关于“算力”，看这篇文章就够了

在今天的文章中，让我们谈谈计算能力。

近两年，算力可以说是ICT行业的热门概念。 总会出现在新闻报道和大咖演讲中。

那么，算力到底是什么？ 计算能力有哪些类别，它们的用途是什么？ 全球算力发展现状如何？

接下来小枣君就来给大家做一个详细的科普。

█ 什么是算力

大家理解计算能力的字面意思，就是计算能力（Computing Power）。

更具体地说，计算能力是通过处理信息数据来实现目标输出的计算能力。

事实上，我们人类具有这样的能力。 我们生活中的每时每刻都在进行计算。 我们的大脑是一个强大的计算引擎。

大多数时候，我们通过口算和心算来进行无工具计算。 但是，这样的计算能力有点低。 因此比特币当前算力，在遇到复杂情况时，我们会使用算力工具进行深度计算。

在远古时代，我们的原始工具是草绳和石头。 后来，随着文明的进步，我们有了计数筹码（用于计算的小木棍）、算盘等实用的计算能力工具，计算能力水平不断提高。

到 1940 年代，我们迎来了一场计算能力的革命。

1946年2月，世界上第一台数字电子计算机ENIAC诞生，标志着人类计算能力正式进入数字电子时代。

埃尼亚克，1946 年

后来随着半导体技术的出现和发展，我们进入了芯片时代。 芯片已经成为算力的主要载体。

世界上第一块集成电路（芯片），1958年

时间在继续。

到了70、80年代，在摩尔定律的支配下，芯片技术有了长足的进步。 芯片性能不断提升，尺寸不断缩小。 最后，计算机小型化，PC（Personal Computer）诞生了。

世界上第一台个人电脑 (IBM5150)，1981 年

PC的诞生具有深远的意义。 它标志着IT计算能力不再仅仅服务于少数大型企业（主机），而是走向了普通家庭和中小企业。 成功打开了全民信息化时代的大门，促进了全社会信息技术的普及。

在PC的帮助下，人们可以充分感受到IT计算能力带来的生活质量的提升和生产效率的提升。 PC的出现也为后来互联网的蓬勃发展奠定了基础。

进入21世纪后，计算能力再次迎来巨变。

这场巨变的标志是云计算技术的出现。

云计算，云计算

在云计算之前，人类苦于单点计算（一台大型机或一台PC，可以独立完成所有计算任务）的计算能力不足，尝试过网格计算（将一个庞大的计算任务分解成许多小的计算任务，交给到不同的计算机）和其他分布式计算架构。

云计算是分布式计算的一种新尝试。 其本质是将大量分散的算力资源打包聚合，实现更高可靠性、更高性能、更低成本的算力。

具体来说，在云计算中，通过软件将中央处理器（CPU）、内存、硬盘、显卡（GPU）等计算资源组合起来，形成一个虚拟的可无限扩展的“计算资源池”。 .

如果用户有算力需求，“算力资源池”会动态分配算力资源，用户按需付费。

与用户自己购买设备、自己搭建机房、自己运维相比，云计算具有明显的性价比优势。

云计算数据中心

算力云化后，数据中心成为算力的主要载体。 人类计算能力的规模开始了新的飞跃。

█ 算力分类

云计算和数据中心的出现是由于信息化和数字化的不断深入，引发了整个社会对计算能力的强烈需求。

这些需求不仅来自消费领域（移动互联网、看剧、网购、打车、O2O等），也来自行业领域（工业制造、交通物流、金融证券、教育医疗等） .)，以及来自城市治理领域。 （智慧城市、一通通、城市大脑等）。

