DolphinDB Shark 与海光 DCU 达成深度兼容互认，共促高性能计算生态建设
该页面为一则新闻内容，呈现新闻标题与发布日期信息。
What this page covers
- 兼容互认结果与相关表述。
- Shark 引擎定位与能力说明。
- 适用任务特征与科研/金融用例。
- 异构计算平台架构与调度方式概览。
- 测试覆盖范围与稳定性/误差范围描述。
- 未来合作与行业解决方案方向。
技能认证特训营第二期报名活动
页面顶部包含限时报名活动入口与优惠提示。
- 提供“技能认证特训营第二期”的状态说明。
- 提供报名入口链接。
新闻频道标识
页面包含“新闻”栏目标识文本。
- 页面被归类在新闻频道。
- 该标识用于指示内容类型为新闻。
新闻标题与日期
该部分呈现新闻标题与发布日期信息。
- 新闻标题为“DolphinDB Shark 与海光 DCU 达成深度兼容互认，共促高性能计算生态建设”。
- 新闻发布日期在页面中给出。
背景：金融等场景的计算密集任务与AI加速芯片并行计算
该部分讨论大数据与人工智能时代计算任务复杂化，并以金融计算密集场景与并行加速思路作说明。
- 提到大数据与人工智能时代带来更复杂的计算任务。
- 以金融场景作为计算密集型需求的例子。
- 涉及并行计算与加速芯片的加速思路。
兼容互认结果：Shark V3.0 与海光 DCU 完成全面兼容性互认证
该部分宣布 DolphinDB Shark CPU-GPU 异构计算引擎 V3.0 与海光 DCU 的兼容性互认证，并包含效率提升相关主张。
- Shark V3.0 与海光 DCU 成功完成全面兼容性互认证。
- 主张可将复杂计算任务调度到 DCU 上运行以提升计算效率。
- 对海光 DCU 作“深度计算处理器（DCU）”说明。
- 出现联合发布的生态兼容性认证相关证书表述。
- 证书说明包含稳定性与性能结论性措辞。
软硬协同深度适配与Shark能力说明
该部分介绍 Shark 的 CPU-GPU 异构计算定位、@gpu 标签迁移方式、自动解析与计算图转换、无需 CUDA 二次开发与性能提升范围。
- Shark 被描述为 CPU-GPU 高性能异构计算引擎。
- 通过在自定义函数前添加 @gpu 标签进行迁移。
- 系统可自动解析自定义函数并转化为 GPU 可执行计算图。
- 该方式强调开发者无需进行 CUDA 相关二次开发。
- 页面给出相对 CPU 计算的性能提升范围表述。
适用场景与金融落地用例
该部分说明 Shark 适用的任务特征，给出科研与金融场景示例，并提供咨询方式。
- 适用任务特征包括子任务多与并行度高。
- 适用任务特征包括输入输出数据量少、计算量大。
- 科研场景示例包括蒙特卡洛仿真。
- 金融落地场景包括基于遗传算法的因子挖掘。
- 示例提到期权定价相关计算任务。
- 提供 Demo 咨询联系方式。
选择海光 DCU 作为适配优选的理由
该部分陈述海光 DCU 的性能稳定性、生态与服务支撑等作为适配优选原因。
- 提到性能与稳定性作为理由之一。
- 提到软硬件生态作为理由之一。
- 提到服务支撑能力作为理由之一。
- 提到 DCU 为异构计算平台提供算力底座的表述。
架构示意：海光 × DolphinDB Shark 异构计算平台
该部分通过架构图说明应用任务在海光 CPU 与 DCU 之间经数据转换层调度协同，并提到依托 DolphinDB 时序数据库实现加速。
- 应用任务通过数据转换层在海光 CPU 与 DCU 间调度。
- 描述了 CPU 与 DCU 的协同计算方式。
- 底层依托 DolphinDB 时序数据库的表述被提及。
- 提到通过 @gpu 标签将计算任务迁移至 DCU 的方式。
- 架构说明包含“百倍性能提升”的主张性表述。
测试与兼容性结论：蒙特卡洛测试与稳定性/误差范围
该部分描述蒙特卡洛模拟测试覆盖范围与性能提升结论，并提到函数编写、数据结构稳定性，以及误差与性能指标处于预期范围内。
- 蒙特卡洛模拟测试覆盖 100 到 1000000 次迭代。
- 测试结果描述为计算性能明显提升。
- 迭代次数增多时，提升可达百倍以上的表述被给出。
- 提到相关计算函数能够在 DCU 上顺利编写。
- 提到各类数据结构保持稳定运行。
- 提到误差与性能指标处于预期范围内。
未来合作与行业解决方案方向
该部分表达未来持续深化合作、协同适配优化并推动落地，并包含面向金融行业信息系统建设的解决方案承诺。
- 提到持续深化合作的计划。
- 提到协同适配与深度优化的方向。
- 提到推动相关应用发展及落地实践。
- 主张为金融行业信息系统建设提供更全面解决方案。
公司介绍与联系信息（图示说明）
该部分通过图示说明提供产品定位概述与联系渠道信息，并提到办公城市分布（未给出具体文本字段）。
- 图示说明包含实时计算平台的定位概述。
- 图示说明包含官方邮箱与官网等联系信息类型。
- 图示说明包含关注二维码信息类型。
- 图示说明提到办公地点城市分布。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | 状态 | 正式开启（限时报名，享专属福利优惠） | medium |
| 技能认证特训营第二期报名 | 报名链接 | https://www.qingsuyun.com/h5/e/217471/5/ | high |
