本文篇幅較長，共4部分，分別解答了4個很多人可能關心的問題。這四個問題間的上下文關聯(lián)不大，可選擇性閱讀。 1.Folding@home究竟是個什么樣的項目？ 2.新冠病毒研究，為什么需要算力？算力能為新冠病毒研究提供什么幫助？ 3.Folding@home的架構是否真的能夠有效利用起全球范圍的計算機或更多設備的算力？ 4.英偉達為什么重點呼吁PC游戲玩家？
前一陣英偉達官方發(fā)推，呼吁PC游戲玩家聯(lián)合起來對抗2019-nCoV新冠病毒，方法是把自己閑置的GPU算力都捐出來，幫助科學家們做病毒研究[1]。通過采用名為Folding@home（在家折疊？）的軟件，就能讓每個在家用電腦的人把算力捐出來：每個人一點，就能以全球組合成網(wǎng)絡的方式，構建起一個龐大的超級計算機。
微博人民對于英偉達的此次呼吁似乎多有質(zhì)疑之聲，不少人認為這個所謂的Folding@home只是在為他人做嫁衣，無端捐獻算力也不知道是拿來做了什么。實際上大規(guī)模分布式計算，讓Folding@home這樣的計劃具有十分的可行性，只不過通過并不算可靠的互聯(lián)網(wǎng)結成這樣的分布式結構做計算，帶寬之類的問題究竟該怎么解決？以及如果新冠病毒研究真的需求海量算力，為什么不直接采用超算？
這是我們期望通過本文去大致了解的問題。本文篇幅較長，共4部分，分別解答了4個很多人可能關心的問題。這四個問題間的上下文關聯(lián)不大，可選擇性閱讀。
1.Folding@home究竟是個什么樣的項目？
2.新冠病毒研究，為什么需要算力？算力能為新冠病毒研究提供什么幫助？
3.Folding@home的架構是否真的能夠有效利用起全球范圍的計算機或更多設備的算力？
4.英偉達為什么重點呼吁PC游戲玩家？
Folding@home是個什么樣的項目？雖然我們沒辦法做到完整細致地回答這幾個問題，畢竟其中可能還涉及到相應的生物、醫(yī)學或病毒學知識，不過勾勒一個框架應該還是可以的。而且理解Folding@home，對于我們參考理解大型項目網(wǎng)絡構建也有價值。
針對第一個問題，F(xiàn)olding@home項目的存在歷史還是比較久的，其最初發(fā)起時間是2000年10月，由斯坦福大學（Stanfor University）的Pande Lab實驗室發(fā)起。目前參與Folding@home各部分開發(fā)的除了Pande實驗室以外，還包括了索尼、英偉達、ATI、Cauldron Development等。[2]
Folding@home就是一個分布式計算項目，它主要做的就是蛋白質(zhì)的分子動力學模擬。最初Folding@home著眼的就是蛋白質(zhì)折疊（protein folding），現(xiàn)在轉(zhuǎn)向更多的生物醫(yī)療研究，包括阿茲海默癥、癌癥、埃博拉病毒、2019-nCoV等。所以2019-nCoV實際上只是Folding@home研究的一個最新組成部分（于今年3月加入）。
其中的所有大型計算項目，都是由知名研究院校運營或者直接輔助執(zhí)行的。其實有關2019-nCoV即新冠病毒在Folding@home上的項目具體由誰在推動，這一點我們并沒有查到詳實的資料。僅知在Folding@home發(fā)起呼吁的這位Greg Bowman，目前就是Folding@home的負責人（2019年的新任負責人，也是上一任負責人Pande博士的學生）。Bowman是圣路易斯華盛頓大學的副教授?？雌饋?，2019-nCoV病毒研究項目的發(fā)起者就是Folding@home官方。