不同的计算能力应用和要求有不同的算法。 不同的算法对计算能力的特性有不同的要求。

通常，我们将算力分为两类，即通用算力和专用算力。

大家应该都听说过，负责输出算力的芯片分为通用芯片和专用芯片。

像 x86 这样的 CPU 处理器芯片是通用芯片。 它们可以完成的算力任务多样化、灵活，但功耗较高。

专用芯片主要指FPGA和ASIC。

FPGA是一种可编程的集成电路。 它可以通过硬件编程改变内部芯片的逻辑结构，但软件是深度定制的，可以执行专门的任务。

ASIC 是一种专用集成电路。 顾名思义，它是为专业用途定制的芯片，其大部分软件算法都固化在硅片上。

ASIC可以完成特定的计算功能，功能比较简单，但能耗很低。 FPGA，介于通用芯片和ASIC之间。

我们以比特币挖矿为例。

过去，人们使用PC（x86通用芯片）来挖矿。 后来挖矿难度加大，算力不够用。 于是，开始使用显卡（GPU）挖矿。 后来显卡功耗太高，挖出来的币值还不够电费，就用FPGA和ASIC集群阵列挖矿。

在数据中心，算力任务也分为基础通用计算和HPC高性能计算（High-performance computing）。

HPC计算进一步细分为三类：

科学计算：物理化学、气象与环保、生命科学、石油勘探、天文探测等。

工程计算：计算机辅助工程、计算机辅助制造、电子设计自动化、电磁仿真等。

智能计算：人工智能（AI，Artificial Intelligence）计算，包括：机器学习、深度学习、数据分析等。

大家应该听说过科学计算和工程计算。 这些专业的科研领域产生大量的数据，需要极高的计算能力。

以石油和天然气勘探为例。 油气勘探，简单来说就是在地表做CT。 一个项目下来，原始数据往往超过100TB，甚至可能超过1PB。 如此庞大的数据量需要海量的计算能力来支撑。

智能计算，我们需要关注这个。

AI人工智能是当前全社会关注的发展方向。 无论是哪个领域，都在研究人工智能的应用和落地。

人工智能的三大核心要素是算力、算法和数据。

大家都知道AI人工智能是大算力，尤其是“吃”算力。 在人工智能的计算中，涉及到很多矩阵或向量的乘法和加法，特异性高，不适合用CPU进行计算。

在实际应用中，人们主要使用GPU和前面提到的专用芯片进行计算。 特别是GPU是当前AI算力的主力军。

GPU虽然是图形处理器，但其GPU核心（逻辑运算单元）的数量远超CPU。 适用于向多个内核并行发送相同的指令流，以不同的输入数据执行它们，完成图形处理或大数据处理。 中的大量简单操作。

因此，GPU更适合计算密集型、高度并行化的计算任务（如AI计算）。

近年来，由于人工智能计算的旺盛需求，国家也专门建设了很多智能计算中心，即专门用于智能计算的数据中心。

成都智能计算中心（图片来自网络）

除了智能计算中心，现在还有很多超级计算中心。 超级计算中心拥有“天河一号”等超级计算机，专门承担各种大型科学和工程计算任务。

（图片来自网络）

我们平时看到的数据中心，基本都是云计算数据中心。

任务复杂，既有基本的通用计算和高性能计算，也有大量的异构计算（同时使用不同类型指令集的计算方法）。 由于对高性能计算的需求不断增加，专用计算芯片的比例逐渐增加。

前几年逐渐流行起来的TPU、NPU、DPU，其实都是专用芯片。

现在大家经常听到的“算力卸载”并不是真正的去掉算力，而是把很多计算任务（比如虚拟化、数据转发、压缩存储、加解密等）从CPU转移到NPU、DPU等芯片，减轻CPU的运算负担。

