關於“算力”，這篇文章值得一看

　　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。在新聞報導和大咖演講中，總會出現它的身影。

　　那麼，究竟到底什麼是算力？算力包括哪些類別，分別有什麼用途？目前，全球算力正處於怎樣的發展狀態？

　　接下來，小棗君就給大家詳細科普一下。

　　 什麼是算力

　　算力的字面意思，大家都懂，就是計算能力（Computing Power）。

　　更具體來說，算力是透過對資訊資料進行處理，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。

　　大部分時間裡，我們會透過口算、心算進行無工具計算。但是，這樣的算力有點低。所以，在遇到複雜情況時，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。後來，隨著文明的進步，我們有了算籌（一種用於計算的小棍子）、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，標誌著人類算力正式進入了數位電子時代。

　　ENIAC，1946年

　　再後來，隨著半導體技術的出現和發展，我們又進入了晶片時代。晶片成為了算力的主要載體。

　　世界上第一個積體電路（晶片），1958年

　　時間繼續推移。

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

　　世界上第一臺PC（IBM5150），1981年

　　PC的誕生，意義極為深遠。它標誌著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。它成功開啟了全民資訊時代的大門，推動了整個社會的資訊化普及。

　　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，也為後來網際網路的蓬勃發展奠定了基礎。

　　進入21世紀後，算力再次迎來了鉅變。

　　這次鉅變的標誌，是雲端計算技術的出現。

　　雲端計算，Cloud Computing

　　在雲端計算之前，人類苦於單點式計算（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）等分散式計算架構。

　　雲端計算，是分散式計算的新嘗試。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、更高效能、更低成本的算力。

　　具體來說，在雲端計算中，中央處理器（CPU）、記憶體、硬碟、顯示卡（GPU）等計算資源被集合起來，透過軟體的方式，組成一個虛擬的可無限擴充套件的“算力資源池”。

　　使用者如果有算力需求，“算力資源池”就會動態地進行算力資源的分配，使用者按需付費。

　　相比於使用者自購裝置、自建機房、自己運維，雲端計算有明顯的價效比優勢。

　　雲端計算資料中心

　　算力雲化之後，資料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

　　雲端計算和資料中心之所以會出現，是因為資訊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（移動網際網路、追劇、網購、叫車、O2O等），也有來自行業領域的（工業製造、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，有著不同的演算法。不同的演算法，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，負責輸出算力的晶片，就有分為通用晶片和專用晶片。

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

　　而專用晶片，主要是指FPGA和ASIC。

　　FPGA，是可程式設計積體電路。它可以透過硬體程式設計來改變內部晶片的邏輯結構，但軟體是深度定製的，執行專門任務。

　　ASIC，是專用積體電路。顧名思義，它是為專業用途而定製的晶片，其絕大部分軟體演算法都固化於矽片。

　　ASIC能完成特定的運算功能，作用比較單一，不過能耗很低。FPGA，介於通用晶片和ASIC之間。

　　我們以比特幣挖礦為例。

　　以前，人們都是用PC（x86通用晶片）挖礦，後來越挖難度越大，算力不夠。於是，開始使用顯示卡（GPU）去挖礦。再後來，顯示卡的能耗太高，挖出來的幣值還抵不上電費，就開始採用FPGA和ASIC叢集陣列挖礦。

　　在資料中心裡，也對算力任務進行了對應劃分，分為基礎通用計算，以及HPC高效能運算（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、計算機輔助製造、電子設計自動化、電磁模擬等。

　　智慧計算類：即人工智慧（AI，Artificial Intelligence）計算，包括：機器學習、深度學習、資料分析等。

　　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資料產生量很大，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。一個專案下來，原始資料往往超過100TB，甚至可能超過1個PB。如此巨大的資料量，需要海量的算力進行支撐。

　　智慧計算這個，我們需要重點說一下。

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

　　人工智慧的三大核心要素，就是算力、演算法和資料。

　　大家都知道，AI人工智慧是一個算力大戶，特別“吃”算力。在人工智慧計算中，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和前面說的專用晶片進行計算。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並行傳送到眾核上，採用不同的輸入資料執行，從而完成圖形處理或大資料處理中的海量簡單操作。

　　因此，GPU更合適處理計算密集型、高度並行化的計算任務（例如AI計算）。

　　這幾年，因為人工智慧計算的需求旺盛，國家還專門建設了很多智算中心，也就是專門進行智慧計算的資料中心。

　　成都智算中心（圖片來自網路）

　　除了智算中心之外，現在還有很多超算中心。超算中心裡面，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。

　　（圖片來自網路）

　　我們平時看到的資料中心，基本上都屬於雲端計算資料中心。

　　任務比較雜，基礎通用計算和高效能運算都有，也有大量的異構計算（同時使用不同型別指令集的計算方式）。因為高效能運算的需求越來越多，所以專用計算晶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，其實都是專用晶片。

　　大家現在經常聽說的“算力解除安裝”，其實不是刪除算力，而是把很多計算任務（例如虛擬化、資料轉發、壓縮儲存、加密解密等），從CPU轉移到NPU、DPU等晶片上，減輕CPU的算力負擔。

　　近年來，除了基礎通用算力、智慧算力、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。具體關係如下：

　　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。為了便於大家更好地理解這個差異，小棗君又做了一張算力對比表格：

　　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的資料統計，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，“人工智慧之父”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，而資料中心和通訊網路，也變成了重要的公共基礎設施。

　　這是IT行業和通訊行業辛苦奮鬥大半個世紀的成果。

　　對於整個人類社會來說，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，以及社會智慧發展高度。

　　根據IDC、浪潮資訊、清華大學全球產業研究院聯合釋出的資料顯示，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係。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，我們並不佔優勢，僅處於中等算力國家水平。

　　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）

　　尤其是在晶片等算力核心技術上，我們與已開發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。

　　最近，對手又打起了光刻機的主意（圖片來自網路）

　　未來社會，資訊化、數字化和智慧化將會進一步加快。萬物智聯時代的到來，大量智慧物聯網終端的引入，AI智慧場景的落地，將產生難以想象的海量資料。

　　這些資料，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。

　　根據浪潮人工智慧研究院的預測，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，以及算力分佈均衡性問題。根據IDC的資料顯示，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資料量增速拉開差距。我們在不斷挖掘晶片算力潛力的同時，必須考慮算力的資源排程問題。

　　那麼，我們該如何對算力進行排程呢？現有的通訊網路技術，能夠滿足算力的排程需求嗎？