那么針對這些研究，F(xiàn)olding@home究竟是怎么提供算力的呢？其核心理念就是期望能夠利用全球個人計算機的閑置計算資源——當然這些PC需要安裝來自Folding@home的客戶端軟件，至于由誰來安裝，那當然就是愿意貢獻算力的志愿者了。如此一來，集合全球CPU、GPU各路硬件的算力，就能為科學研究做貢獻了。
整個分布式系統(tǒng)實際上比我們闡述得要復雜很多，這在后文還會提到，比如志愿者可以在Folding@home官網(wǎng)上追蹤自己的貢獻，甚至以貢獻算力多少，及積分制的方式相互比較排名；還能組隊刷分——Folding@home官網(wǎng)常年更新團隊積分排名[3]。讓算力貢獻在呈現(xiàn)上更加生動和有趣。實際在2009年，F(xiàn)olding@home發(fā)布的paper中就提到，為志愿者開發(fā)的客戶端程序集成了OpenGL，主要是以圖形化的方式向志愿者展示蛋白質(zhì)模擬的情況[4]。Folding@home的團隊認為，這種呈現(xiàn)對于科學研究雖然沒有多大價值，但是對志愿者去了解正在自家PC上發(fā)生什么，幫助Folding@home在人群中擴散是很有幫助的。
這是Folding@home項目一個很小的例子，其整體復雜性都還是比較大的。
從某種意義上來講，在這些年的發(fā)展中，F(xiàn)olding@home已經(jīng)成為全球性能最彪悍的超算系統(tǒng)——尤其是3月初Folding@home開啟了針對新冠病毒的研究項目，為Folding@home整體算力推升到一個新的小高潮。不嚴謹?shù)卣f，如今其算力已經(jīng)達到了768 petaFLOPs。截至3月25日，F(xiàn)olding@home算力達到1.5 x86 exaFLOPs[5]，數(shù)倍于目前全球最快的超算。
（注：Folding@home給定的算力單位包括native FLOPs，x86 FLOPs等。某一類硬件的每秒浮點運算數(shù)即為native FLOPs；x86 FLOPs是指如果將所有算力統(tǒng)統(tǒng)劃歸為x86 CPU，則有多少FLOPs——GPU的1 native GPU FLOP通常就相當于好多native x86 FLOPs。[6]）
很多人對這個算力數(shù)字大概沒有概念：2007年9月，由于Folding@home加強對PS3的性能利用，以及大量PS3游戲機玩家加入進來，F(xiàn)olding@home算力就推到了1 petaFLOPs。當時Folding@home就成為全球首個跨入到petaFLOPs級別的計算系統(tǒng)，那會兒全球Top 500中最快的超算是BlueGene/L，其算力是0.280 petaFLOPs。
性能在后續(xù)還有幾波小高潮，比如2009年其算力達到5 petaFLOPs，那時IBM超算Roadrunner的性能是1.105 petaFLOPs；2016年年中，F(xiàn)olding@home超過100 x86 petaFLOPs。實際在今年3月這一個月，F(xiàn)olding@home的等效算力提升是真正飛快的。3月20日，F(xiàn)olding@home在推特上表示其算力達到470 petaFLOPs（958 x86 petaFLOPs），而到了3月25日，這個數(shù)字就飛奔到了768 petaFLOPs（1.5 x86 exaFLOPs）。
就科學研究來說，這些數(shù)字當然不能代表什么，但Pande Lab實驗室已經(jīng)因此產(chǎn)出了223篇科學研究paper。
這里有個問題可能是很多人更加關注的，即Folding@home產(chǎn)生的研究數(shù)據(jù)是否公開的問題。因為我們并非科研人員，所以很難理解數(shù)據(jù)集的透明性如何。這里面實際上涉及到兩個問題，其一是志愿者貢獻的算力，獲得的研究數(shù)據(jù)或研究結果是否公開；以及Folding@home這套系統(tǒng)本身的軟件、硬件是否開源（或足夠開源）？
