我知道这是一个很通俗的题目，所以在写这篇稿子之前，我特别去网上搜索到了不少答案。可惜的是，没有一个能够说得清楚的。
　　包括许多人推崇的知乎。我个人也是知乎的爱好者，百度搜索这个问题的第一条结果也是知乎的答案。可惜的是，那个高票回答的确烂出了水准。
　　还有许多类似的答案，扯到了许多因素，什么人类发展、社会进步、技术领先甚至是物联网时代什么的……反正这么说吧，没有一个靠谱的。
　　人工智能和高性能计算机的前世今生
　　其实要想明白这个问题，还是得从人工智能的起源说起。早在上世纪50年代，人工智能这个概念就被提了出来，并且迅速的引起了大众的关注。让机器像人一样思考，这听起来像是天方夜谭，在那个年代实现起来也是非常困难。所以你可以看到，直到1997年，第一次有机器在国际象棋中战胜人类，人工智能一直在沉寂当中渡过了40个年头。
　　如果提到中国的人工智能发展，因为众所周知的原因会比较晚一些，目前能够追溯到的就是我国在1990年建立国家智能计算机研究开发中心，这也标志着中国真正将人工智能的研究列入“国字头”的范畴。虽然那个时候对人工智能没有如今这么深入的认知，但是从名称中你也可以看到，大家认为“高性能计算机就是为智能而生的”，不为别的。该中心的主要任务也就是打造中国的“智能计算机”。
　　在当时，大家认为的“智能”主要是以高性能计算为基础，说白了就是计算性能决定了“智能”的存在。也正是从那时起，在研究开发中心主任李国杰的带领下，大家瞄准当时国际上“禁运”的高性能计算机领域，开发出了以曙光一号为代表的一系列高性能计算机，打破了西方的封锁，成功创造了巨大的学术价值和社会应用。当时研究条件艰苦，很多学习人工智能专业的人甚至因为找不到合适的工作方向而被迫转行了，谁也没有料到几十年后的今天，人工智能专业会这么吃香。
　　对于那个时代来说，人工智能就是高性能计算，就是超级计算机。
　　人工智能与高性能计算机的发展相辅相成
　　随着技术的发展，人工智能也出现了不同的分支，其中有一则名为“机器学习”的，成为了我们熟知的概念。
　　机器学习的概念大概诞生于上世纪的80年代，但是因为业内许多人都对这个概念有着自己的解读，所以要想确定一个统一的时间是非常困难的事情。发展到这里，人工智能有了一个相对明确的概念，也明确了未来的走路该走向何方。
　　相比于人工智能的“人工”和“智能”两部分概念来说，机器学习更强调“学习”，就是让计算机像人那样思考、工作，并且能够自主的效仿人类。从计算机到人类，这其中的鸿沟可谓是天差地别，所以目前我们更多还是以计算机模拟人脑的神经网络，进而实现类似人脑的判断。
　　对于一个人来说，可能识别一只猫、一条狗，只需要看上几眼，只需要短短几分钟的时间。但是对于机器来说，则需要处理大量的图片信息、声音信息、图像信息进行训练，同时也需要大量的时间来运行。
　　由于这些图像、声音等数据，计算机本身是无法理解的，所以首先需要工程师将任务分解成多个抽象层次去处理，进而才能够将机器学习用于每一层网络的训练，将其训练结果作为其高一层的输入，用自顶而下的监督算法去调整所有层。
　　这种需求势必对于计算机的性能产生强大的依赖，进而也推动了HPC产业的发展。所以我们看到，在过去的几十年中，计算能力提升了成百上千倍，也催生了一系列高端的超级计算机。作为中国第一的高性能计算机厂商，从位列世界十大超级计算机的曙光4000A到排名世界第二的曙光星云，多年来曙光在推动中国高性能计算发展的历史上功不可没。也就是从那个时代开始，我们的计算机经历了十万亿次、百万亿次、千万亿次的跨越式发展，从而奠定了今天中国在超级计算机领域的领先地位。
