=Paper=
{{Paper
|id=Vol-1482/465
|storemode=property
|title=Суперкомпьютерные вычисления в контексте экономики знаний
(Supercomputing in the context of the knowledge economy)
|pdfUrl=https://ceur-ws.org/Vol-1482/465.pdf
|volume=Vol-1482
}}
==Суперкомпьютерные вычисления в контексте экономики знаний
(Supercomputing in the context of the knowledge economy)==
https://ceur-ws.org/Vol-1482/465.pdf
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Суперкомпьютерные вычисления в контексте экономики
знаний
Ю.А. Зеленков
Финансовый университет при Правительстве Российской Федерации
Основная черта экономики знаний – переход от массового рынка к удовлетворению
индивидуальных потребностей. При этом знание становится фактором производства,
причем в отличие от «классических» факторов, для которых действует закон убыва-
ния предельной производительности, производительность при увеличении использо-
вания знания возрастает. Это радикально изменяет механизмы развития и конкурен-
ции. В новых условиях возникает ряд направлений, где невозможно обойтись без
использования больших вычислительных мощностей. Это построение сетевых плат-
форм для совместного использования активов, ускорение разработки новых продук-
тов, создание динамических связей в сетях облачного производства и др. В статье
представлен анализ потенциальных областей применения суперкомпьютеров в новой
экономике. На примере инвестиций в суперкомпьютерные вычисления при разработ-
ке новой продукции показано, что при достижении определенного уровня они обес-
печивают резкий рост производительности.
1. Введение
На смену сложившимся в XX веке экономическим условиям (удовлетворение массового
спроса за счет масштабного производства единственного продукта) приходят новые модели.
Прежде всего, это ориентация на индивидуальный спрос и единичное производство продуктов,
конфигурируемых в соответствии с требованиями конкретного потребителя. При этом произ-
водитель финального продукта все чаще выступает как интегратор, основная задача которого
не только разработать архитектуру нового продукта, но и создать сеть партнеров, которые об-
ладают лучшими компетенциям для производства подсистем будущего изделия. В новых эко-
номических условиях единственным имеющим значение ресурсом будет знание – знание по-
требностей потребителя и знание о том, как построить эффективную партнерскую сеть, знание
последних достижений науки и знания о том, как реализовать их в продуктах и технологиях.
Компании, опирающиеся на традиционные факторы производства – финансовый капитал, де-
шевый труд и природные ресурсы, вытесняются на экономическую периферию. Поэтому кор-
поративные знания часто рассматривают как интеллектуальный капитал, к которому относится
все, что имеет ценность для предприятия и заключено в работающих на нем людях или возни-
кает из производственных процессов, систем или организационной культуры [1]. Главной цен-
ностью новой экономики становятся те, кого П. Друкер назвал «работники интеллектуального
труда» (knowledge workers) [2].
При определении термина «знание» обычно используется иерархия «данные – информация
– знания». Данные существуют объективно, независимо от субъекта. Информация извлекается
из данных и имеет более субъективный характер, ее ценность зависит от степени снижения не-
определенности конкретной ситуации, в которой находится субъект. Знание – это полностью
субъективные концепции, взгляды, убеждения и ноу-хау, которые позволяют трансформиро-
вать данные в информацию и принимать решения на ее основе, распознавать и идентифициро-
вать события, анализировать ситуацию и адаптироваться к ней, планировать и контролировать
действия [3]. Таким образом, знание имеет активный характер, оно всегда связано с конкретной
деятельностью [4].
В управлении знаниями обычно выделяют следующие основные процессы: обнаружение,
приобретение, распространение, применение и утилизация [1]. Корпоративные знания могут
быть приобретены различным способом: за счет научных исследований, анализа опыта экс-
плуатации выпущенных продуктов, найма квалифицированного персонала, покупки патентов,
оборудования и соответствующих технологий. Одним из наиболее распространенных способов
465
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
является приобретение программного обеспечения, в котором могут быть реализованы как оп-
тимизированные бизнес-процессы (ERP, CRM и PLM системы), так и математические модели,
позволяющие ускорить проектирование новых продуктов (CAD/CAM/CAE системы). Традици-
онно в промышленности основным приложением для суперкомпьютеров являются системы
инженерного анализа (CAE), однако в новых экономических условиях появляются бизнес–
задачи, которые также могут потребовать значительных вычислительных ресурсов. Цель на-
стоящей работы – рассмотреть как традиционные, так и новые области применения суперком-
пьютеров в экономике знаний.