Folding@home曾經(jīng)提到過來自Folding@home的大型數(shù)據(jù)集對其他人是公開的，并且隨時間推移會有更多數(shù)據(jù)給出?！拔覀兤谕ㄟ^對數(shù)據(jù)的公開，讓其他科研人員利用這些數(shù)據(jù)，也能用于其他的研究?！盵7]最早領銜這個項目的Vijay Pande曾在論壇上說過：“根據(jù)NIH（美國國立衛(wèi)生研究院）的規(guī)則，所有paper必須免費，但是在發(fā)布一年以后。這是科學工作的常規(guī)，至于同行評議期刊怎么做是我無法控制的?！保ㄆ诳赡軙鍪圻@些paper）有關原始數(shù)據(jù)的問題，“一般我們按需提供，有人需求數(shù)據(jù)時，我們就會將其公開在網(wǎng)站上。由于數(shù)據(jù)量非常大，這種按需提供的方法比較合理，我們也無法單獨個別處理所有需求。”
而在Folding@home這套系統(tǒng)本身的軟件、硬件的開源程度問題，整體我們也很難在短時間內(nèi)全盤把控。就我們掌握的信息，F(xiàn)olding@home系統(tǒng)本身的打造就離不開很多開源工具，比如Gromacs、TINKER、AMBER、MPICH等[8]。所以它也在為開源社區(qū)做貢獻，很多組成部分也的確是開源的。比如說后文還會提到，F(xiàn)olding@home的core是基于分子動力學軟件包Gromacs，F(xiàn)olding@home自己對其GPU加速開發(fā)起到了相當?shù)淖饔茫会槍PU的庫OpenMM，為應用開發(fā)者和GPU供應商提供相對統(tǒng)一的API等等。
2011年，F(xiàn)olding@home就發(fā)布過一個開源的Copernicus軟件，基于其MSM（Markov state model，馬爾科夫狀態(tài)模型）以及其他并行方法。主要價值就是針對大型計算機集群和超算，提升分子模擬的效率和規(guī)模。這對于其他科學領域的研究也是相當有價值的。
有關數(shù)據(jù)實際在國際間共享的透明性，以及這些研究數(shù)據(jù)和開源軟件本身可能還涉及到的政治問題，這就是另外一個話題了，這里不再做深入討論。
算力對新冠病毒研究有什么用？這是個相關生物學研究的問題，理論上應該是生物學媒體更關注的問題，我們簡略地談一談。研究人員期望搞清楚的是對于2019-nCoV潛在藥物靶點（potential drug targets）結構，這樣就能設計新的治療方法。2019-nCoV可以認為是SARS病毒的近親，行為方式類似。兩者的第一步感染就是在肺部發(fā)生的，病毒表面的蛋白質(zhì)會“綁定”到肺細胞的受體蛋白質(zhì)，這里的受體被稱作ACE2。
這里的病毒蛋白被稱作纖突蛋白（spike protein），也就是上圖中的紅色部分?？茖W家追逐的治療性抗體，實際上是蛋白質(zhì)的一種，它的目標就是阻斷病毒蛋白與受體綁定，起到阻止病毒感染肺細胞的作用。SARS-CoV的治療性抗體已經(jīng)開發(fā)出來了。但如果要開發(fā)2019-nCoV也就是這次新冠病毒的治療性抗體，科學家就需要去更好地理解病毒纖突蛋白的結構，以及它究竟是怎樣與ACE2受體結合的。
蛋白質(zhì)會擺動、折疊、展開，形成各種形狀?？茖W家需要研究的，不光是病毒纖突蛋白的一種形狀，而是其擺動、折疊成各種形狀的方式，這樣才能更好地理解它與ACE2受體是如何交互的，如此一來抗體就可以設計出來的。[9]
