人工智能服务器和人工智能工作站之间的差异

　　如果你想知道人工智能服务器和人工智能工作站有何不同，你不是唯一一个。假设严格的人工智能用例具有最小的图形工作量，那么明显的差异可以是最小到零。从技术上讲，你可以用一个作为另一个。然而，根据要求每个人执行的工作量，每个人的结果将完全不同。因此，清楚地了解人工智能服务器和人工智能工作站之间的差异非常重要。

　　暂时撇开人工智能不谈，服务器通常都是联网的，可以作为一种共享资源来运行跨网络访问的服务。工作站通常用于执行特定用户、应用程序或用例的请求。

　　工作站可以作为服务器，还是服务器可以作为工作站？答案是“是的”，但忽略工作站或服务器的设计目的通常没有意义。例如，工作站和服务器都可以支持多线程工作负载，但如果服务器可以支持比工作站多 20 倍的线程（其他所有线程都相同），那么服务器将更适合为处理器同时处理创建多个线程的应用程序。

　　服务器经过优化，可以作为客户端的网络资源进行扩展。工作站通常没有针对大规模、共享、并行和网络能力进行优化。

　　具体区别：人工智能的服务器和工作站

　　服务器通常运行专为服务器用例设计的操作系统，而工作站运行专为工作站用例设计的操作系统。例如，考虑将 Microsoft Windows 10 用于桌面和个人使用，而 Microsoft Windows Server 在专用服务器上运行，用于共享网络服务。

　　AI 服务器和工作站的原理相同。用于机器学习、深度学习和人工智能开发的大多数人工智能工作站都是基于 Linux 的。人工智能服务器也是如此。由于工作站和服务器的预期用途不同，服务器可以配备处理器集群、更大的 CPU 和 GPU 内存资源、更多的处理核心以及更大的多线程和网络能力。

　　请注意，由于对作为共享资源的服务器的极端需求，通常对存储容量、闪存性能和网络基础设施的需求更大。

　　图形处理器：一个必不可少的组成部分

　　GPU 已成为现代人工智能工作站和人工智能服务器中的一个基本元素。与 CPU 不同， GPU 能够增加应用程序内的数据吞吐量和并发计算数量。

　　GPU 最初设计用于加速图形渲染。由于 GPU 可以同时处理许多数据，因此它们在机器学习、视频编辑、自动驾驶等方面有了新的现代用途。

　　虽然人工智能工作负载可以在 CPU 上运行，但使用 GPU 产生结果的时间可能要快 10 到 100 倍。例如，自然语言处理、推荐引擎和图像分类中深度学习的复杂性，从 GPU 加速中受益匪浅。

　　机器学习和深度学习模型的初始训练需要性能。当实时响应（如会话人工智能）在推理模式下运行时，性能也是必需的。

　　企业使用

　　重要的是，人工智能服务器和工作站在企业内以及与云的无缝协作。每一个都在企业组织中占有一席之地。

　　AI 服务器

　　对于人工智能服务器，在支持 GPU 的服务器和服务器集群上更有效地训练大型模型。它们还可以使用支持 GPU 的云实例进行有效训练，特别是对于需要极高分辨率的海量数据集和模型。人工智能服务器的任务通常是作为各种人工智能应用的专用人工智能推断平台运行。

　　人工智能工作站

　　个人数据科学家、数据工程师和人工智能研究人员通常在构建和维护人工智能应用程序的过程中使用个人人工智能或数据科学工作站。这往往包括数据准备、模型设计和初步模型训练。 GPU 加速工作站使使用大型数据集的适当子集构建完整的模型原型成为可能。这通常在几个小时到一两天内完成。

　　经过认证的硬件兼容性以及跨人工智能工具的无缝兼容性非常重要。 NVIDIA 认证的工作站和服务器 跨认证平台提供经测试的企业无缝性和鲁棒性。

　　关于作者

　　André Franklin 是 NVIDIA 数据科学营销团队的一员，专注于 NVIDIA 支持的工作站和服务器的基础设施解决方案。他在多个企业解决方案方面拥有丰富的经验，包括 NetApp 、 Hewlett-Packard enterprise 和具有预测分析功能的灵活存储阵列。安德烈居住在加利福尼亚州北部，以驾驶无线电控制的模型飞机、滑冰和拍摄大自然远足而闻名。

　　审核编辑：郭婷