Wolfram Compute Services

• Wolfram Compute Services es un servicio de computación en la nube completamente programable que permite escalar los cálculos de Wolfram Language a gran escala.
• Los usuarios pueden enviar cálculos complejos al servidor remoto con el comando RemoteBatchSubmit y recibir automáticamente los resultados al finalizar.
• Se puede elegir hasta 192 núcleos y 1.5 TB de memoria, y se admite procesamiento paralelo con cientos de núcleos mediante RemoteBatchMapSubmit.
• Los trabajos se pueden gestionar con notificaciones por correo electrónico y panel, límites de tiempo y créditos, y gestión automática de dependencias.
• Proporciona de inmediato la escalabilidad de súpercomputadora de Wolfram Language, simplificando entornos de cálculo para investigación e industria.

---

Visión general de Wolfram Compute Services

• Wolfram Compute Services es un sistema que permite ejecutar cálculos de Wolfram Language a gran escala en la nube.
  • Al enviar código con RemoteBatchSubmit, los cálculos se ejecutan en los servidores de Wolfram y se devuelven los resultados.
  • En Wolfram Desktop 14.3 o superior, se puede activar al instante con el comando RemoteBatchSubmissionEnvironment["WolframBatch"].
• Amplía funciones de paralelización como ParallelMap y ParallelTable, automatizando el acceso a recursos de cómputo a gran escala.
• Todos los cálculos se procesan con una base de expresiones simbólicas, lo que permite manejar directamente distintos tipos de datos, como numéricos, imágenes, gráficos y videos.

Escalado de cálculo y entorno de ejecución

• Los usuarios pueden ajustar el tamaño de los trabajos seleccionando una variedad de clases de máquina.
  • Por ejemplo: Basic1x8 (1 núcleo y 8 GB), Compute192x384 (192 núcleos y 384 GB), Memory192x1536 (192 núcleos y 1.5 TB).
• RemoteBatchMapSubmit es una versión extendida de ParallelMap para realizar procesamiento paralelo a gran escala en múltiples máquinas.
  • Crea automáticamente un “child job” distribuido por cada núcleo y permite integrar los resultados con Catenate.
• El estado de los trabajos puede verificarse en tiempo real desde un dashboard web, y al completar se envía un adelanto de resultados por correo electrónico.

Ejemplo: PentagonTiling y búsqueda en autómatas celulares

• Se muestra un ejemplo de generación de patrones de pentágonos no solapados con la función PentagonTiling.
  • La generación de 20 pentágonos se procesa rápidamente en local, pero para 500 o más se envía a Compute Services para su ejecución.
  • Los resultados se entregan por correo electrónico y se pueden continuar con cálculos adicionales de inmediato en Wolfram Notebook.
• Se presenta un caso de búsqueda paralela a gran escala para probar 100 millones de reglas de autómatas celulares.
  • Completa en pocas horas en una máquina de 192 núcleos y obtiene resultados en un plazo de 3 minutos con RemoteBatchMapSubmit.
  • Se usan 8 horas de tiempo de cómputo en paralelo.

Control programable y funciones de administración

• Cada trabajo permite configurar opciones como límites de tiempo (TimeConstraint), límites de créditos (CreditConstraint), y nombre del trabajo (RemoteJobName).
• Con el sistema de notificaciones (RemoteJobNotifications) se pueden recibir por correo electrónico y mensaje de texto cambios de estado, consumo de créditos y tiempo transcurrido.
• Los resultados se guardan por defecto durante 2 semanas, y si se necesita se pueden conservar de forma permanente en Wolfram Cloud mediante CloudPut.
• En caso de fallo, se puede analizar el registro detallado con "JobLogTabular", entre otros, y cancelar con RemoteBatchJobAbort.