Folding@home在官網(wǎng)上提到，SARS-CoV病毒的“低分辨率”結構已經(jīng)有了，外加SARS-CoV和2019-nCoV的已知差別，F(xiàn)olding@home的這個項目就是要幫助構建起2019-nCoV纖突蛋白的結構，并識別抗體的靶點。而構建計算模型是需要海量算力的，這是Folding@home介入的原因。
前文已經(jīng)提到，F(xiàn)olding@home本身就是致力于理解蛋白質(zhì)折疊問題的項目。這對于理解蛋白質(zhì)做什么、如何工作是很有幫助的。這個模擬和理解的過程，也就是computational biology（計算生物學）。蛋白質(zhì)另外也可能發(fā)生錯誤折疊（misfold），錯誤折疊會導致各種疾病，比如阿茲海默癥。利用計算模型，外加補充實驗，理解蛋白質(zhì)折疊、錯誤折疊等的完整過程，就非常重要。
由于蛋白質(zhì)構造，及其可能變化的形狀，本身就非常復雜，這個過程對算力需求便非常之高。通用超級計算機也曾一度用于模擬蛋白質(zhì)折疊過程，不過成本非常高；另外，由于動力學模型計算是連續(xù)的，傳統(tǒng)分子模擬的規(guī)?；瘓?zhí)行會非常困難；而且蛋白質(zhì)折疊是一個隨機的過程，隨時間推移各種變化。這些對于模擬計算都提出了很大的挑戰(zhàn)。
在Folding@home各種模擬軌跡以及新構造發(fā)現(xiàn)的過程中，逐漸建立起自適應抽樣的馬爾科夫狀態(tài)模型（MSMs）。這種模型法極大地提升了模擬的效率，而且它很適用于分布式計算。一個馬爾科夫狀態(tài)模型構建的時間，與并行模擬數(shù)量（比如處理器的數(shù)量）成反比。也就是說，并行數(shù)越多，模擬效率就越高。
Folding@home利用馬爾科夫狀態(tài)模型，來給蛋白質(zhì)可能的形狀和折疊路徑建模
一個完整的馬爾科夫狀態(tài)模型可能包含了數(shù)萬個蛋白質(zhì)相空間（phase space，蛋白質(zhì)可形成的所有構造）的樣本狀態(tài)，以及不同狀態(tài)間的轉(zhuǎn)變過程。這樣一個模型表征到了折疊事件、路徑等。研究人員利用這些模型，可了解蛋白質(zhì)如何折疊，并結合試驗，與模擬做對比。
雖然我們并不清楚這次新冠病毒纖突蛋白研究需要投入多少算力，以及需要多久。不過就其原理看來，投入算力也是聚少成多的過程，或者說，其效力大約很難在短期內(nèi)體現(xiàn)出來——所以即便越來越多的人由于本次新冠病毒而參與Folding@home項目，它也無法立刻顯現(xiàn)出成效，并讓計算生物學即刻顯現(xiàn)出多大的威力，這畢竟是個長久的項目。
Folding@home的系統(tǒng)架構如何？采用互聯(lián)網(wǎng)構成一個分布式計算網(wǎng)絡，其帶寬和存儲問題怎么解決，應該是我們更關心的一個問題；畢竟互聯(lián)網(wǎng)和超算中的本地網(wǎng)絡比起來實在是太慢了。理解了這個問題，也就可以回答，F(xiàn)olding@home架構對于科學研究是否真的有價值，或者Folding@home對于全球算力利用是否真的有效了。
我們能夠找到的Folding@home發(fā)布相對詳細的解釋，實際是2009年的一篇paper[4]，在這10多年內(nèi)，其整體架構應該又有了變化，所以下面的闡述大概會相對落后。但我們相信，其大框架應該是不變的。
客戶端界面
首先有必要談一談志愿者一側，也就是用戶的軟件組成。用戶端的軟件主要包括了work units、core、client（客戶端）。
（1）每一個work unit，就是客戶端要求處理的一部分蛋白質(zhì)數(shù)據(jù)。work unit實際上就是馬爾科夫狀態(tài)模型不同狀態(tài)間模擬的一小部分?？蛻舳藭詣酉螺dwork unit，然后進行計算，再返回給Folding@home的服務器，服務器就會給予一定的積分獎勵。