2. Основные черты экономики знаний
Одной из первых работ, обсуждающих отличительные черты новой экономики стала книга
[5], где была зафиксирована тенденция перехода от массового производства к удовлетворению
индивидуального спроса. Основным условием, поддерживающим эту тенденцию, является тес-
ная связь с потребителем, предоставление ему возможности найти и заказать нужный продукт
или услугу, что явилось следствием развития Internet, средств поиска информации и социаль-
ных сетей. Более того, с развитием технологий появилась возможность прямого взаимодейст-
вия потребителей на основе сетевых платформ, поддерживающих различные формы коммуни-
каций. В качестве примера можно привести системы, обеспечивающие совместное использова-
ние различного имущества (квартир, автомобилей и т.д.) [6]. Появление такой модели исполь-
зования продуктов имеет два следствия: во-первых, повышаются требования к их долговечно-
сти и надежности, поскольку интенсивность использования возрастает. Во-вторых, из отноше-
ний между потребителями исключается посредник в виде фирмы, организующей взаимное пре-
доставление услуг. Основой бизнес-модели становится создание платформы для взаимодейст-
вия потребителей. Некоторые аспекты функционирования таких платформ, которые могут по-
требовать значительных вычислительных мощностей, будут рассмотрены в разделе 6.
Ориентация на индивидуальные потребности заказчика требует радикальной перестройки
процессов разработки, производства и логистики. Цикл проектирования новых продуктов дол-
жен сокращаться, основным требованием становится быстрая разработка на заказ изделий с
высокой степенью кастомизации полностью в цифровом виде [7]. При этом основной эффект
экономии времени и сокращения затрат при проектировании дает замена физических испыта-
ний вычислительными экспериментами на базе суперкомпьютерного инженерного анализа.
Влияние суперкомпьютерных вычислений на ускорение и удешевление процесса проектирова-
ния подробнее будет рассмотрено в разделе 4.
Одновременно должна происходить демократизация средств производства. Здесь основные
надежды связываются с аддитивными технологиями [8], которые позволяют изготавливать бо-
лее сложные детали, что ведет к уменьшению их количества в готовом изделии и тем самым
упрощению финальной сборки. Кроме того, при этом появляется возможность приблизить про-
изводство к заказчику, что сокращает логистические затраты. Информация между заказчиком,
разработчиком и изготовителем при этом должна передаваться исключительно в цифровом ви-
де. Эти идеи положены в основу концепции облачного производства [9], которая подробнее
будет рассмотрена в разделе 5.
Все эти изменения опираются на знание: знание потребностей потребителя (и их создание
на основе новых технологий, идей использования, придания продуктам новых смыслов [10]);
знание последних достижений науки, которые можно реализовать в продукте; знание какие
компетенции партнеров можно использовать; знание, как эффективно произвести и доставить
продукт.
Функции знания в новой экономике рассмотрены в [11]. С одной стороны оно является не-
посредственным продуктом деятельности и предметом конечного потребления. С другой сто-
роны – это производственный ресурс, используемый в процессе производства, и предмет и
средство распределения. Также знание выступает как средство тезаврации (сохранения накоп-
ленных материально-финансовых ценностей), орудие или инструмент управления, средство
организации общества и воспроизводства общественных ресурсов.
466
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
3. Знание как фактор производства
По определению, данному в [11], фактор некоторого процесса – это относительно автоном-
ный поток однородных явлений («фактов»), оказывающих влияние на результат процесса в ме-
ру интенсивности потока. Количественное изменение интенсивности потока должно, как пра-
вило, приводить к количественному изменению результата.
В микроэкономике, предметом которой является функционирование экономических аген-
тов (производителей и потребителей), традиционно выделяются три классических фактора
производства: природные ресурсы , капитал и труд . Функцию , связываю-
щую объем производства фирмы с количеством используемых факторов называют производ-
ственной функцией. Для классических факторов производства действует закон убывающей
предельной производительности [12]: когда использование какого-либо фактора увеличивается
(при неизменном объёме использования всех остальных), то рано или поздно будет достигнута
точка, в которой прирост производства начнет убывать (рис. 1a). Данный закон ограничивает
возможность лидеров рынка оторваться от преследователей.
Объем производства за период
Объем производства за период
Объем используемого фактора Объем используемого
производства знания
(a) (b)
Рис. 1. Производительность различных факторов производства
Для фактора знаний вместо закона убывающей предельной производительности будет дей-
ствовать закон возрастающей отдачи [11], как показано на рис 1b, преимущество, полученное
за счет более раннего создания и начала эксплуатации нового знания станет постоянным и не-
обратимым [2]. Это объясняется следующими причинами [13]:
Поскольку происходит переход к сетевым структурам производственных цепочек,
стандарты взаимодействия в такой цепочке становятся интеллектуальным активом, это
формирует барьер для новых игроков на рынке. Так, например, чтобы обеспечить ры-
ночный успех микропроцессора новой архитектуры, его производитель должен прежде
всего добиться поддержки от поставщиков основных операционных систем.
