今天這篇文章，我們來聊聊算力。

這兩年，算力可以說是ICT行業的一個熱門概念。在新聞報道和大咖演講中，總會出現它的身影。

那么，究竟到底什么是算力？算力包括哪些類別，分別有什么用途？目前，全球算力正處于怎樣的發展狀態？

接下來，正文開始。

█ 什么是算力

算力的字面意思，大家都懂，就是計算能力（Computing Power）。

更具體來說，算力是通過對信息數據進行處理，實現目標結果輸出的計算能力。

我們人類，其實就具備這樣的能力。在我們的生命過程中，每時每刻都在進行著計算。我們的大腦，就是一個強大的算力引擎。

大部分時間里，我們會通過口算、心算進行無工具計算。但是，這樣的算力有點低。所以，在遇到復雜情況時，我們會利用算力工具進行深度計算。

遠古時期，我們的原始工具是草繩、石頭。后來，隨著文明的進步，我們有了算籌（一種用于計算的小棍子）、算盤等更為實用的算力工具，算力水平不斷提升。

到了20世紀40年代，我們迎來了算力革命。

1946年2月，世界上第一臺數字式電子計算機ENIAC誕生，標志著人類算力正式進入了數字電子時代。

再后來，隨著半導體技術的出現和發展，我們又進入了芯片時代。芯片成為了算力的主要載體。

時間繼續推移。

到了20世紀70-80年代，芯片技術在摩爾定律的支配下，已經取得了長足進步。芯片的性能不斷提升，體積不斷減小。終于，計算機實現了小型化，PC（個人電腦）誕生了。

PC的誕生，意義極為深遠。它標志著IT算力不再僅為少數大型企業服務（大型機），而是昂首走向了普通家庭和中小企業。它成功打開了全民信息時代的大門，推動了整個社會的信息化普及。

在PC的幫助下，人們充分感受到IT算力帶來的生活品質改善，以及生產效率提升。PC的出現，也為后來互聯網的蓬勃發展奠定了基礎。

進入21世紀后，算力再次迎來了巨變。

這次巨變的標志，是云計算技術的出現。

在云計算之前，人類苦于單點式計算（一臺大型機或一臺PC，獨立完成全部的計算任務）的算力不足，已經嘗試過網格計算（把一個巨大的計算任務，分解為很多的小型計算任務，交給不同的計算機完成）等分布式計算架構。

云計算，是分布式計算的新嘗試。它的本質，是將大量的零散算力資源進行打包、匯聚，實現更高可靠性、更高性能、更低成本的算力。

具體來說，在云計算中，中央處理器（CPU）、內存、硬盤、顯卡（GPU）等計算資源被集合起來，通過軟件的方式，組成一個虛擬的可無限擴展的“算力資源池”。

用戶如果有算力需求，“算力資源池”就會動態地進行算力資源的分配，用戶按需付費。

相比于用戶自購設備、自建機房、自己運維，云計算有明顯的性價比優勢。

算力云化之后，數據中心成為了算力的主要載體。人類的算力規模，開始新的飛躍。

█ 算力的分類

云計算和數據中心之所以會出現，是因為信息化和數字化的不斷深入，引發了整個社會強烈的算力需求。

這些需求，既有來自消費領域的（移動互聯網、追劇、網購、打車、O2O等），也有來自行業領域的（工業制造、交通物流、金融證券、教育醫療等），還有來自城市治理領域的（智慧城市、一證通、城市大腦等）。