為了保證計算的效率，所有的work unit都有個計算的截止時間，如果超過截止時間還沒有計算結束，則這個work unit就會自動移交給其他人。前文就已經(jīng)提到了，蛋白質(zhì)折疊是一個連續(xù)的過程，許多work unit的生成，都依賴于上一個work unit，所以設立這樣的截止時間是非常有必要的。針對更高性能的客戶端，會有更短的截止時間設定。
（2）一個特定的分子動力學程序，就是一個core。針對這些core，work unit作為后臺進程去執(zhí)行計算。Folding@home的絕大部分core都基于前文就提到的Gromacs，也就是一個開源的軟件包，其中主要包括了手動優(yōu)化過的匯編語言代碼和硬件優(yōu)化方案。core是獨立于client客戶端的，這樣一來，在不需要更新客戶端的情況下就能更新科學方法。另外，core還周期性地創(chuàng)建計算檢查點（checkpoint），在計算被打斷的情況下，后續(xù)可以從這個點上再開始。
（3）Client自然就是指運行在PC（或者其他用戶終端）的客戶端程序了，用戶和客戶端進行交互。Client與Folding@home服務器聯(lián)系：獲取和上傳work unit；根據(jù)用戶設置、操作系統(tǒng)、底層硬件架構下載相應的core。
在client上，用戶可以暫停折疊進程，查看事件日志，檢查進度，或者查看個人數(shù)據(jù)-比如積分之類。Client以很低的優(yōu)先級持續(xù)跑在后臺，僅使用閑置算力，確保設備的日常使用不會受到影響（用戶可以自行設置Folding@home如何使用自己設備的資源）。Client部分的軟件開發(fā)團隊，包括來自英偉達、ATI、索尼、Cauldron Development的程序員。程序本體似乎已經(jīng)經(jīng)過了多次迭代，據(jù)說最早的客戶端是個屏幕保護程序，僅在計算機不使用的時候才會運行。
擴展到整個分布式網(wǎng)絡部署，則會更復雜一些。很容易想見，F(xiàn)olding@home就是個客戶端-服務器這樣一個CS結構。首先志愿者在自己的設備上安裝客戶端，會有一臺分配服務器（assignment server）為客戶端分配一臺工作服務器（work server）。隨后客戶端與工作服務器通訊，獲取work unit——work unit具體就是一組文件；根據(jù)分配到的work unit，客戶端可能還需要從web服務器下載core。
在計算工作結束后，客戶端將結果發(fā)回給相同的工作服務器；工作服務器再收集日志文件和積分數(shù)據(jù)，并交給數(shù)據(jù)服務器（statistics server），并顯示給志愿者們看。
如果我們再細致的剖析一下，整個架構在任務調(diào)度、指派、執(zhí)行等各方各面，都很像是一個放大版的CPU或超算網(wǎng)絡。工作服務器（work server）會生成work unit，并且分析接下來需要完成什么工作：前一個計算得到的結果需要用于生成后續(xù)任務。每臺工作服務器都承載了很多的項目，且由不同的研究人員管理。
分配服務器（assignment server）是一個全局調(diào)度機（scheduler），還要確保整個系統(tǒng)負載均衡。客戶端首先聯(lián)系的實際上就是分配服務器。項目優(yōu)先級本身就受很多因素影響，另外還要結合客戶端的各種參數(shù)（比如客戶端的硬件配置、系統(tǒng)版本、網(wǎng)絡帶寬、可靠性等）做出工作分配決策。Collection服務器則是一種冗余方案，在客戶端無法將結果上傳給work服務器時，就會啟用。
