مقاله

استراتژی هوش مصنوعی

ژئوعلم با HPC ابری دیدار می‌کند: مرز بعدی نوآوری

نوشته میخائیل گورویچ، مدیر ارشد فناوری، شایستگی جهانی انرژی، EPAM Systems

۱۰ نوامبر ۲۰۲۵

EPAM Systems

شکستن محدودیت‌ها: HPC بومی ابری، ژئوعلم و اکتشاف را بازتعریف می‌کند.

تعداد کمی از چالش‌های محاسباتی با چالش‌های موجود در گردش کارهای ژئوعلم و اکتشاف رقابت می‌کنند. تصویربرداری لرزه‌ای (seismic imaging)، وارونگی کامل شکل موج (full-waveform inversion) و شبیه‌سازی مخزن (reservoir simulation) از جمله پرمصرف‌ترین فعالیت‌های محاسباتی روی زمین هستند – هم‌تراز با آموزش هوش مصنوعی در مقیاس بزرگ و مدل‌سازی اقلیمی. حتی امروز، سیستم‌های ژئوعلمی تخصصی جایگاه دوم و سوم را در میان قدرتمندترین ابررایانه‌های خصوصی جهان اشغال کرده‌اند.

در حالی که صنایعی مانند مالی و علوم زیستی پیش از این محاسبات ابری را برای بارهای کاری با کارایی بالا (high-performance workloads) پذیرفته‌اند، گذار بخش انرژی کُندتر و پیچیده‌تر بوده است. دلایل این امر عمیقاً فنی هستند.

۱. سیستم‌های قدیمی و صلب

بیشتر نرم‌افزارهای ژئوعلمی دهه‌ها قبل برای ابررایانه‌های محلی با اندازه ثابت طراحی شده‌اند. این محیط‌ها برای موازی‌سازی (parallelism) تنگاتنگ و سخت‌افزار قابل پیش‌بینی بهینه‌سازی شده بودند – نه زیرساخت ابری انعطاف‌پذیر امروزی.

قیمت‌گذاری ابری از مقیاس‌پذیری سریع و درخواستی حمایت می‌کند، با این حال بسیاری از برنامه‌های قدیمی فاقد انعطاف‌پذیری لازم برای شروع، توقف یا تغییر اندازه کارآمد هستند – که هم کارایی و هم بهره‌وری هزینه را کاهش می‌دهد.

۲. عدم تحمل وقفه

ابرهای عمومی نمونه‌های نقطه‌ای (spot instances) با تخفیف ارائه می‌دهند – گره‌های محاسباتی موقتی که می‌توانند بدون اطلاع قبلی بازپس گرفته شوند. در حالی که این برای بارهای کاری هوش مصنوعی یا تحلیل داده ایده‌آل است، کدهای لرزه‌ای یا مخزن سنتی نمی‌توانند چنین وقفه‌هایی را تحمل کنند. از دست دادن یک گره می‌تواند ساعت‌ها محاسبه را بی‌اعتبار کند.

برای بهره‌مندی از مزیت اقتصادی ابر، باید تحمل خطا (fault tolerance) و نقطه‌گذاری (checkpointing) مهندسی شود و از فرضیات ایستا به سمت طراحی انعطاف‌پذیر حرکت کرد.

۳. تنگنای داده

یک بررسی لرزه‌ای می‌تواند ده‌ها تا صدها ترابایت داده را در خود جای دهد که باید به طور همزمان توسط هزاران گره محاسباتی (compute nodes) قابل دسترسی باشد. این امر زمانی دشوار می‌شود که سیستم‌های HPC مبتنی بر فایل با ذخیره‌سازی ابری مبتنی بر شی (object-based cloud storage) مواجه شوند.

پر کردن این شکافD نیازمند استراتژی‌های I/O آگاه از دامنه، کشینگ تطبیقی و معماری‌های داده ترکیبی است که عملکرد را حفظ کرده و در عین حال از مقیاس‌پذیری ابری بهره‌برداری می‌کند.

جان چو، معاون رئیس EPAM

۴. محدودیت‌های پنهان ابر

با وجود نوید مقیاس‌پذیری بی‌نهایت، ابر محدودیت‌های فیزیکی دارد.

در اندازه‌های بزرگ، بارهای کاری ژئوعلمی با محدودیت‌های واقعی مواجه می‌شوند – محدودیت‌های اندازه خوشه‌ای، اتمام آدرس‌های شبکه، سقف‌های انتقال داده و محدودیت‌های ظرفیت منطقه‌ای. این محدودیت‌ها تنها تحت بار شدید ظاهر می‌شوند، اما برای ابررایانش در صنعت انرژی، اینها یک هنجار و در نتیجه اجتناب‌ناپذیرند. درک و طراحی بر اساس آنها برای ساخت HPC ابری در سطح تولید (production-grade) ضروری است.