Для начального приобретения наукоемкого продукта необходимы высокие инвестиции.
Для потребителя это означает трудности переключения на другого поставщика, для по-
ставщика – возрастание конкурентной борьбы за первую продажу.
Себестоимость создания первой копии продукта высока, себестоимость тиражирования
остальных – значительно ниже и даже может стремиться к нулю.
Накопление неявных знаний, передача которых затруднена - причина снижения издер-
жек, вкладываемых в продукт.
467
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Таким образом, экономика знаний будет базироваться на несовершенной конкуренции [2],
единственными факторами, ограничивающими возможность отрыва рыночного лидера, будут
диффузия знаний и общий научно-технический прогресс [11].
Еще одна особенность корпоративного знания заключается в том, что его носителем явля-
ются сотрудники фирмы. Поэтому знания сотрудников часто рассматривают как интеллекту-
альный капитал, который не принадлежит предприятию, его можно считать ресурсом, который
берется в аренду на время рабочего дня, и доступ к которому может быть потерян, когда его
носитель прекращает отношения с работодателем [1]. При этом часть знаний сотрудников мо-
жет быть представлена в явном, формализованном виде, но большая часть существует в виде
неформализованных навыков и умений, которые очень сложно передать другому человеку. В
компании также существуют знания, носителем которых не является конкретный человек.
Прежде всего это знания, формализованные в виде чертежей, технологических процессов, про-
граммного обеспечения, стандартов и инструкций. Но на уровне предприятия также возникают
и неформализованные знания, реализуемые в виде рутин – повторяющихся шаблонов поведе-
ния, формируемых на базе предыдущего опыта. Третьим источником корпоративных знаний
являются партнеры, поставщики и клиенты, которые дополняют недостающие компетенции
предприятия. Таким образом, знание не является статичным объектом, оно рождается в посто-
янно изменяющемся процессе человеческих взаимоотношений [14]. На основании сказанного
выше можно предложить следующую классификацию корпоративных знаний (рис.2).
Интеллектуальный
капитал
Организационный Интеллектуальный
Человеческий капитал капитал капитал партнеров
Стандарты, патенты,
Неявные Явные чертежи, Человеческий Организационный
Рутины
знания знания программное капитал капитал
обеспечение …
Интеллектуальные активы
Рис. 2. Источники корпоративных знаний
Отметим, что интеллектуальные активы, т.е. те знания, которые формализованы и учтены,
как принадлежащие компании (патенты, товарные знаки, другая интеллектуальная собствен-
ность), и стоимость которых отражается в ее балансе, составляют лишь малую часть всего ин-
теллектуального капитала, используемого предприятием. Программное обеспечение безуслов-
но является примером формализованного знания, которое почти всегда отражается в интеллек-
туальных активах компании в виде приобретенных лицензий и собственных разработок, по-
ставленных на учет.
4. Суперкомпьютерные вычисления при разработке новой продукции
Инженерные расчеты и моделирование при проектировании новых продуктов - наиболее
очевидный и широко распространенный способ применения суперкомпьютеров в промышлен-
ности. Рассмотрим простейшую модель процесса проектирования, который выполняется в два
последовательных этапа:
468
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
1 этап: определение параметров конструкции и разработка документации на изготовле-
ние.
2 этап: изготовление опытных экземпляров и последовательная доводка изделия до
нужных параметров путем испытаний и инкрементальных изменений конструкции.
Из практики известно [15], что основной экономический эффект (ускорение выполнения
проектных работ и уменьшение их стоимости) может быть получен за счет сокращения второго
этапа. При этом уменьшается количество изготавливаемых опытных экземпляров изделия, со-
кращается количество экспериментов, соответствующие трудозатраты и т.д. Для этого необхо-
димо повысить качество проектирования на первом этапе, чтобы выдать такую конструктор-
скую и технологическую документацию, которая обеспечивала бы изготовление изделия с
нужными параметрами за минимально возможное число попыток. Использование методов ин-
женерного анализа и многокритериальной оптимизации на базе суперкомпьютерных вычисли-
тельных мощностей позволяет приблизиться к решению этой задачи.
