Azure大计算，推动大成果

技术飞速发展，用户需求日新月异，企业需要快速地抓住用户新需求并调整战略实现创新才能维持发展。比如，早在1800年代末，全世界第一辆由汽油驱动的汽车就已经问世了，但直到1920年代，汽车才因为更亲民的价格和更高的实用性开始流行起来。从想法到实现，用了一百多年，并且在这之后，汽车还在不断发展和完善，变得更安全、更便捷。

如今随着技术推动，创新的速度越来越快，汽车厂商还会有一百多年时间来继续改进产品，给用户提供更快、更便宜、更有吸引力的汽车吗？答案不言而喻。一百年？怕是恨不得在一百天内就能实现。新能源汽车，无人驾驶汽车，日新月异的技术还在快速引领着未来交通方式的变迁。车辆的联网属性将会更强，厂商也能更容易地通过大量数据推动下一代汽车的设计和制造。

这样快速更新换代的趋势不光体现在汽车行业，几乎所有制造业企业都开始面临重重压力，需要通过更快的创新变革自己的产品。制造商不仅要加快设计迭代过程，同时还要进一步提高产品质量。而此时一种较为有效的方式，正是在数字化世界中模拟并重现物理产品的真实特性和性能，并从数量与日俱增的物联网设备中采集数据，将其纳入反馈流程。

因此，越来越多的制造商开始借助高性能计算（High-performance computing，HPC）和深度学习技术来推动产品研发生命周期。HPC和深度学习技术领域的最新进展正在帮助制造商消除物理和成本方面的约束，通过不同收益让新产品的研制开发变得敏捷、灵活、高效、前沿。

不过，这套看似理想的解决方案，也带来了不可回避的挑战：

产品研发、设计、完善过程中离不开数据的辅助，如何通过协作的工作方式让相关成果和数据在确保安全的情况下实现随时随地跨设备共享，让更多相关人员从中获益？

面对飞速变化的需求和市场环境，怎样让相关人员能用最短时间获得所需结果，并将其应用到产品的快速迭代和改进过程？

HPC系统的持续成功离不开不断的资本开支和巨大的工程预算，而一旦基础架构就位，很快就会变得过时，导致现有HPC能力和预想中的下一代硬件之间存在缺口；

如果缺乏足够的物理空间，还会导致无法轻松扩展本地基础架构，进而跟不上业务增长目标。

针对以上四大挑战，我们应该如何应对？

分布式团队协作，随时随地，使用任何设备

随着制造商业务逐渐变得复杂，设计和工程团队往往要跨越不同地理位置进行协作，甚至供应链也要进一步扩展，开始涵盖更多OEM和第三方供应商。工程团队希望摆脱本地设备束缚，随时随地保持生产力，例如：通过消费级移动设备让他们访问高性能虚拟化工作站，就算身在办公室外，也能随时访问工作需要的数据和应用程序。所以我们将移动能力和灵活性进一步提升后，企业也就不再需要创建单独的计算实例并花费大量时间制定隧道化的流程，而是可以将安全的协作能力实时嵌入到供应链中。

数字孪生（Digital Twin）

促进产品设计迭代和优化

对于制造业，物理和数字化组件的聚合塑造了一种更智能、更互联，并且能持续优化完善的产品设计思路。然而若想通过创新和迭代产生的产品设计更完善，必须能更快速地通过训练、模拟和验证实现预期功能、质量以及安全目标。但制造业目前所采用的一些标准化模拟方法，如Computational Fluid Dynamics（CFD）和FiniteElement Analysis（FEA）每次执行往往需要好几个小时，工程师需要等待很长时间才能获得结果。他们当然希望能快速迭代产品设计，但每次等好几个小时，严重拖累了他们创新的脚步。同时他们还需要将通过现有产品采集的物联网数据集成到模拟过程中，借此获得新见解并加快验证过程。当这一切与人工智能技术结合后即可获得能提供反馈，并帮助分析和验证结果的控制环路。

通过对物理产品或生产工具创造虚拟模型，制造商将能利用这种数字孪生概念集成物联网数据并同时运行多个模拟，但这一切都需要云的强大计算能力提供支持。

随着需求变化灵活缩放

为快速变化的业务需求提供支撑

理想情况下，为了让计算资源实现最大化利用率，制造商必须对不同工程项目进行妥善安排和计划。然而实际上计算需求通常有峰值也有谷值，不同需求往往会有重叠，预先制定好的计划还会突然出现变动，这很容易导致作业积压进而让HPC系统的利用率居高不下。

如果业务计算需求已经超过当前基础架构所能提供的极限，此时企业通常有两种选择：斥巨资在本地部署更多计算资源，并寄希望于能尽快满足不断变化的需求；或者借助云的容量实现扩展。投资云技术往往是一种更简单的做法，云的成本效益更优，速度更快，企业可以在需要时快速创建虚拟机并扩展至云端，或随时扩展本地容量。借助云的帮助，企业可以更好地针对不断变化的工作需求进行优化并控制成本，同时只需要为自己实际使用的资源付费。

按需提供的云资源

促进大规模训练和验证工作的革新

当今的互联型资产包含了错综复杂的传感器、摄像头以及中央计算系统，其中每类组件都必须通过训练和编程才能执行预期任务，但这样的训练过程往往需要数周甚至数年时间。Rand Corporation在2016年发布的一份报告中估算，为了生产一辆真正的无人驾驶汽车，须进行100亿英里的试驾。全球制造业环境中用到的资产数量有多少？如果每种资产都需要如此冗长的训练过程，看到这里面蕴含的大数据和大计算挑战了吗？

为了顺利吸收如此大量并且复杂的数据源和设备，制造商需要借助足够的存储、网络和计算容量来扩充或更新现有系统和基础架构，这样的过程不仅会出现在中心研发机构中，同样也会出现在边缘位置。

通过将云计算与开源软件工具以及深度学习框架相集成，制造商已经可以更高效地执行更大规模的程序，对未来产品进行必要的训练。

是时候了解一下Azure大计算解决方案了

Azure大计算是微软提供的HPC和深度学习端到端解决方案产品组合，其中包含微软云工作站、HPC模拟和分析、深度学习和AI训练、云渲染等组件，可有效促进产品开发生命周期过程中的创新速度。借助Azure大计算赋能，制造商可顺利应对更多挑战，更快速地迭代，充分利用云的规模化和灵活性等收益。该解决方案可按需扩展，同时运行Windows和Linux应用程序、Solver以及框架，并能获得微软可信云提供的安全保障。

借助微软全球规模的云平台获得强大的性能、扩展性和灵活性，不让可以计算能力以及存储/网络基础架构不再拖累产品设计和创新过程，全面发挥大计算的业务价值，Azure大计算也为各行各业企业提供了一种简单易行、高效快捷、安全可靠的解决方案。