Planes de expansión

• Compute Services comenzó como un entorno de cómputo por lotes y prevé agregar en el futuro funciones de ejecución sincrónica de kernels remotos.
• Con Wolfram HPCKit, una organización puede configurar su infraestructura HPC propia como backend de RemoteBatchSubmit.
  • Se prevé soporte para conectar proveedores de lotes personalizados además de "WolframBatch".
• Este servicio representa la etapa más reciente de una línea de productos que evolucionó desde Mathematica en 1988 hacia Wolfram Cloud, Application Server y Engine.
• El objetivo es ofrecer capacidad de cómputo de nivel súpercomputadora de inmediato, para que investigadores y desarrolladores puedan realizar fácilmente operaciones a gran escala.

[GN⁺]

Comentarios de Hacker News

• Antes disfrutaba mucho usar Wolfram Language.
  Al abordarlo más como investigador que como programador, se sentía como una herramienta de exploración y prototipado muchísimo más potente.
  Entre 2016 y 2020 hice experimentos geniales, como calcular las fechas en que la luz del sol atraviesa una pared de vidrio e ilumina el interior, y visualizar eso con animaciones.
  Hoy probablemente solo se lo preguntaría a Claude, pero en la era previa a los LLM, WL era la mejor herramienta para pensar.
  (Por cierto, también ofrecen licencia perpetua.)

  • Creo que la fuerza del lenguaje venía de su sintaxis concisa y de la enorme biblioteca de Mathematica.
    Si Python viene “con baterías incluidas”, Mathematica viene al nivel de “incluye nave espacial”.
    Si se hubiera publicado como open source, quizá habría cambiado mucho la industria de TI, pero al ser software comercial caro, parece destinado a seguir como un producto de nicho centrado en la academia.
  • La combinación Mathematica + LLM es realmente poderosa.
    Si le sumas a la biblioteca de rutinas matemáticas más grande del mundo las herramientas de visualización y la aceleración de un LLM, se vuelve una herramienta casi abrumadoramente poderosa para experimentar, enseñar y visualizar.
    Lo uso desde 1992, pero hoy en día es mucho más rápido decirle a Claude “visualiza esto”.
  • Siempre me ha dado pena no haber usado herramientas como Mathematica o MatLab.
    Me sorprendía que algunas personas construyeran hasta GUI y modelos de deep learning solo con MatLab.
    Mathematica es caro, pero quizá podría servir como motivación para estudiar matemáticas.
    Me da curiosidad cómo usan MatLab, Mathematica y Maple quienes no vienen del área.
  • Llevo más de 20 años teniéndolo instalado en mi laptop y lo uso más o menos una vez al año.
    Cada vez que lo uso, se siente como romper una nuez con una prensa de 500 toneladas.
    Incluso en la industria y en la ciencia, Mathematica sigue estando muy subestimado.

• Siento que a la industria tecnológica le hacen falta más personas como Stephen Wolfram.
  Tiene algo de excéntrico, pero resulta refrescante ver a alguien que de verdad quiere construir algo bueno.
  Da gusto verlo concentrado puramente en la investigación, sin la presión del VC o del MBA por ganancias de corto plazo.

  • De acuerdo. A Wolfram lo critican seguido, pero sus logros científicos y técnicos acumulados durante décadas son realmente admirables.

• Ojalá que, con toda la potencia de una supercomputadora, Mathematica pudiera ejecutarse en menos de 30 segundos.
  No entiendo por qué un software que hace casi lo mismo desde 1988 puede ser tan lento.

  • Aun así, todavía no existe otro sistema que reemplace el ecosistema de herramientas de Mathematica.
    Sorprende que, incluso después de 37 años, no haya una alternativa completa.
    Jupyter Notebook no está al mismo nivel.
  • Parece un caso extremo del síndrome de “Not-Invented-Here”.
    Gracias a eso tiene muchas funciones originales, pero que hasta la década de 2010 no tuviera Undo/Redo sí era demasiado.
  • En realidad, esa sensación aplica a casi todo el software de consumo.