Каждый этап характеризуется стоимостью и временем выполнения работ, которые зависят
от объема корпоративных знаний, обозначим их соответственно, и где – но-
мер этапа, – размер инвестиций в знания. Увеличение знаний может осуществляться путем
инвестирования в проведение научных исследований, приобретение пакетов прикладных про-
грамм и соответствующего вычислительного оборудования, найма высококвалифицированных
специалистов и т.д. Из практического опыта, полученного при внедрении суперкомпьютерного
инженерного анализа в НПО «Сатурн», известно [15,16], что при использовании суперкомпью-
терных технологий в проектировании:
Стоимость выполнения работ первого этапа увеличивается ;
Время разработки конструкции при этом практически не изменяется ;
Стоимость работ второго этапа сокращается, причем величину этого сокращения мож-
но определить с помощью некого коэффициента, который обозначим :
;
Время экспериментальной доводки также сокращается. Стоимость работ часто рас-
сматривается как функция времени их выполнения, для чего вводится показатель стои-
мости нормочаса. Пусть - средняя стоимость одного часа работ. Тогда
и , .
Здесь – стоимость выполнения работ без использования суперкомпьютерных технологий.
Из приведенных выражений следует ограничение на параметр ω. Поскольку величина затрат на
экспериментальную доводку конструкции не может быть отрицательной, то из условия
следует . Если имеет место равенство , это означает,
что инвестиции в суперкомпьютерное моделирование позволяют получить конструкцию такого
качества, что в ее экспериментальной доводке нет необходимости, заданные параметры изде-
лия получаются с первой попытки.
Экономический результат выполнения работ можно представить в виде ,
где – доход от выполнения работ по созданию продукта, а – затраты. Полагаем, что до-
ход не зависит от размера инвестиций в суперкомпьютерные технологии, поскольку его ве-
личина определяется рынком. Очевидно, что
где - затраты на создание продукта без инвестиций в знания. Из выражения
для затрат следует, что инвестиции в знания имеют смысл только при , это условие со-
кращения затрат. Таким образом, значение коэффициента должно находиться в интервале
Производительность организации можно оценить как прибыль, полученную в единицу
времени:
469
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Пусть стандартная норма рентабельности организации , т.е. , отсюда
. Подставляя это выражение в (1) и выражая время работ через их стоимость,
получим:
Зависимость величины от при и представлена на рис.3.
80,00
70,00
Производтельность проектной организации p(k)
60,00
50,00
ω = 2,0
ω = c2(0)/k
40,00
ω = 1,5
30,00
20,00
ω = 1,0
10,00 A A
B
0,00
0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90
Отношение инвестиций в инженерный анализ к себестоимости разработки k/C0
Рис. 3. Зависимость производительности проектной организации от инвестиций в суперкомпьютерный
инженерный анализ
Отметим, что в рамках предложенной модели инвестиции в суперкомпьютерные техноло-
гии при проектировании подчиняются закону убывания предельной производительности (см.
рис. 1а), рост производительности ограничен кривой . Тем не менее, когда инве-
стиции в суперкомпьютерные вычисления достигают некоторой доли от стоимости разработки
(точки А на рис.3), наблюдается резкий рост производительности. Из выражения (2) следует,
что это происходит, когда значение параметра приближается к 1, что соответствует мак-
симальному устранению работ по экспериментальной доводке продукта.
То, что данный эффект наблюдается при проектировании отдельных деталей, эксперимен-
тально подтверждено в НПО «Сатурн» при разработке лопаток вентилятора для авиационных
газотурбинных двигателей Д-30КП-3 «Бурлак» и SaM146. Для SaM146 лопатка разрабатыва-
лась с использованием суперкомпьютерного моделирования и оптимизации, в результате коли-
чество опытных экземпляров для доводки и соответствующие затраты были снижены по срав-
нению с Д-30КП-3 почти в 10 раз. Следует однако отметить, что в масштабах производства за-
конченного продукта высокотехнологичного машиностроения данный факт в России еще на
практике не подтвержден, поскольку все известные инвестиции промышленных предприятий
находятся в диапазоне (точка B на рис 3).
470
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Отметим еще раз, что обсуждаемые инвестиции подразумевают не только приобретение
вычислительных платформ большой мощности, но и соответствующего программного обеспе-
чения. Именно знание, воплощенное в таких программных продуктах, позволяет получать из-
делия с заданными параметрами в процессе виртуального проектирования [17].
