这两年，算力可以说是ICT行业的一个热门观点。在新闻宣布和大咖演讲中，总会涌现它的身影。
那么，究竟到底什么是算力？算力包括哪些种别，分别有什么用场？目前，环球算力正处于若何的发展状态？
接下来，小枣君就给大家详细科普一下。
█ 什么是算力
算力的字面意思，大家都懂，便是打算能力（Computing Power）。
更详细来说，算力是通过对信息数据进行处理，实现目标结果输出的打算能力。
我们人类，实在就具备这样的能力。在我们的生命过程中，每时每刻都在进行着打算。我们的大脑，便是一个强大的算力引擎。
大部分韶光里，我们会通过口算、心算进行无工具打算。但是，这样的算力有点低。以是，在碰着繁芜情形时，我们会利用算力工具进行深度打算。
远古期间，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（一种用于打算的小棍子）、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，天下上第一台数字式电子打算机ENIAC出身，标志着人类算力正式进入了数字电子时期。
ENIAC，1946年
再后来，随着半导体技能的涌现和发展，我们又进入了芯片时期。芯片成为了算力的紧张载体。
天下上第一个集成电路（芯片），1958年
韶光连续推移。
到了20世纪70-80年代，芯片技能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，打算机实现了小型化，PC（个人电脑）出身了。
天下上第一台PC（IBM5150），1981年
PC的出身，意义极为深远。它标志着IT算力不再仅为少数大型企业做事（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期的大门，推动了全体社会的信息化遍及。
在PC的帮助下，人们充分感想熏染到IT算力带来的生活品质改进，以及生产效率提升。PC的涌现，也为后来互联网的发达发展奠定了根本。
进入21世纪后，算力再次迎来了巨变。
这次巨变的标志，是云打算技能的涌现。
云打算，Cloud Computing
在云打算之前，人类苦于单点式打算（一台大型机或一台PC，独立完玉成体的打算任务）的算力不敷，已经考试测验过网格打算（把一个巨大的打算任务，分解为很多的小型打算任务，交给不同的打算机完成）等分布式打算架构。
云打算，是分布式打算的新考试测验。它的实质，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、更低本钱的算力。
详细来说，在云打算中，中心处理器（CPU）、内存、硬盘、显卡（GPU）等打算资源被凑集起来，通过软件的办法，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。
比较于用户自购设备、自建机房、自己运维，云打算有明显的性价比上风。
云打算数据中央
算力云化之后，数据中央成为了算力的紧张载体。人类的算力规模，开始新的飞跃。
█ 算力的分类
云打算和数据中央之以是会涌现，是由于信息化和数字化的不断深入，引发了全体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、教诲医疗等），还有来自城市管理领域的（聪慧城市、一证通、城市大脑等）。
不同的算力运用和需求，有着不同的算法。不同的算法，对算力的特性也有不同哀求。
常日，我们将算力分为两大类，分别是通用算力和专用算力。
大家该当都听说过，卖力输出算力的芯片，就有分为通用芯片和专用芯片。
像x86这样的CPU处理器芯片，便是通用芯片。它们能完成的算力任务是多样化的，灵巧的，但是功耗更高。
而专用芯片，紧张是指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构造，但软件是深度定制的，实行专门任务。
ASIC，是专用集成电路。顾名思义，它是为专业用场而定制的芯片，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，浸染比较单一，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，算力不足。于是，开始利用显卡（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，就开始采取FPGA和ASIC集群阵列挖矿。
在数据中央里，也对算力任务进行了对应划分，分为根本通用打算，以及HPC高性能打算（High-performance computing）。
HPC打算，又连续细分为三类：
科学打算类：物理化学、气候环保、生命科学、石油勘探、天文探测等。
工程打算类：打算机赞助工程、打算机赞助制造、电子设计自动化、电磁仿真等。
智能打算类：即人工智能（AI，Artificial Intelligence）打算，包括：机器学习、深度学习、数据剖析等。
科学打算和工程打算大家该当都听说过，这些专业科研领域的数据产生量很大，对算力的哀求极高。