• La estrategia de “extender un lenguaje propietario con un servicio propietario” les viene bien a los clientes existentes, pero tiene límites para atraer gente nueva.
  Se siente como una señal de que quieren empujar el uso basado en la nube.
  Wolfram sería mucho más innovador si hiciera un servicio de simulación que use LLM para convertir lenguaje natural → código de Mathematica.
  MathWorld también podría aprovecharse como activo base para eso.

  • Buen punto.

• Mucha gente solo habla de la personalidad de Stephen Wolfram o de sus discusiones sobre bits y bytes,
  pero en realidad, para estas alturas, la programación general ya debería haber llegado al nivel de abstracción de Wolfram.
  Probablemente la generación de código basada en agentes y LLM sea el camino hacia la siguiente etapa.
  Aun así, parece probable que la automatización tenga como efecto secundario equipos más pequeños.

  • Me da curiosidad qué quieres decir exactamente con “Wolfram en todas partes”: ¿acceso a datasets? ¿funciones matemáticas? ¿capacidades de CAS?
  • Medio en broma y medio en serio, dan ganas de preguntar: “Stephen, ¿eres tú?”.
    En realidad, ya existen entornos donde puedes ejecutar el mismo código en varias plataformas (x86, ARM, WASM, etc.).
    Cubrir gráficos, full stack, embebidos y HPC con un solo lenguaje provocaría una complejidad excesiva.

• Me gustó mucho la forma de presentar esta nueva función.
  La definición del problema → la forma de resolverlo → el ejemplo → la explicación paso a paso estaban muy claros y fue fácil entenderlo.
  Normalmente termino más confundido después de leer estas cosas, pero esta vez fue distinto.

  • Lo interesante es que Stephen Wolfram es usuario real y responsable final de su propio software.
    Antes incluso hacía las reuniones sobre nuevas funciones en vivo por YouTube, y al ver eso se notaba cuánto cariño le tiene al producto.
    Se sentía un tipo de liderazgo un poco a lo Jobs.

• Parece que Stephen por fin adoptó cloud computing en serio.
  Antes probé unas pruebas con RemoteKernel, y esta vez se ve mucho mejor.
  Aun así, estaría bien poder alojarlo en una nube propia.
  Antes ejecuté Mathematica en una VM con 512 GB de RAM y 128 núcleos, pero la rentabilidad no fue gran cosa.

  • Cuando salió el headless kernel, me pregunté si se podría correr en Kubernetes.
    De hecho sí existe Wolfram Application Server for Kubernetes, aunque no ha recibido actualizaciones en más de un año.

• Uso Mathematica desde los años 90, y siempre me pareció extraño que no lanzaran un servicio de cómputo en la nube en más de 20 años.
  Ahora que por fin ya se puede calcular remotamente en servidores grandes, dan ganas de decir “¡por fin!”.

• Me preguntaba si los traders cuantitativos también usan Mathematica.
  El lenguaje es elegante, tiene muchas herramientas integradas y su visualización es excelente, así que parece ideal para análisis financiero.
  También podrían pagar el precio, y supongo que hasta habrá un compilador para HFT.

  • Sí lo usan.

• El nivel de integración de funciones estándar de Mathematica es sorprendente.
  Estaría muy bien implementar algo así en open source; incluso con un 10% ya sería útil.
  Por eso empecé un proyecto en Rust llamado Woxi (github.com/ad-si/Woxi) y estoy buscando colaboradores.

  • Ya existe Mathics, un proyecto open source que es como una réplica al 10%.
  • Yo también estoy haciendo algo parecido en Go.
    Ya funcionan unos 300 símbolos, y también estoy implementando números complejos y un sistema básico de reglas.
    La función Factor es matemáticamente compleja, así que todavía la estoy investigando.
    No hay salida gráfica; es solo para terminal.
    Estoy aprendiendo al mismo tiempo programación con IA y conceptos matemáticos usando modelos Claude.
  • Personalmente creo que conviene implementar un evaluador de doble pasada.
    Usar tokens de pest directamente en las funciones es lento y dificulta la optimización.