راه پیش‌رو

هوش مصنوعی به سرعت محاسبات ژئوعلمی را متحول می‌کند – از خودکارسازی تفسیر لرزه‌ای تا بهینه‌سازی مدل‌سازی مخازن و برنامه‌ریزی تولید. اما دستیابی به این دستاوردها نیازمند محیط‌های HPC است که انعطاف‌پذیر، تحمل‌پذیر در برابر خطا، داده‌محور و آماده هوش مصنوعی باشند.

این تغییر در همکاری‌های بزرگ صنعتی که ارائه‌دهندگان پیشرو داده‌های ژئوعلمی، هایپراسکیلرهای ابری (cloud hyperscalers) و متخصصان مهندسی دیجیتال را متحد می‌کند، قابل مشاهده است.

ابتکارات اخیر – مانند آنچه که ما در EPAM Systems در همکاری با TGS و AWS رهبری می‌کنیم – نشان می‌دهد که چگونه پلتفرم‌های HPC ابری بازسازی‌شده می‌توانند گردش کارهای لرزه‌ای و زیرسطحی (subsurface workflows) را به صورت سرتاسری (end-to-end) ارائه دهند و هوش مصنوعی، محاسبات مقیاس‌پذیر و ذخیره‌سازی با کارایی بالا را به طور یکپارچه ادغام کنند. نتیجه: بینش‌های سریع‌تر، کارایی بالاتر و کاهش قابل توجه ردپای کربن (carbon footprint).

این پیشرفت‌ها الگوی جدیدی را برای اپراتورهای انرژی که به دنبال مدرن‌سازی محیط‌های محاسباتی فشرده خود هستند، ایجاد می‌کنند.

چارچوب‌های هماهنگ‌سازی در حال ظهور اکنون می‌توانند قابلیت همکاری چندفروشنده‌ای (multi-vendor interoperability) را فراهم کنند و به بارهای کاری اجازه می‌دهند تا به طور ایمن و کارآمد در ابرهای مختلف جابجا شوند. به عنوان مثال، هماهنگ‌کننده HPC انرژی (EHO)، که به عنوان یک همکاری بین EPAM Systems و AWS با مشارکت چندین اپراتور بزرگ نفت و گاز توسعه یافته است، نشان می‌دهد که چگونه مدیریت مشاغل مقیاس‌پذیر، انتقال داده و بهینه‌سازی هزینه را می‌توان تحت یک صفحه کنترل واحد (single control plane) متحد کرد.

برای اپراتورها، این پیامد عمیق است: HPC دیگر یک دارایی ثابت نیست – بلکه یک قابلیت تطبیق‌پذیر است که بر حسب تقاضا قابل دسترسی است و با نیازهای رو به تغییر اکتشاف و تولید تنظیم می‌شود.

میخائیل گورویچ، مدیر ارشد فناوری، شایستگی جهانی انرژی، EPAM Systems

انرژی هسته‌ای با هوش مصنوعی دیدار می‌کند: چگونه HTS پیشرو است

نوشته استلا نولان

۰۲ دسامبر ۲۰۲۵

زمان مطالعه: ۴ دقیقه

راه حل‌های هایتک

به رهبری کریس هیتر، شرکت Hi Tech Solutions (HTS) در حال بازتعریف انرژی برای عصر هوش مصنوعی از طریق یک اکوسیستم هسته‌ای است که برای رشد پایدار جهانی ساخته شده است.

اقتصاد دیجیتال‌محور که توسط هوش مصنوعی و زیرساخت‌های داده عظیم تغذیه می‌شود، با یک معضل فزاینده انرژی روبرو است. ایجاد تعادل بین تقاضای فزاینده و تعهدات «کربن صفر» به یک چالش صنعتی تعیین‌کننده تبدیل شده است. Hi Tech Solutions (HTS)، نیروی رو به رشد در بخش هسته‌ای، استدلال می‌کند که راه حل فقط در تولید مگاوات نیست، بلکه در بازاندیشی کل اکوسیستم انرژی است.

از کارشناسان هسته‌ای تا نوآوران زیرساخت

تیمی از متخصصان هسته‌ای سابق جنرال الکتریک، شرکت HTS را تأسیس کردند. این شرکت از یک عملیات ۳۰ نفره در سال ۲۰۱۳ به سازمانی با ۱۰۰۰ کارمند فعلی تبدیل شده است. توانایی فنی عمیق و یک چشم‌انداز استراتژیک برای سیستم‌های قدرت پایدار، گسترش آن را پیش می‌برد.

کریس هیتر، هم‌بنیان‌گذار، رئیس و مدیر عملیات (COO)، مأموریت این شرکت را به این صورت خلاصه می‌کند: «HTS خدمات هسته‌ای را برای سوخت‌گیری مجدد، تعمیر، اصلاح و ارتقاء نیروگاه‌های هسته‌ای امروزی ارائه می‌دهد، به همراه شرکت‌های تابعه و شرکای ما که جنبه‌های بسیاری از مهندسی، توسعه ابزارهای جدید و برخی تولیدات سبک را ارائه می‌کنند.»