5. Суперкомпьютерные вычисления в облачном производстве
Традиционные методы планирования и организации производства, такие как MRP (Material
requirements Planning) [18] и его развитие S&OP (Sales and Operations Planning) [19] базируются
на прогнозе выпуска, который будет весьма сложно получить в условиях ориентации на удов-
летворение индивидуальных потребностей характерных для экономики знаний. Кроме того, эти
методы ориентированы на оптимизацию производственных цепочек внутри одной компании
или группы компаний, связанных технологически. Развитие средств коммуникации предоста-
вило возможность выстраивать более гибкие производственные альянсы, в результате появился
подход Design Anywhere, Manufacture Anywhere (DAMA) [20], который, однако, ориентирован
на интеграцию распределенных ресурсов для выполнения одного производственного процесса.
задание задание
задание задание
Виртуальное Виртуальная Виртуальная Виртуальный
конструкторское производственная производственная испытательный
бюро линия линия стенд
Композиция
виртуальных сервисов
Виртуальные производственные ресурсы
Виртуализация
Реальные производственные ресурсы
Рис. 4. Модель облачного производства
Скорее всего, в условиях высокой волатильности спроса и непрерывного изменения мо-
дельного ряда производимых продуктов наиболее адекватной организационной формой ока-
жется облачное производство (cloud manufacturing), идея которого была предложена в 2010 г.
[21] и в настоящий момент является весьма активно развивающейся областью исследований.
Это модель, согласно которой потребитель получает доступ к разделяемому набору диверси-
фицированных распределенных ресурсов, из которых можно сформировать временную легко
реконфигурируемую производственную линию для выполнения конкретного заказа [22]. Под
ресурсами здесь понимаются программное обеспечение (CAD/CAM/CAE), производственное
оборудование и прочие производственные возможности и компетенции. Этот подход должен
обеспечить повышение эффективности, снижение затрат, оптимизацию загрузки ресурсов в
условиях высокой непредсказуемости потока заказов потребителей.
471
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Облачное производство предполагает, что взаимодействие поставщиков физических про-
изводственных ресурсов и их потребителей будет строиться на основе специальных программ-
ных платформ, обеспечивающих необходимые сервисы. Сценарий взаимодействия всех заин-
тересованных сторон выглядит следующим образом (рис.4). Поставщики ресурсов формируют
описание предоставляемых физических ресурсов, которые в системе интегрируются в вирту-
альные сервисы, предназначенные для выполнения сложных производственных процессов. По-
требитель задает описание своего производственного процесса, система подбирает набор под-
ходящих виртуальных сервисов, которые затем отображаются на физические ресурсы, выбира-
ется оптимальный план выполнения работ. Если стоимость, сроки и другие параметры удовле-
творяют потребителя, план выполняется. Программная платформа должна обеспечивать пере-
дачу информации между всеми участниками взаимодействия, а также средства мониторинга и
контроля выполнения планов [23].
Отметим, что в процессе выполнения задания описание процесса может изменяться, на-
пример, на первой фазе по заданной цифровой модели продукта разрабатывается технология
его изготовления. Очевидно, что в этом случае сам процесс изготовления, требования к ресур-
сам, а также управляющие программы для оборудования с ЧПУ будут определены только по-
сле окончания разработки техпроцесса.
Из сказанного выше следуют основные актуальные направления исследований, ведущихся
в области облачного производства. Это разработка онтологий и языков описания производст-
венных ресурсов и процессов, моделей формирования цены и распределения прибыли, моделей
оценки квалификации поставщиков и потребителей, методов оптимизации распределения ре-
сурсов, механизмов мониторинга.
Модель облачного производства можно рассматривать как первый шаг к социальной про-
изводственной сети будущего [24], когда любой желающий сможет участвовать в процессах
разработки, производства, сборки, испытаний, доставки, маркетинга и менеджмента, что по-
зволит создавать с небольшими затратами продукты с высокой степенью персонализации на
основе гибкого использования ресурсов. В такой среде можно выделить четыре компонента,
реализующие различные варианты предоставления услуг [24]:
Оборудование как сервис (HaaS – Hardware as a Service) – станки, установки, другое
производственное оборудование, датчики, промышленные сети (интернет вещей).
Программное обеспечение как сервис (SaaS – Software as s Dervice) – CAD/CAM/CAE
системы и другое ПО, необходимое для организации производственного процесса.
Инфраструктура как сервис (IaaS – Infrastructure as a Service) – вычислительные ресур-
сы, обеспечивающие функционирование программной платформы, выполнение серви-
сов, сбор и анализ данных (большие данные) и так далее.
Платформа как сервис (PaaS – Platform as a Service) – социальная сеть для потребителей
и поставщиков услуг облачного производства.