除此之外，當然還需要有一個專門給用戶看的數(shù)據(jù)網(wǎng)站——志愿者們可以在網(wǎng)站上看到他們自己貢獻的成果。這就是數(shù)據(jù)服務器（statistics server）的工作了，其上還包括分配給志愿者或者團隊的積分。數(shù)據(jù)服務器需要從工作服務器周期性地獲取日志文件，以給用戶呈現(xiàn)數(shù)據(jù)。另外網(wǎng)站上面還有社區(qū)論壇，這些論壇通常也是志愿者在維護的，交流和提供技術支持，還有用戶反饋等。
這就是Folding@home的基本運作方式了。不難發(fā)現(xiàn)，這并不是一個對實時性要求很高的系統(tǒng)：其重點還在于大規(guī)模并行運算能力，它對整個系統(tǒng)的帶寬、延遲并沒有那么敏感。另外，上面的描述僅是個梗概，而且這個框架是10年前的，當年Folding@home還提到過系統(tǒng)后端可能存在的瓶頸，所以那會兒就提出了分布式存儲Storage@home，以提升運算結果處理的效果。不過這個項目很快擱淺，原因未知[9]。
為什么特別呼吁PC玩家參與？在耗費最低成本的前提下，隨加入Folding@home的設備越來越多，實現(xiàn)摩爾定律增長——這也是一個很有意思的說法，就類似于處理器的執(zhí)行單元可以無限增加一樣。而回答“為什么特別呼吁PC玩家參與”，拍腦袋就知道是因為PC玩家的設備性能強，捐的算力就多。
給出算力的第一選擇，在Folding@home誕生之時必然是CPU。其完整形式的個人電腦，自然成為捐獻算力的一個完美載體。不過在Folding@home經(jīng)歷的這20年歷史上，參與到算力捐獻的設備并不只有PC，還包括了PS3游戲機、索尼Android手機。甚至2014年，借由谷歌Chrome瀏覽器的NaCl特性，還能讓Folding@home跑在一個沙盒里，這樣一來Chrome瀏覽器就能直接跑Folding@home。但去年6月NaCl已經(jīng)不在，F(xiàn)olding@home的web客戶端也就沒有了。
這其中比較令人在意的是PS3游戲機：PS3在Folding@home項目上的服役時間還不短。PS3游戲機的流處理器對于某些計算而言，提供超過PC多達20倍的速度，讓PS3成為Folding@home算力上的一支超強戰(zhàn)力。Folding@home的PS3客戶端，是由索尼和Pande Lab合作開發(fā)的，發(fā)布時間是2007年3月。當時這個客戶端的介紹中提到，它同時利用了CPU的彈性和GPU的速度。
事實上，那個年代GPGPU還不流行。不過PS3是一個固定的環(huán)境，做技術支持和開發(fā)也就比較容易。那會兒Folding@home的PS3客戶端有個比較尷尬的問題，即PS3用戶在跑客戶端的時候，就不能做別的事情?？墒羌幢闳绱?，在2012年，索尼正式結束對Folding@home PS客戶端支持之際，依然有1500萬PS3用戶，貢獻了超過1億小時的算力。
像蛋白質(zhì)折疊相關的計算，要求高度并行的計算能力，是Folding@home早就注意到的。所以Folding@home很早就實現(xiàn)了對CPU多核心的充分利用，多核并行能夠在相同的時間內(nèi)實現(xiàn)更長的模擬路徑，也就沒有必要再把模擬分派給不同的處理器。2006年11月，F(xiàn)olding@home的SMP（對稱多處理）客戶端進入開放beta測試階段。這個客戶端采用MPI通訊協(xié)議進行并行處理，這也是歷史上分布式計算項目首次使用MPI。