این تخصص از تحول HTS از یک ارائه‌دهنده خدمات به آنچه کریس آن را «معمار اکوسیستم» توصیف می‌کند، حمایت می‌کند؛ شرکتی که زنجیره کامل انرژی را برای دوران بعدی نوآوری دیجیتال طراحی می‌کند.

زیرساخت خدمات در پشت مگاوات‌ها

HTS تشخیص می‌دهد که مگاوات‌ها به تنهایی انقلاب هوش مصنوعی را قدرت نمی‌بخشند؛ بلکه قابلیت اطمینان این کار را انجام می‌دهد. مراکز داده به ۹۹.۹۹۹ درصد زمان آماده به کار (uptime) نیاز دارند، که استاندارد صنعتی «پنج نُه» است. این سطح عملکرد بیش از صرفاً تجهیزات تولید است. به ارتشی از متخصصان آموزش‌دیده برای نگهداری، سرویس و بهینه‌سازی آن دارایی‌ها برای عملکرد مداوم نیاز دارد.

کریس توضیح می‌دهد: «شما می‌توانید هر تعداد نیروگاهی که می‌خواهید بسازید، اما بدون زیرساخت خدماتی برای نگهداری از آنها، نمی‌توانید قابلیت اطمینانی را که هوش مصنوعی و مراکز داده مطالبه می‌کنند، ارائه دهید. هر مگاوات تولید نیازمند تخصص ویژه برای دستیابی به عملکرد در حد مراکز داده است.»

هر مگاوات، چه از سیستم‌های هسته‌ای، گازی یا هیبریدی، به متخصصان آموزش‌دیده برای حفظ عملکرد مداوم نیاز دارد. نیروی کار ماهر، اقتصاد دیجیتال را در حال اجرا نگه می‌دارد. استراتژی توسعه نیروی کار HTS از این بینش نشأت می‌گیرد و آن را به سمت ایجاد زیرساخت‌های آموزشی در مقیاس وسیع برای تربیت هزاران متخصص خدمات انرژی سوق می‌دهد.

کریس اشاره می‌کند: «همانطور که نیازهای انرژی مراکز داده به صورت تصاعدی رشد می‌کند، صنعت به تکنسین‌ها، مهندسان و متخصصان آموزش‌دیده برای سرویس‌دهی به دارایی‌های تولیدکننده که آنها را تغذیه می‌کنند، نیاز خواهد داشت. ما فقط ظرفیت تولید برق را نمی‌سازیم؛ ما زیرساخت‌های انسانی را برای نگهداری آن ایجاد می‌کنیم.»

سولوشن‌های هایتک

گسترش زیرساخت انسانی برای هوش مصنوعی

برای صنایعی که بر پایه هوش مصنوعی و محاسبات با کارایی بالا ساخته شده‌اند، فشار برای مقیاس‌پذیری فوری است. HTS با ادغام جذب استعداد و توسعه نیروی کار در استراتژی رشد خود، به چالش مقیاس‌پذیری پاسخ می‌دهد.

HTS به طور فعال سربازان کهنه کار نظامی را استخدام می‌کند و آنها را به عنوان یک منبع استعداد ارزشمند می‌شناسد. اعضای خدمت‌کرده رهبری، نظم و انضباط، و تخصص فنی را به ارمغان می‌آورند که به طور ایده‌آل برای پروژه‌های پیچیده انرژی مناسب است.

کریس اشاره می‌کند: «ما کهنه‌سربازان را به عنوان یک دارایی استراتژیک می‌بینیم. طرز فکر، توانایی حل مسئله و کار گروهی آنها دقیقاً همان چیزی است که صنعت ما در ساخت نسل بعدی زیرساخت‌های هسته‌ای و انرژی پاک به آن نیاز دارد.»

طراحی اکوسیستم انرژی آینده

مقیاس‌پذیری برای هوش مصنوعی هزینه‌ای زیست‌محیطی دارد و آنچه کریس آن را «محدوده گنگی» (the conundrum) در قلب اقتصاد فناوری می‌نامد، ایجاد می‌کند.

او می‌گوید: «ما باید قادر به مقیاس‌پذیری برای هوش مصنوعی باشیم و در عین حال، باید یک برنامه بلندمدت ارائه دهیم. ما باید با ساخت انرژی مازاد در حال حاضر شروع کنیم، که به گاز نیاز خواهد داشت، اما باید بر ارائه انرژی بدون کربن نیروگاه هسته‌ای تمرکز کنیم. سرمایه‌گذاری بلندمدتی که نه تنها فرزندان ما، بلکه فرزندان فرزندان ما را نجات خواهد داد.»

استراتژی HTS شرکت را به عنوان توانمندساز صنعتی پایدار قرار می‌دهد.