Очевидно, что инфраструктура, обеспечивающая функционирования такой облачной сре-
ды, будет весьма требовательна к производительности и надежности вычислительного обору-
дования. Рассмотрим подробнее одну из наиболее ресурсоемких задач - распределение произ-
водственных ресурсов. Упомянутые выше методы MRP, S&OP на основе прогноза выпуска по-
зволяют рассчитать плановые задания для каждого рабочего центра (порядок поступления за-
даний и время выполнения). При этом обычно не производится никакой оптимизации загрузки
оборудования, проверяется лишь достаточность ресурсов для выполнения плана. Для рассчи-
танного плана вводится период «заморозки», в течение которого план считается неизменным.
Это связано с тем, что в достаточно большой производственной системе отклонения от плана
накапливаются столь стремительно, что реакция на них обходится гораздо дороже, чем выпол-
нение даже неактуального плана. Накопленные отклонения учитываются при расчете плана на
следующий период «заморозки».
Этот алгоритм не может быть использован в модели облачного производства. Во-первых,
как отмечено выше, в такой среде по определению невозможно будет получить хоть сколько
достоверный прогноз выпуска. Во-вторых, в рамках традиционной производственной системы
отклонения (брак, задержки и т.п.) могут быть скомпенсированы за счет увеличения партий
выпускаемых изделий. В среде облачного производства каждый заказ предполагается индиви-
дуальным, поэтому реакция на отклонение от плана должна быть мгновенной. Отсюда следует,
472
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
что в такой модели планирование каждого заказа должно производится в момент его поступле-
ния, а в случае обнаружения отклонения – немедленное перепланирование. Кроме того, за рам-
ками традиционных систем управления производством обычно остается планирование работ по
проектированию собственно продукта и процессов его изготовления, в среде облачного произ-
водства эти активности также предоставляются как услуги, поэтому для них также необходимо
выделение ресурсов.
В настоящее время уже предложено значительное число методов распределения ресурсов
облачного производства, базирующихся на различных оптимизационных техниках: генетиче-
ские алгоритмы, метод роя частиц, моделирование на основе агентов и т.д. Однако большая
часть из них ограничена лишь последовательной оптимизацией выделения ресурсов для каждо-
го вновь поступившего заказа отдельно, при этом имеющийся набор заказов не рассматривает-
ся и не учитываются фактическая загрузка ресурсов и ожидаемое время их освобождения. Ме-
тоды, решающие задачу в более полной постановке еще не предложены.
В существующих системах производственного планирования на крупных предприятиях
(несколько тысяч единиц оборудования, десятки тысяч деталей по номенклатуре, планирование
по методу MRP) расчет плана занимает обычно 4-6 часов на вычислительной системе, имею-
щей до 20 процессорных ядер. Из обсуждения выше, следует, что в среде облачного производ-
ства время выполнения такого расчета должно соответствовать интенсивности двух потоков:
скорости поступления заказов и частоте обнаружения отклонений в выполнении плана. Если
интервал появления таких событий равен, например, 5 минутам, то простая линейная экстрапо-
ляция показывает, что вычислительная система для решения этой задачи должна иметь порядка
1000 процессорных ядер. Отметим, что это нижняя оценка, поскольку затраты машинного вре-
мени на решение задачи оптимизации производственных ресурсов при этом не учитываются.
В целом следует констатировать, что полноценная система облачного производства еще
далека от создания, но, тем не менее, уже известно несколько практических попыток построе-
ния таких сред в рамках отдельно взятых корпораций и промышленных конгломератов [22-24].
6. Другие области применения высокопроизводительных вычислений
Среди других направлений использования высокопроизводительных вычислительных сис-
тем, появление которых связано с экономикой знаний, стоит упомянуть анализ предпочтений
потребителей, выделение кластеров экономических агентов с устойчивыми моделями поведе-
ния, обнаружение слабых сигналов, свидетельствующих о начале изменений в окружающей
среде, поиск корреляций между различными потоками событий и т.д. Эти виды активности
сводятся к поиску закономерностей в имеющихся неструктурированных наборах данных, пере-
численные направления объединяются под общим термином «большие данные» [25].
Упомянутая выше самоорганизация потребителей на основе сетевых платформ ведет к
снижению роли фирм как механизмов минимизации транзакционных издержек. Под транзак-
циями здесь понимаются атомарные операции обмена имущественными правами, знаниями и
другими активами между различными экономическими агентами. В традиционной экономике
фирмы обеспечивают снижение транзакционных издержек за счет формирования правил, пред-
писывающих определенные действия в стандартных ситуациях и исключающих затраты на
принятие решений. Вполне вероятно, что появление сетевых платформ, поддерживающих са-
моорганизацию потребителей при обмене активами, а в перспективе – социальных производст-
венных сетей, станет не менее эффективным механизмом удешевления транзакций. Это может
радикально изменить существующие формы организации экономики.
