究竟到底什么是算力 算力包括哪些类别分别有什么用途？

2022-08-01 15:09:36 来源：星际派

什么是算力

算力的字面意思，大家都懂，就是计算能力(Computing Power)。

更具体来说，算力是通过对信息数据进行处理，实现目标结果输出的计算能力。

我们人类，其实就具备这样的能力。在我们的生命过程中，每时每刻都在进行着计算。我们的大脑，就是一个强大的算力引擎。

大部分时间里，我们会通过口算、心算进行无工具计算。但是，这样的算力有点低。所以，在遇到复杂情况时，我们会利用算力工具进行深度计算。

远古时期，我们的原始工具是草绳、石头。后来，随着文明的进步，我们有了算筹(一种用于计算的小棍子)、算盘等更为实用的算力工具，算力水平不断提升。

到了 20 世纪 40 年代，我们迎来了算力革命。

1946 年 2 月，世界上第一台数字式电子计算机 ENIAC 诞生，标志着人类算力正式进入了数字电子时代。

再后来，随着半导体技术的出现和发展，我们又进入了芯片时代。芯片成为了算力的主要载体。

时间继续推移。

到了 20 世纪 70-80 年代，芯片技术在摩尔定律的支配下，已经取得了长足进步。芯片的性能不断提升，体积不断减小。终于，计算机实现了小型化，PC(个人电脑)诞生了。

PC 的诞生，意义极为深远。它标志着 IT 算力不再仅为少数大型企业服务(大型机)，而是昂首走向了普通家庭和中小企业。它成功打开了全民信息时代的大门，推动了整个社会的信息化普及。

在 PC 的帮助下，人们充分感受到 IT 算力带来的生活品质改善，以及生产效率提升。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，算力再次迎来了巨变。这次巨变的标志，是云计算技术的出现。

在云计算之前，人类苦于单点式计算(一台大型机或一台 PC，独立完成全部的计算任务)的算力不足，已经尝试过网格计算(把一个巨大的计算任务，分解为很多的小型计算任务，交给不同的计算机完成)等分布式计算架构。

云计算，是分布式计算的新尝试。它的本质，是将大量的零散算力资源进行打包、汇聚，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，中央处理器(CPU)、内存、硬盘、显卡(GPU)等计算资源被集合起来，通过软件的方式，组成一个虚拟的可无限扩展的“算力资源池”。

用户如果有算力需求，“算力资源池”就会动态地进行算力资源的分配，用户按需付费。

相比于用户自购设备、自建机房、自己运维，云计算有明显的性价比优势。

算力云化之后，数据中心成为了算力的主要载体。人类的算力规模，开始新的飞跃。

算力的分类

云计算和数据中心之所以会出现，是因为信息化和数字化的不断深入，引发了整个社会强烈的算力需求。

这些需求，既有来自消费领域的(移动互联网、追剧、网购、打车、O2O 等)，也有来自行业领域的(工业制造、交通物流、金融证券、教育医疗等)，还有来自城市治理领域的(智慧城市、一证通、城市大脑等)。

不同的算力应用和需求，有着不同的算法。不同的算法，对算力的特性也有不同要求。通常，我们将算力分为两大类，分别是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，就有分为通用芯片和专用芯片。

像 x86 这样的 CPU 处理器芯片，就是通用芯片。它们能完成的算力任务是多样化的，灵活的，但是功耗更高。

而专用芯片，主要是指FPGA和ASIC。

FPGA，是可编程集成电路。它可以通过硬件编程来改变内部芯片的逻辑结构，但软件是深度定制的，执行专门任务。

ASIC，是专用集成电路。顾名思义，它是为专业用途而定制的芯片，其绝大部分软件算法都固化于硅片。

ASIC 能完成特定的运算功能，作用比较单一，不过能耗很低。FPGA，介于通用芯片和 ASIC 之间。

我们以比特币挖矿为例。

以前，人们都是用 PC(x86 通用芯片)挖矿，后来越挖难度越大，算力不够。于是，开始使用显卡(GPU)去挖矿。再后来，显卡的能耗太高，挖出来的币值还抵不上电费，就开始采用 FPGA 和 ASIC 集群阵列挖矿。

在数据中心里，也对算力任务进行了对应划分，分为基础通用计算，以及 HPC 高性能计算(High-performance computing)。

HPC 计算，又继续细分为三类：

科学计算类：物理化学、气象环保、生命科学、石油勘探、天文探测等。

工程计算类：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。

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

科学计算和工程计算大家应该都听说过，这些专业科研领域的数据产生量很大，对算力的要求极高。

以油气勘探为例。油气勘探，简单来说，就是给地表做 CT。一个项目下来，原始数据往往超过 100TB，甚至可能超过 1 个 PB。如此巨大的数据量，需要海量的算力进行支撑。

智能计算这个，我们需要重点说一下。

AI 人工智能是目前全社会重点关注的发展方向。不管是哪个领域，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，就是算力、算法和数据。

大家都知道，AI 人工智能是一个算力大户，特别“吃”算力。在人工智能计算中，涉及较多的矩阵或向量的乘法和加法，专用性较高，所以不适合利用 CPU 进行计算。

在现实应用中，人们主要用 GPU 和前面说的专用芯片进行计算。尤其是 GPU，是目前 AI 算力的主力。

GPU 虽然是图形处理器，但它的 GPU 核(逻辑运算单元)数量远超 CPU，适合把同样的指令流并行发送到众核上，采用不同的输入数据执行，从而完成图形处理或大数据处理中的海量简单操作。

因此，GPU 更合适处理计算密集型、高度并行化的计算任务(例如 AI 计算)。

这几年，因为人工智能计算的需求旺盛，国家还专门建设了很多智算中心，也就是专门进行智能计算的数据中心。

除了智算中心之外，现在还有很多超算中心。超算中心里面，放的都是“天河一号”这样的超级计算机，专门承担各种大规模科学计算和工程计算任务。

我们平时看到的数据中心，基本上都属于云计算数据中心。

任务比较杂，基础通用计算和高性能计算都有，也有大量的异构计算(同时使用不同类型指令集的计算方式)。因为高性能计算的需求越来越多，所以专用计算芯片的比例正在逐步增加。

前几年逐渐开始流行起来的 TPU、NPU 和 DPU 等，其实都是专用芯片。

大家现在经常听说的“算力卸载”，其实不是删除算力，而是把很多计算任务(例如虚拟化、数据转发、压缩存储、加密解密等)，从 CPU 转移到 NPU、DPU 等芯片上，减轻 CPU 的算力负担。

近年来，除了基础通用算力、智能算力、超算算力之外，科学界还出现了前沿算力的概念，主要包括量子计算、光子计算等，值得关注。

关键词： 信息数据 数字电子时代 算力革命 算力水平