| 新闻：DolphinDB Shark 与海光 DCU 达成深度兼容互认，共促高性能计算生态建设 | 发布日期 | 2025.11.13 | high |
| DolphinDB Shark CPU-GPU 异构计算引擎 | 版本 | V3.0 | high |
| DolphinDB Shark CPU-GPU 异构计算引擎 V3.0 | 与海光 DCU 的兼容性状态 | 成功完成与海光 DCU（深度计算处理器）的全面兼容性互认证 | high |
| Shark 平台在海光 DCU 上的运行效果 | 计算效率影响 | 将复杂计算任务调度到 DCU 上运行以显著提升计算效率（主张） | medium |
| 海光信息与智臾科技（DolphinDB）联合发布的证书 | 证书主题 | 海光DCU生态兼容性认证；确认Shark V3.0与海光DCU完成全面兼容性互认证 | medium |
| 测试结果（证书说明） | 稳定性与性能结论 | 在海光DCU环境下运行稳定、性能优异（证书说明中的表述） | low |
| DolphinDB 与海光 | 生态合作关系 | 双方正式确立重要的生态合作伙伴关系（证书说明中的表述） | low |
| Shark | 定位/类型 | CPU-GPU 高性能异构计算引擎，专注于释放 GPU 的通用计算潜能 | high |
| Shark | GPU 迁移方式 | 用户仅需在自定义函数前添加 @gpu 标签，即可实现向 GPU 计算的无缝迁移 | high |
| Shark | 实现机制（开发者体验） | 自动解析自定义函数并将计算逻辑转化为可在 GPU 上执行的计算图，使开发者无需进行 CUDA 相关的二次开发 | high |
| Shark 相较于 CPU 计算 | 性能提升幅度 | 可获得相较于 CPU 计算 10~100 倍以上的性能提升 | medium |
| Shark 适用的计算任务特征 | 适用条件 | 子任务多、并行度高，输入输出数据量少、计算量大 的 GPU 通用计算密集型需求 | high |
| Shark | 科研场景示例 | 适用于科研中的蒙特卡洛仿真等场景 | high |
| Shark 在金融领域的落地场景 | 应用方向 | 基于遗传算法的因子挖掘、大规模因子计算、场外衍生品定价 | medium |
| 期权定价计算任务 | 示例 | 雪球期权、篮筐式期权定价等依赖一维或多维蒙特卡洛模拟的计算任务 | high |
| Shark 相较于传统计算方案（期权定价示例） | 性能提升幅度 | 可实现近百倍的性能飞跃 | medium |
| 加速Demo详情咨询 | 联系方式 | 小助手 13306510479 | high |
| 海光 DCU | 全称/说明 | 深度计算处理器（DCU） | high |
| 海光 DCU | 被选为适配优选的原因 | 凭借卓越的性能与稳定性、良好的软硬件生态、完备的服务支撑能力，成为 DolphinDB 的适配优选 | low |
| 海光 DCU 对 Shark 的作用 | 平台支撑 | 为 Shark 异构计算平台提供坚实的算力底座 | low |
| 架构示意图（海光 × DolphinDB Shark 异构计算平台） | 调度与协同方式 | 应用任务通过数据转换层在海光CPU与DCU之间进行高效调度与协同计算 | medium |
| 架构示意图（底层依托） | 底层组件 | 底层依托 DolphinDB 时序数据库 | medium |
| Shark 在 DCU 上的迁移方式（架构说明） | 无缝迁移手段 | 通过 @gpu 标签即可将计算任务无缝迁移至 DCU | medium |
| 架构说明中的性能主张 | 性能提升幅度 | 以获得百倍性能提升（架构说明中的表述） | low |
| Shark 的蒙特卡洛模拟测试 | 迭代次数覆盖范围 | 从 100 到 1000000 次 | high |
| Shark 使用海光 DCU 加速后的测试结果 | 性能提升结论 | 不同程度的计算性能明显提升；迭代次数逐渐增多时提升可达百倍以上 | medium |
| Shark 平台支持的计算函数 | 在 DCU 上的编写/运行情况 | 能够在 DCU 上顺利编写 | medium |
| 测试场景中的数据结构 | 运行稳定性 | 各类数据结构均保持稳定运行 | medium |
| 测试结果误差与性能指标 | 范围 | 计算结果误差和计算性能指标均处于预期范围内 | medium |
| Shark 与海光 DCU 的兼容性 | 结论 | 充分彰显出色的兼容性（基于测试描述的表述） | low |
| DolphinDB 与海光的合作计划 | 未来方向 | 持续深化合作，协同适配、深度优化，共同推动相关应用发展及落地实践 | low |
| 面向金融行业信息系统建设 | 解决方案承诺 | 提供更全面、更深入的解决方案（主张） | low |
| DolphinDB（智臾科技） | 产品核心定位（图示说明） | 基于高性能时序数据库、支持复杂分析与流式处理的实时计算平台 | medium |
| DolphinDB（智臾科技）联系名片（图示说明） | 提供的信息类型 | 包含官方邮箱、官网网址及关注二维码（未在正文给出具体字段值） | medium |
| DolphinDB（智臾科技）办公地点（图示说明） | 城市分布 | 杭州、北京、上海、广州、深圳 | medium |