阵,为中国 HPC 发展提供云上新动力。”

IBM 大中华区伙伴生态业务总经理谭颖瑜表示:“随着双方合作的进一步深入,IBM 通过开放的尖端技术,与腾讯云提供的混合云能力深度集成,提供值得信赖的专业技术支持。借助 IBM PartnerPlus 伙伴激励与支持计划,将量身定制的支持注入腾讯伙伴生态,深化合作伙伴技术专长、加速伙伴进入市场的速度。通过更为紧密的嵌入式解决方案的深度合作与腾讯携手共创,为客户创造性的提供定制化的解决方案,共同促进新一代高性能计算高质量、可持续的发展!”

腾讯云副总裁陈平表示: “双方联合解决方案的落地和发布意义重大。通过深度的方案共创和项目落地验证,联合方案可以充分发挥双方技术优势,为客户带来最大化价值。同时,腾讯也与 IBM 互认证为国内基于专有云和公有云与 IBM HPC 工作负载调度软件平台方案首选的公有云(专有云)厂商合作伙伴。未来期待腾讯和 IBM 有更多联合方案的创新和落地。”

关于腾讯云

腾讯云,腾讯集团倾力打造的云计算品牌,面向全世界各个国家和地区的政府机构、企业组织和个人开发者,提供全球领先的云计算、大数据、人工智能等技术产品与服务,以卓越的科技能力打造丰富的行业解决方案,构建开放共赢的云端生态,推动产业互联网建设,助力各行各业实现数字化升级。

关于IBM

IBM 是全球领先的混合云、人工智能及企业服务提供商,帮助超过 175 个国家和地区的客户,从其拥有的数据中获取商业洞察,简化业务流程,降低成本,并获得行业竞争优势。金融服务、电信和医疗健康等关键基础设施领域的超过 4000 家政府和企业实体依靠 IBM 混合云平台和红帽 OpenShift 快速、高效、安全地实现数字化转型。IBM 在人工智能、量子计算、行业云解决方案和企业服务方面的突破性创新为我们的客户提供了开放和灵活的选择。对企业诚信、透明治理、社会责任、包容文化和服务精神的长期承诺是 IBM 业务发展的基石。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/672483.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

二进制安全虚拟机Protostar靶场(8)heap3 Fastbins unlink exploit

前言 这是一个系列文章&#xff0c;之前已经介绍过一些二进制安全的基础知识&#xff0c;这里就不过多重复提及&#xff0c;不熟悉的同学可以去看看我之前写的文章 heap3 程序静态分析 https://exploit.education/protostar/heap-three/#include <stdlib.h> #include …

故障诊断 | 一文解决,TCN时间卷积神经网络模型的故障诊断(Matlab)

效果一览 文章概述 故障诊断 | 一文解决,TCN时间卷积神经网络模型的故障诊断(Matlab) 模型描述 时间卷积神经网络(TCN)是一种用于序列数据建模和预测的深度学习模型。它通过卷积操作在时间维度上对序列数据进行特征提取,并且可以处理可变长度的输入序列。 要使用TCN进行…

3D室内虚拟灭火体验为预防火灾提供全新方案

室内火灾常见于充电器未拔、电动车、油锅起火及煤气泄露等原因&#xff0c;由于室内空间小、易燃物多&#xff0c;因此极易造成较大的人员财产损失&#xff0c;3D仿真还原技术、通过1&#xff1a;1模拟还原火灾发生全过程&#xff0c;火灾VR安全培训提供全方位、真实感强的模拟…

FlinkSql 窗口函数

Windowing TVF 以前用的是Grouped Window Functions&#xff08;分组窗口函数&#xff09;&#xff0c;但是分组窗口函数只支持窗口聚合 现在FlinkSql统一都是用的是Windowing TVFs&#xff08;窗口表值函数&#xff09;&#xff0c;Windowing TVFs更符合 SQL 标准且更加强大…

Java中JVM常用参数配置(提供配置示例)

目录 前言一、内存参数配置二、垃圾收集器配置三、GC策略配置3.1、基础通用配置3.2、Parallel 和 Parallel Old 常用参数配置3.3、CMS 常用参数配置3.4、G1 常用参数配置 四、GC日志配置五、dump 日志参数配置5.1、OutOfMemory异常时生成dump文件5.2、发生Full GC时生成dump文件…

QT安装与helloworld

文章目录 QT安装与helloworld1.概念&#xff1a;2.安装QT3.配置环境变量4.创建项目5.运行效果 QT安装与helloworld 1.概念&#xff1a; Qt Creator是一个用于Qt开发的轻量级跨平台集成开发环境。Qt Creator可带来两大关键益处&#xff1a;提供首个专为支持跨平台开发而设计的…

在Python中执行Linux Shell脚本详解

概要 随着 Python 的增长和普及,目前它已经成为自动化各种任务,包括执行 shell 脚本的主要工具。这篇文章将详细描述如何在 Python 中执行 shell 脚本,并提供丰富的示例帮助你理解和实践。 什么是Shell脚本? Shell脚本是一个由命令行解释器执行的文本文件。这些脚本包含控…