近年来，除了基础通用算力、智能算力、超级算力外，科学界也出现了前沿算力的概念，主要包括量子计算、光子计算等，值得注意力。

█ 算力测算

算力既然是“能力”，当然会有衡量其强弱的指标和基准单位。 大家比较熟悉的单位应该是FLOPS、TFLOPS等。

其实衡量计算能力的指标有很多，比如MIPS、DMIPS、OPS等。

MFLOPS、GFLOPS、TFLOPS、PFLOPS等都是不同量级的FLOPS。 具体关系如下：

浮点数有FP16、FP32、FP64的不同规格

不同算力载体之间的算力差异巨大。 为了让大家更容易更好的理解这种差异，小枣君做了另外一张算力对比表：

前面我们提到了通用计算、智能计算和超级计算。 从趋势来看，智能计算和超级计算的算力增速远超通用算力。

据GIV统计，到2030年，通用算力（FP32）将提升10倍，达到3.3 ZFLOPS。 AI智能计算（FP16）算力将提升500倍，达到105 ZFLOPS。

█ 算力现状与未来

早在1961年，“人工智能之父”约翰麦卡锡就提出效用计算的目标。 他认为，“有一天，计算可能会像电话系统一样成为公共事业”。

今天，他的愿景已经成为现实。 在数字化浪潮下，算力与水、电一样成为公共基础资源，数据中心和通信网络也成为重要的公共基础设施。

这是IT行业和通信行业半个多世纪辛勤耕耘的结果。

对于整个人类社会来说，算力已经不再是一个技术概念。 它已经上升到经济学和哲学的维度，成为数字经济时代的核心生产力和全社会数字化转型的基石。

我们每个人的生活，以及工厂企业的运作，政府部门的运作，都离不开计算能力。 在国家安全、国防建设、基础科学研究等重点领域，也需要海量计算能力。

计算能力决定了数字经济发展的速度和社会智能化发展的高度。

IDC、浪潮信息、清华大学全球产业研究院联合发布的数据显示，算力指数每提高1点，数字经济和GDP将分别增长3.5‰和1.8‰。

世界各国的算力规模与经济发展水平呈现出显着的正相关关系。 一个国家的计算能力规模越大，经济发展水平就越高。

世界各国算力与GDP排名（来源：迟久红，华为算力时代峰会演讲）

在算力领域，国家间的竞争博弈日趋激烈。

2020年，我国算力总规模将达到135 EFLOPS，同比增长55%，超过全球增速约16个百分点。 目前，我们的绝对算力位居世界第二。

但是从人均来看，我们并没有优势，只是中等算力国家的水平。

世界各国人均算力对比（来源：唐雄彦，华为算力时代峰会演讲）

特别是在芯片等核心计算技术方面，我们与发达国家还有很大差距。 很多掐脖子技术没有解决​​，严重影响了我们的算力安全，进而影响了国家安全。

因此，任重而道远，仍需继续努力。

最近对方又打起了光刻机的主意（图片来自网络）

未来社会，信息化、数字化、智能化将进一步加速。 随着万物互联时代的到来，大量智能物联网终端的引入，以及AI智慧场景的落地，将产生难以想象的海量数据。

这些数据将进一步刺激对算力的需求。

据罗兰贝格预测，2018年至2030年，自动驾驶对算力需求将增长390倍，智能工厂需求将增长110倍，主要国家人均算力需求将从较少增长从今天的 500 GFLOPS 到 20 倍，到 2035 年成为 10000 GFLOPS。

据浪潮人工智能研究院预测，到2025年，全球算力规模将达到6.8 ZFLOPS，较2020年提升30倍。

新一轮算力革命正在加速推进。

█ 结论

算力是这么重要的资源，但实际上我们在算力的利用上还存在很多问题。

比如算力的使用率，算力分配的均衡性。 IDC数据显示，目前企业分布式小算力的利用率只有10%-15%，存在大量浪费。

摩尔定律从2015年开始放缓，单位能耗下算力增速逐渐被数据量增速拉大。 我们在不断挖掘芯片算力潜力的同时，还要考虑算力的资源调度。

那么，我们如何调度算力呢？ 现有的通信网络技术能否满足计算能力的调度需求？

敬请期待下一集：“算力网络”到底是什么？

——全文结束——

参考：

1. 《中国算力发展指数白皮书》，信息通信技术研究所；

2. 《算力网络技术白皮书》，中国移动；

3、《算力网络（CAN、CFN、CPN），东西怎么了》，千灵，知乎；

4. 《中国联通算力网络白皮书》比特币当前算力，中国联通；

5. 《算力网络发展概况与展望》，曹畅；

6、《什么是算力网络》，吴卓然；

7. 《对“算力网络”底层技术的思考》，严贵海；

8.《AI算力需求快速增长，平台化基础设施成为重点》，广发证券，刘雪峰，李奥源，吴祖鹏。