不同的算力應用和需求，有著不同的算法。不同的算法，對算力的特性也有不同要求。

通常，我們將算力分為兩大類，分別是通用算力和專用算力。

大家應該都聽說過，負責輸出算力的芯片，就又分為通用芯片和專用芯片。

像x86這樣的CPU處理器芯片，就是通用芯片。它們能完成的算力任務是多樣化的，靈活的，但是功耗更高。

而專用芯片，主要是指FPGA和ASIC。

FPGA，是可編程集成電路。它可以通過硬件編程來改變內部芯片的邏輯結構，但軟件是深度定制的，執行專門任務。

ASIC，是專用集成電路。顧名思義，它是為專業用途而定制的芯片，其絕大部分軟件算法都固化于硅片。

ASIC能完成特定的運算功能，作用比較單一，不過能耗很低。FPGA，介于通用芯片和ASIC之間。

我們以比特幣挖礦為例。

以前，人們都是用PC（x86通用芯片）挖礦，后來越挖難度越大，算力不夠。于是，開始使用顯卡（GPU）去挖礦。再后來，顯卡的能耗太高，挖出來的幣值還抵不上電費，就開始采用FPGA和ASIC集群陣列挖礦。

在數據中心里，也對算力任務進行了對應劃分，分為基礎通用計算，以及HPC高性能計算（High-performance computing）。

HPC計算，又繼續細分為三類：

科學計算類：物理化學、氣象環保、生命科學、石油勘探、天文探測等。

工程計算類：計算機輔助工程、計算機輔助制造、電子設計自動化、電磁仿真等。

智能計算類：即人工智能（AI，Artificial Intelligence）計算，包括：機器學習、深度學習、數據分析等。

科學計算和工程計算大家應該都聽說過，這些專業科研領域的數據產生量很大，對算力的要求極高。

以油氣勘探為例。油氣勘探，簡單來說，就是給地表做CT。一個項目下來，原始數據往往超過100TB，甚至可能超過1個PB。如此巨大的數據量，需要海量的算力進行支撐。

智能計算這個，我們需要重點說一下。

AI人工智能是目前全社會重點關注的發展方向。不管是哪個領域，都在研究人工智能的應用和落地。

人工智能的三大核心要素，就是算力、算法和數據。

大家都知道，AI人工智能是一個算力大戶，特別“吃”算力。在人工智能計算中，涉及較多的矩陣或向量的乘法和加法，專用性較高，所以不適合利用CPU進行計算。

在現實應用中，人們主要用GPU和前面說的專用芯片進行計算。尤其是GPU，是目前AI算力的主力。

GPU雖然是圖形處理器，但它的GPU核（邏輯運算單元）數量遠超CPU， 適合把同樣的指令流并行發送到眾核上，采用不同的輸入數據執行，從而完成圖形處理或大數據處理中的海量簡單操作。

因此，GPU更合適處理計算密集型、高度并行化的計算任務（例如AI計算）。

這幾年，因為人工智能計算的需求旺盛，國家還專門建設了很多智算中心，也就是專門進行智能計算的數據中心。

除了智算中心之外，現在還有很多超算中心。超算中心里面，放的都是“天河一號”這樣的超級計算機，專門承擔各種大規模科學計算和工程計算任務。

我們平時看到的數據中心，基本上都屬于云計算數據中心。

任務比較雜，基礎通用計算和高性能計算都有，也有大量的異構計算（同時使用不同類型指令集的計算方式）。因為高性能計算的需求越來越多，所以專用計算芯片的比例正在逐步增加。

前幾年逐漸開始流行起來的TPU、NPU和DPU等，其實都是專用芯片。

大家現在經常聽說的“算力卸載”，其實不是刪除算力，而是把很多計算任務（例如虛擬化、數據轉發、壓縮存儲、加密解密等），從CPU轉移到NPU、DPU等芯片上，減輕CPU的算力負擔。