JVM——一个神圣的话题,可远观而不可亵玩焉

文章目录 一切不仅仅为了面试JVM调优理解JVM调什么&#xff1a;怎么调&#xff1a;为了解决什么问题&#xff1a;正常情况下需要调吗&#xff1a; JVM垃圾收集器区分垃圾收集方式垃圾收集的区域划分&#xff1a;按照收集垃圾的线程数量划分&#xff1a;对空间的利用率划分&…

图数据库 之 Neo4j - 图数据库基础(2)

图数据库是一种专门用于存储、管理和查询图数据的数据库。与传统的关系型数据库不同&#xff0c;图数据库以图的形式存储数据&#xff0c;其中节点表示实体&#xff0c;边表示实体之间的关系。这种图数据模型非常适合表示复杂的关系和连接。 图数据库的定义和特点 图数据库是一…

数据结构第九天(堆排序)

目录 前言 概述 源码&#xff1a; 主函数&#xff1a; 运行结果&#xff1a; 其他 前言 哈哈&#xff0c;这个堆排序算法很久之前就已经敲过一遍了&#xff0c;时间一久&#xff0c;思路有点淡忘。今天重新看过一遍之后&#xff0c;又亲自撸代码&#xff0c;幸运的是&am…

联合索引之最左匹配原则

一、定义&#xff1a; 联合索引中&#xff0c;从最左边的字段开始匹配&#xff0c;若条件中字段在联合索引中符合从左到右的顺序则走索引&#xff0c;否则不走&#xff0c;可以简单理解为(a, b, c)的联合索引相当于创建了a索引、(a, b)索引和(a, b, c)索引。同时遇到范围查询&…

设计模式(行为型模式)责任链模式

目录 一、简介二、责任链模式2.1、处理器接口2.2、具体处理器类2.3、使用 三、优点与缺点 一、简介 责任链模式&#xff08;Chain of Responsibility Pattern&#xff09;是一种行为设计模式&#xff0c;允许你将请求沿着处理者链进行传递&#xff0c;直到有一个处理者能够处理…

【MATLAB源码-第137期】基于matlab的NOMA系统和OFDMA系统对比仿真。

操作环境&#xff1a; MATLAB 2022a 1、算法描述 NOMA&#xff08;非正交多址&#xff09;和OFDMA&#xff08;正交频分多址&#xff09;是两种流行的无线通信技术&#xff0c;广泛应用于现代移动通信系统中&#xff0c;如4G、5G和未来的6G网络。它们的设计目标是提高频谱效…

如何使用C#调用LabVIEW算法

新建一个工程 这是必须的&#xff1b; 创建项目 项目 点击完成&#xff1b; 将项目另存为&#xff1b;方便后续的使用&#xff1b; 创建 一个测试VI 功能很简单&#xff0c;用的一个加法&#xff1b;将加数A&#xff0c;B设置为输入&#xff0c;和C设置为输出&#xff0c;…

正点原子--STM32通用定时器学习笔记(2)

1. 通用定时器输入捕获部分框图介绍 捕获/比较通道的输入部分&#xff08;通道1&#xff09; 输入通道映射CC1S[1:0]→采样频率CKD[1:0]→滤波方式IC1F[3:0]→边沿检测方式CC1P→捕获分频ICPS[1:0]→使能捕获CC1E 输入部分对相应的TIx输入信号采样&#xff0c;并产生一个滤波后…

MPLS——多协议标签交换

目录 1 多协议标签交换 MPLS 1.1 MPLS 的工作原理 1.1.1 MPLS 工作特点 1.1.2 MPLS 协议的基本原理 1.1.3 MPLS 的基本工作过程 1.2 转发等价类 FEC 1.2.1 FEC 用于负载平衡 1.3 MPLS 首部的位置与格式 1.3.1 MPLS 首部的位置 1.3.2 MPLS 首部的格式 1.4 新一代的…

STM32 HAL NTC(3950 10k)查表法

NTC&#xff08;Negative Temperature Coefficient&#xff09;是指随温度上升电阻呈指数关系减小、具有负温度系数的热敏电阻现象和材料。该材料是利用锰、铜、硅、钴、铁、镍、锌等两种或两种以上的金属氧化物进行充分混合、成型、烧结等工艺而成的半导体陶瓷&#xff0c;可制…

vue项目开发vscode配置

配置代码片段 步骤如下&#xff1a; 文件->首选项->配置用户代码片段新增全局代码片段起全局代码片段文件名“xxx.code-snippets” 这里以配置vue2初始代码片段为例&#xff0c;配置具体代码片段 {"name": "vue-sph","version": "…

modelsim仿真使用到vivado的IP,该如何使用!

modelsim仿真时&#xff0c;如果使用到了vivado的IP就会报错&#xff0c;本次就告诉大家如何将vivado的IP添加到modelsim中直接仿真。 一、生成ini文件以及IP打包 打开vivado&#xff0c;点击上方的Tools-->Compile Simulation Libraries得到如下界面 simulator&#xff1…

【Python基础】案例分析:泰坦尼克分析

泰坦尼克分析 1 目的&#xff1a; 熟悉数据集熟悉seaborn各种操作作 import pandas as pd import seaborn as sns import numpy as np import matplotlib.pyplot as plt %matplotlib inline home rdata df sns.load_dataset(titanic, data_homehome) df.head()survivedpcl…