　　同时进步的还有应用与软件的研究。许多人都觉得人工智能是最近几年发生的事情。其实早在多年前，人工智能的应用就已经有了雏形，比如当年我们都曾使用过的短信语音或者来电语音播报就是人工智能应用的最佳体现。还有，早在上世纪80年代末，计算机已经可以利用机器学习方法完成汽车的无人驾驶;计算机已经能够成功识别人类讲话;计算机可以检测出信用卡欺诈行为。只是那个时代受限于诸多因素，只能说是人工智能的“初级阶段”。
　　信息时代数据的积累和计算能力的飞速发展注定了人工智能必然在某一个临界值上厚积而薄发。直到深度学习技术的出现，量变终于到质变，实现了人工智能颠覆式的发展纪元。
　　深度学习的快速发展，让高性能计算机和AI更加紧密融合
　　在我看来，深度学习蓬勃发展也就是最近2-3年的事情，至少2014年我去参加NVIDIA组织的GTC大会，那时候黄仁勋口中大谈特谈的还是机器学习的概念。而如今，随着加速器的快速发展，计算能力得到了强大的提升，而大数据时代也为高性能计算提供了海量的 “原材料”。
　　如果将人工智能比喻成一桌大餐的话，HPC就好比烹饪加工水平，云好比炊具案板，大数据则是食材。中国有句话叫做“巧妇难为无米之炊”，在云和大数据发展成熟之前，人工智能所能够处理的信息非常有限，这也大大影响了这一技术的发展速度。
　　曙光也敏锐的发展了这个问题所在。因而接着2015年大数据的春风，曙光发布了“数据中国”战略，通过布局城市云和大数据业务，旨在形成一张中国云数据网络版图，而这一战略也颇为有效的得到了执行与扩张。
　　如今深度学习快速发展，人工智能走上风口，对于曙光来说，意味着2015年那一步走对了。目前，曙光有着中国乃至亚洲最广泛的HPC用户群并拥有领先的HPC技术与产品，有着遍铺全国的城市云平台、更拥有海量的城市与行业大数据，因此曙光正在顺理成章的将HPC与人工智能、大数据、云计算深度融合在一起。
　　“既然这些名称背后的本质都是计算，我们又是做计算的，那么如何将这些计算‘算好’才是摆在我们面前的核心问题。至于叫做什么名字，采用什么样的设备，是主流的标准服务器还是定制化的所谓“专用机”、“一体机”，这并不重要”，曙光高性能计算产品事业部总经理李斌如是说。
　　我们都知道，人工智能里的深度学习对于数据处理的需求量非常高，传统计算是基于某种结构上的运算，而深度学习的基础是人工神经网络，两者的应用架构和体系结构架构的结合不是非常一致，需要进一步优化。为此，曙光深度学习开发团队，针对深度学习应用的Caffe、TensorFlow、PaddlePaddle等多种主流框架进行支持，使得客户的原有应用能够实现无障碍的应用。从应用方式来说，曙光深度学习产品的架构是把很多项目中有共性、通用的算法做成固定的模式，集中放在软件平台上，客户根据需求来提取不同的算法。
　　在计算平台上，曙光拥有AI HPC、AI服务器、以及专门为深度学习定制的产品。在服务模式上，随着云计算的发展和成熟，深度学习业务在将来可能更多的以服务为主导，同时也继续为广大用户提供具备顶级计算力和数据处理能力的硬件及平台产品。
为什么一说人工智能就绕不开超算？
　　“如今许多互联网企业也加入了人工智能产业的竞争，我们欢迎他们的加入，同时我们更希望帮助传统企业共同走上人工智能的发展道路。曙光能够为传统企业提供完善的解决方案，从硬件到软件、从应用到生态系统，帮助传统企业转型与成长”，李斌说。
　　相比于BAT这样的互联网巨头动辄重金投入从算法到芯片的AI全生态链来说，曙光更像一把锋利的刀，不贪大、不贪全，一刀下去便切中自己最擅长的领域，并努力将其做到极致与无可替代。
　　许多时候，我们总觉得一家曙光是一家硬件公司，但是如今曙光左手有强大的计算能力、右手有to B类的大数据，人工智能的两大基础都已在握，通过人工智能实现业务的全新突破则是水到渠成。
　　2017年，人工智能与超算的故事也许才刚刚开始。