В то же время следует отметить, что в рамках таких платформ самоорганизации сейчас
реализованы только механизмы установления парных связей (например, один пользователь
может предоставить свою квартиру, свободную на время его отпуска, другому пользователю).
В перспективе, возможно, следует ожидать появления сетей, позволяющих построить более
длинные цепочки временной передачи прав на использование имущества. Например, участник
такой сети, предоставляющий свою квартиру второму участнику на время поездки в отпуск, на
это же время арендует автомобиль у третьего участника. Второй участник также сдает свою
квартиру и приобретает какие-то дополнительные услуги у четвертого участника и т.д. Если
каждый из пользователей сети будет искать и устанавливать такие связи самостоятельно, это
473
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
потребует значительных затрат личного времени и не всегда приведет к оптимальному резуль-
тату.
Особенность задач в такой постановке заключается в том, что здесь обе стороны, участ-
вующие в обмене, имеют некие предпочтения на множестве выбора. На традиционных рынках
предполагается, что предпочтения имеет только потребитель, а производителю все равно, кто
приобретет его продукт или услугу. Задача выстраивания связей такого рода рассматривается в
теории двусторонних рынков [26], предложенные в рамках этой теории алгоритмы и модели
могут быть использованы как в социальных сетях совместного использования активов, так и в
сетях облачного производства. Очевидно, что в этом случае также необходимо выполнение
расчетов в соответствии с интенсивностью потока запросов.
Еще одним очевидным направлением, где понадобятся значительные вычислительные
мощности, является использование криптовалют и соответствующей инфраструктуры - пла-
тежных систем, систем биржевой торговли и т.д. Отметим дополнительно, что если самоорга-
низация участников сетевых сообществ меняет роль фирмы, то переход к использованию крип-
товалют может значительно повлиять на роль государства в новой экономике, поскольку
управление национальной денежной системой является сейчас именно функцией государства.
7. Заключение
Экономика знаний предъявляет новые требования к организации процессов взаимоотно-
шений с потребителями, разработки продуктов и услуг, их производства и обеспечивающей
логистики. Согласно сложившемуся на данный момент в научном сообществе мнению все эти
виды деятельности будут основаны на сетевом взаимодействии участников процессов, причем
сетевые платформы должны обеспечивать решение задач оптимизации выстраиваемых цепочек
за время, близкое к реальному. Учитывая потенциальное количество пользователей таких се-
тей, количество связей и интенсивность транзакций между ними, можно сделать вывод, что
для этого потребуются весьма значительные вычислительные мощности.
В настоящее время еще не разработаны общие модели предполагаемого взаимодействия и
методы решения всех возникающих задач, но данная область исследования весьма активно раз-
вивается.
Рассмотренные здесь перспективы использования суперкомпьютерных вычислений при
разработке новой продукции, ее производстве и поддержке самоорганизации потребителей по-
зволяют сделать вывод, что создание необходимых параллельных алгоритмов и их соответст-
вующая поддержка на уровне вычислительных мощностей способны значительно сократить
издержки на создание и потребление материальных ценностей.
Литература
1. Bukowitz W.R., Williams R.L. The Knowledge Management Fieldbook. Financial Times Prentice
Hall, 1999.
2. Drucker P. Post-Capitalist Society. HarperBusiness, 1993. 232 p.
3. Becerra-Fernandez, I., Sabherwal, R. Knowledge Management : Systems and Processes. M.E.
Sharpe, Inc., 2010.
4. Нонака И., Такеучи Х. Компания - создатель знания. Зарождение и развитие инноваций в
японских фирмах. Олимп-Бизнес, 2011. 384 с.
5. Anderson C. The long tail: why the future of business is selling less of more. Hyperion, 2006. 238
p.
6. Гански Л. Mesh- модель: почему будущее бизнеса – в платформах совместного пользова-
ния? Альпина Паблишер, 2011. 260 с.
7. Зеленков Ю.А. Современные требования к процессу проектирования новых изделий в ма-
шиностроении и их реализация в информационных системах // Системы проектирования,
технологической подготовки производства и управления этапами жизненного цикла про-
474
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
мышленного продукта (CAD/CAM/PDM-2012). Труды 12-й Международной конференции.