隨后Folding@home也隨硬件本身的發(fā)展，實現(xiàn)更多算力的獲取。比如在SMP2客戶端發(fā)布之后，某一類名為bigadv的work unit就要求至少8個CPU核心來計算，而且還對內(nèi)存和互聯(lián)網(wǎng)帶寬資源提出了要求。當然，如果志愿者能夠跑得了這樣的work unit，就能獲得多加20%的額外積分。比較有趣的是，后來SMP2客戶端將bigadv的硬件要求提升到至少16個核心，而那些8核CPU用戶就只能跑常規(guī)的work unit了。據(jù)說這事兒傷害到了很多用戶，因為他們?yōu)榱薋olding@home在硬件上也花了很多錢，于是在很多人的反饋之下，Pande終止了bigadv。
Folding@home團隊
事實上，在談到高度并行計算的時候，GPU已經(jīng)成為當代的首選——看看AI training發(fā)展如火如荼就知道了。不過早年的GPU編程還是相當有難度的，尤其GPU市場還有不同架構和選擇。Folding@home采用開源的OpenMM庫——這個庫采用一種橋接設計模式，有兩個API層級，連接分子模擬軟件和底層的硬件架構。加上額外的硬件優(yōu)化，基于OpenMM的GPU模擬，程序并不需要多大改動就能獲得據(jù)說是接近于手動調(diào)整的GPU代碼性能，當然也遠超CPU的算力。
Folding@home的第一代GPU支持客戶端，是在2006年10月發(fā)布的。這也是史上頭一次GPU應用到分布式計算中。研究人員也是從這個時候開始積累起GPGPU軟件開發(fā)的經(jīng)驗。二代GPU客戶端開始對英偉達的CUDA，以及ATI的GPU做出更到位的支持，支持更高級的算法更大型的蛋白質(zhì)，而且還能做模擬的實時視覺呈現(xiàn)。
很多年前，GPU就已經(jīng)是Folding@home貢獻算力最大的組成部分。2012年11月，GPU客戶端占到整個項目算力吞吐的87%。
現(xiàn)在GPU通用計算發(fā)展得這么風生水起，我們?nèi)ツ陞⒓佑ミ_的GTC大會，英偉達宣傳的就是自家GPU已經(jīng)應用到了多少不同的領域，而早就不限于圖形計算[10]。去年英偉達平臺應用就開始支持全基因組測序（NVIDIA PARABRICKS基因組分析工具包），3月20日英偉達發(fā)布的新聞稿就提到開始向研究人員免費提供PARABRICKS軟件，主要用于新型冠狀病毒和COVID-19確診者的基因組測序。
這就已經(jīng)完美解答英偉達為何呼吁PC游戲玩家參與Folding@home了，因為游戲玩家的GPU一般都更出色。
一些花絮與下載地址以上我們就基本把Folding@home這個項目大致說清楚了。事實上項目面臨的挑戰(zhàn)也遠沒有我們想象得那么簡單，在查閱資料的過程中還是發(fā)現(xiàn)了一些項目組有趣的吐槽。比如說Folding@home曾提到，數(shù)據(jù)系統(tǒng)遭遇的一個挑戰(zhàn)是，有一小撮志愿者為了提高他們的積分，會作弊。有一些人甚至采用種植木馬的方式，把客戶端裝到別人的電腦上，然后用別人電腦的算力給自己賺積分——聽起來就跟挖礦木馬一樣。
而Folding@home在客戶端層面面臨的最大挑戰(zhàn)還在于，現(xiàn)有硬件平臺的多樣化?！按嬖趲捉鼰o數(shù)種硬件、軟件、驅(qū)動的組合方式，也就是說在進行客戶端開發(fā)時，要花海量的時間去處理不兼容的問題?！倍谟布軜嬜兓瘯r，又要進行core的移植和測試工作，并對客戶端進行重新編譯，“畢竟計算機總是要隨時間做各種升級?！痹缒晏O果從PPC遷往x86，就得做很多工作。
最后提供一下Folding@home客戶端的下載地址，當前macOS、Windows、Android、Linux都支持，具體的使用方法有興趣的各位可以自行體驗嘗試：https://foldingathome.org/iamoneinamillion/
