با ظهور و گسترش فناوری هوش مصنوعی (AI)، تعریف سنتی و مفهوم رقابت در دنیای ابررایانهها دستخوش تغییرات بنیادینی شده است. دیگر معیارهای قدیمی مانند رتبهبندیهای سنتی لیست Top500 ارزش و اعتبار گذشته را ندارند و شرکتهای بزرگ فناوری تمرکز خود را بر ساخت خوشههای محاسباتی خصوصی معطوف کردهاند. در این میان، اجرای بنچمارکهای سنتی مانند HPL (High-Performance Linpack) برای کمپانیهای پیشرو عملاً به یک حاشیه و انحراف از مسیر اصلی تبدیل شده است.
در گذشته، دستیابی به بالاترین سرعت پردازشی در بنچمارک HPL نشاندهنده قدرت مطلق یک کشور یا شرکت در حوزه پردازش فوقپیشرفته بود. اما امروزه بارهای کاری مربوط به یادگیری ماشین و مدلهای زبانی بزرگ (LLMs) به معماریهای کاملاً متفاوتی نیاز دارند. شرکتهایی نظیر مایکروسافت (Microsoft)، گوگل (Google) و متا (Meta) ترجیح میدهند منابع عظیم خود را صرف بهینهسازی زیرساختهای ابری و خصوصی کنند تا اینکه زمان و هزینه خود را صرف بهینهسازی کدها برای کسب رتبه در جدولهای سنتی نمایند.
از نظر تاریخی، رتبهبندی ابررایانهها همواره ابزاری برای نمایش برتری ملی و علمی بودهاند. مؤسساتی مانند وزارت انرژی ایالات متحده آمریکا یا مراکز پژوهشی در چین و اروپا سالها برای تصاحب جایگاه نخست رقابت میکردند. با این حال، با ورود بازیگران تجاری و غولهای فناوری به عرصه ساخت کلاستر اختصاصی، معیارهای سنجش کارایی به سمت توان عملیاتی در پردازش توزیعشده و پهنای باند شبکه تغییر یافته است که ارتباطی با تستهای سنتی ندارد.
تغییر پارادایم کنونی نشان میدهد که بازار فناوری دیگر تحت تأثیر اعداد و ارقام نمایشی قرار نمیگیرد. برای توسعهدهندگان مدلهای هوش مصنوعی، معیارهایی نظیر مقیاسپذیری، تاخیر شبکه و پایداری کلاسترها در پروژههای طولانیمدت اهمیت دارد. از این رو، تمرکز بر بنچمارکهای سنتی مانند HPL دیگر گویای قدرت واقعی یک سیستم پردازشی مدرن نیست و صنعت سختافزار وارد عصر جدیدی از ارزیابیهای کاربرمحور شده است.