Под ред. Е.И. Артамонова. ООО «Аналитик». 2012. С. 169-173.
8. Huang, S. H., Liu, P., Mokasdar, A., Hou, L. Additive manufacturing and its societal impact: a
literature review // The International Journal of Advanced Manufacturing Technology. 2013. Vol.
67, No. 5-8. P. 1191-1203.
9. Xu, X. From cloud computing to cloud manufacturing // Robotics and Computer-Integrated Manu-
facturing. 2012. Vol. 28, No. 1. P. 75-86.
10. Verganti, R. Design-Driven Innovation: Changing the Rules of Competition by Radical Innovating
What Things Mean. Harvard Business Press, 2009. 356 p.
11. Макаров В.Л., Клейнер Г.Б. Микроэкономика знаний. Экономика, 2007. 204 с.
12. Пиндайк Р., Рабинфельд Д. Микроэкономика. Питер, 2011. 608 с.
13. Teece D. J. Capturing value from knowledge assets: The new economy, markets for know-how
and intangible assets // California Management Review. 1998. Vol. 40, No. 3. P. 55–78.
14. Nonaka I., Toyama R., Hirata T. Managing Flow: A Process Theory of the Knowledge-Based
Firm. Palgrave Macmillan, 2008. 252 p.
15. Зеленков Ю.А. О стратегическом планировании развития информационных технологий в
корпорации // Вестник Южно-Уральского Государственного Университета. Серия: Вычис-
лительная математика и информатика. 2012. № 46(305). C.73-87.
16. Зеленков Ю.А. Многопользовательская среда инженерных расчетов // Вестник РГАТА име-
ни П.А. Соловьева. 2011. № 1(19). С.123-129.
17. Зеленков Ю.А., Шмотин Ю.Н., Чупин П.В. Текущее состояние и перспективы суперкомпь-
ютерных вычислений при проектировании газотурбинных двигателей // Вестник УГАТУ.
2012. Т.16, № 3 (48). С.91-98.
18. Pinedo, M.L. Planning and Scheduling in Manufacturing and Services. Springer, 2009, 532 p.
19. Уоллас Т., Сталь Р. Планирование продаж и операций. Практическое руководство. Питер,
2010. 272 с.
20. Heinrichs, W. Do it anywhere // IEE Electronics Systems and Software. 2005. Vol. 3, No. 4. P.
30–33.
21. Li, B. H. et al. Cloud manufacturing: a new service-oriented networked manufacturing model //
Computer Integrated Manufacturing Systems. 2010. Vol.16, No. 1. P. 1-7
22. Wu, D., Greer, M.J., Rosen, D.W., Schaefer, D. Cloud manufacturing: Strategic vision and state-
of-the-art // Journal of Manufacturing Systems. 2013. Vol. 32, No. 4. P. 564-579
23. Jiang, P.Y., Cao, W., Zhang, F.Q., Fu, Y.B., Luo, L. Cloud Machining Community: A Method to
Use Socialized Production Resources for Outsourcing Machining Processes and Parts. In: W. Li, J.
Mehnen (eds.). Cloud Manufacturing. Distributed Computing Technologies for Global and Sus-
tainable Manufacturing. Springer, 2013. P.49-76.
24. Wu, D., D. Schaefer, and D. W. Rosen. Cloud-Based Design and Manufacturing Systems: A So-
cial Network Analysis // International Conference on Engineering Design (ICED13), Seoul, 2013.
P. 19–22.
25. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы
живем, работаем и мыслим. Манн, Иванов и Фербер, 2013. 240 c.
26. Roth, A.E., Oliveira Sotomayor, M.A. Two-sided matching. A Study in game-theoretic modeling
and analysis. Cambridge University Press, 1990. 281 p.
475
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Supercomputing in the context of the knowledge economy
Yuri Zelenkov
Keywords: knowledge economy, supercomputers, law of diminishing return, cloud
manufacturing, product design
The main feature of the knowledge economy is the transition from mass market to satisfaction
of individual needs. Herewith knowledge becomes a factor of production, in contrast to the
"classic" factors, for which the law of diminishing returns is applied, marginal productivity of
knowledge increases when the volume of used knowledge grows. This radically alters the
mechanisms of development and competition. Under the new conditions, a number of activity
areas appears, which impossible to perform without the use of large computing resources.
These are: the network platforms for the sharing of assets, the acceleration of new product's
design, the establishment of dynamic relationships in the network of cloud manufacturing and
etc. The article presents an analysis of the potential applications of supercomputers in the new
economy. As example it is shown that investments in supercomputing in the design of new
products ensure the rise in productivity.