近年來，除了基礎通用算力、智能算力、超算算力之外，科學界還出現了前沿算力的概念，主要包括量子計算、光子計算等，值得關注。

█ 算力的衡量

算力既然是一個“能力”，當然就會有對它進行強弱衡量的指標和基準單位。大家比較熟悉的單位，應該是FLOPS、TFLOPS等。

其實，衡量算力大小的指標還有很多，例如MIPS、DMIPS、OPS等。

MFLOPS、GFLOPS、TFLOPS、PFLOPS等，都是FLOPS的不同量級。具體關系如下：

浮點數有FP16、FP32、FP64不同的規格

不同的算力載體之間，算力差異是非常巨大的，詳見下面的表格：

前面我們提到了通用計算、智算和超算。從趨勢上來看，智算和超算的算力增長速度遠遠超過了通用算力。

根據GIV的數據統計，到2030年，通用計算算力（FP32）將增長10倍，達到3.3 ZFLOPS。而AI智算算力（FP16），將增長500倍，達到105 ZFLOPS。

█ 算力的現狀與未來

早在1961年，“人工智能之父”約翰·麥卡錫就提出Utility Computing（效用計算）的目標。他認為：“有一天，計算可能會被組織成一個公共事業，就像電話系統是一個公共事業一樣”。

如今，他的設想已經成為現實。在數字浪潮下，算力已經成為像水、電一樣的公共基礎資源，而數據中心和通信網絡，也變成了重要的公共基礎設施。

這是IT行業和通信行業辛苦奮斗大半個世紀的成果。

對于整個人類社會來說，算力早已不是一個技術維度的概念。它已經上升到經濟學和哲學維度，成為了數字經濟時代的核心生產力，以及全社會數智化轉型的基石。

我們每個人的生活，還有工廠企業的運轉，政府部門的運作，都離不開算力。在國家安全、國防建設、基礎學科研究等關鍵領域，我們也需要海量的算力。

算力決定了數字經濟發展速度，以及社會智能發展高度。

根據IDC、浪潮信息、清華大學全球產業研究院聯合發布的數據顯示，計算力指數平均每提高1點，數字經濟和GDP將分別增長3.5‰和1.8‰。

全球各國的算力規模與經濟發展水平，已經呈現出顯著的正相關關系。一個國家的算力規模越大，經濟發展水平就越高。

世界各國算力和GDP排名

（來源：遲九虹，華為算力時代峰會演講）

在算力領域，國家之間的競爭博弈日益激烈。

2020年，我國算力總規模達到135 EFLOPS，同比增長55%，超過全球增速約16個百分點。目前，我們的絕對算力，排名世界第二。

但是，從人均角度來看，我們并不占優勢，僅處于中等算力國家水平。

世界各國人均算力對比

（來源：唐雄燕，華為算力時代峰會演講）

尤其是在芯片等算力核心技術上，我們與發達國家還有很大的差距。很多掐脖子技術未能解決，嚴重影響了我們的算力安全，進而影響了國家安全。

所以，腳下的路還有很長，我們還需要繼續努力。

未來社會，信息化、數字化和智能化將會進一步加快。萬物智聯時代的到來，大量智能物聯網終端的引入，AI智能場景的落地，將產生難以想象的海量數據。

這些數據，將進一步刺激對算力的需求。

根據羅蘭貝格的預測，從2018年到2030年，自動駕駛對算力的需求將增加390倍，智慧工廠需求將增長110倍，主要國家人均算力需求將從今天的不足500 GFLOPS，增加20倍，變成2035年的10000 GFLOPS。

根據浪潮人工智能研究院的預測，到2025年，全球算力規模將達6.8 ZFLOPS，與2020年相比提升30倍。

新一輪的算力革命，正在加速啟動。

█ 結語

算力是如此重要的資源，但事實上，我們對算力的利用仍然存在很多問題。

比如算力利用率問題，以及算力分布均衡性問題。根據IDC的數據顯示，企業分散的小算力利用率，目前僅為10%-15%，存在很大的浪費。

摩爾定律從2015年開始放緩，單位能耗下的算力增速已經逐漸被數據量增速拉開差距。我們在不斷挖掘芯片算力潛力的同時，必須考慮算力的資源調度問題。

那么，我們該如何對算力進行調度呢？現有的通信網絡技術，能夠滿足算力的調度需求嗎？

審核編輯 ：李倩