以油气勘探为例。油气勘探，大略来说，便是给地表做CT。一个项眼前来，原始数据每每超过100TB，乃至可能超过1个PB。如此巨大的数据量，须要海量的算力进行支撑。
智能打算这个，我们须要重点说一下。
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运用和落地。
人工智能的三大核心要素，便是算力、算法和数据。
大家都知道，AI人工智能是一个算力大户，特殊“吃”算力。在人工智能打算中，涉及较多的矩阵或向量的乘法和加法，专用性较高，以是不适宜利用CPU进行打算。
在现实运用中，人们紧张用GPU和前面说的专用芯片进行打算。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， 适宜把同样的指令流并行发送到众核上，采取不同的输入数据实行，从而完成图形处理或大数据处理中的海量大略操作。
因此，GPU更得当处理打算密集型、高度并行化的打算任务（例如AI打算）。
这几年，由于人工智能打算的需求兴旺，国家还专门培植了很多智算中央，也便是专门进行智能打算的数据中央。
成都智算中央（图片来自网络）
除了智算中央之外，现在还有很多超算中央。超算中央里面，放的都是“天河一号”这样的超级打算机，专门承担各种大规模科学打算和工程打算任务。
（图片来自网络）
我们平时看到的数据中央，基本上都属于云打算数据中央。
任务比较杂，根本通用打算和高性能打算都有，也有大量的异构打算（同时利用不同类型指令集的打算办法）。由于高性能打算的需求越来越多，以是专用打算芯片的比例正在逐步增加。
前几年逐渐开始盛行起来的TPU、NPU和DPU等，实在都是专用芯片。
大家现在常常听说的“算力卸载”，实在不是删除算力，而是把很多打算任务（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的算力包袱。
近年来，除了根本通用算力、智能算力、超算算力之外，科学界还涌现了前沿算力的观点，紧张包括量子打算、光子打算等，值得关注。
█ 算力的衡量
算力既然是一个“能力”，当然就会有对它进行强弱衡量的指标和基准单位。大家比较熟习的单位，该当是FLOPS、TFLOPS等。
实在，衡量算力大小的指标还有很多，例如MIPS、DMIPS、OPS等。
MFLOPS、GFLOPS、TFLOPS、PFLOPS等，都是FLOPS的不同量级。详细关系如下：
浮点数有FP16、FP32、FP64不同的规格
不同的算力载体之间，算力差异是非常巨大的。为了便于大家更好地理解这个差异，小枣君又做了一张算力比拟表格：
前面我们提到了通用打算、智算和超算。从趋势上来看，智算和超算的算力增长速率远远超过了通用算力。
根据GIV的数据统计，到2030年，通用打算算力（FP32）将增长10倍，达到3.3 ZFLOPS。而AI智算算力（FP16），将增长500倍，达到105 ZFLOPS。
█ 算力的现状与未来
早在1961年，“人工智能之父”约翰·麦卡锡就提出Utility Computing（效用打算）的目标。他认为：“有一天，打算可能会被组织成一个公共奇迹，就像电话系统是一个公共奇迹一样”。
如今，他的设想已经成为现实。在数字浪潮下，算力已经成为像水、电一样的公共根本资源，而数据中央和通信网络，也变成了主要的公共根本举动步伐。
这是IT行业和通信行业辛劳奋斗大半个世纪的成果。
对付全体人类社会来说，算力早已不是一个技能维度的观点。它已经上升到经济学和哲学维度，成为了数字经济时期的核心生产力，以及全社会数智化转型的基石。
我们每个人的生活，还有工厂企业的运转，政府部门的运作，都离不开算力。在国家安全、国防培植、根本学科研究等关键领域，我们也须要海量的算力。
算力决定了数字经济发展速率，以及社会智能发展高度。
根据IDC、浪潮信息、清华大学环球家当研究院联合发布的数据显示，打算力指数均匀每提高1点，数字经济和GDP将分别增长3.5‰和1.8‰。
环球各国的算力规模与经济发展水平，已经呈现出显著的正干系关系。一个国家的算力规模越大，经济发展水平就越高。
天下各国算力和GDP排名 （来源：迟九虹，华为算力时期峰会演讲）
在算力领域，国家之间的竞争博弈日益激烈。
2020年，我国算力总规模达到135 EFLOPS，同比增长55%，超过环球增速约16个百分点。目前，我们的绝对算力，排名天下第二。
但是，从人均角度来看，我们并不占上风，仅处于中等算力国家水平。
天下各国人均算力比拟 （来源：唐雄燕，华为算力时期峰会演讲）
尤其是在芯片等算力核心技能上，我们与发达国家还有很大的差距。很多掐脖子技能未能办理，严重影响了我们的算力安全，进而影响了国家安全。
以是，脚下的路还有很长，我们还须要连续努力。
最近，对手又打起了光刻机的主张（图片来自网络）
未来社会，信息化、数字化和智能化将会进一步加快。万物智联时期的到来，大量智能物联网终真个引入，AI智能场景的落地，将产生弗成思议的海量数据。
这些数据，将进一步刺激对算力的需求。
根据罗兰贝格的预测，从2018年到2030年，自动驾驶对算力的需求将增加390倍，聪慧工厂需求将增长110倍，紧张国家人均算力需求将从本日的不敷500 GFLOPS，增加20倍，变成2035年的10000 GFLOPS。
根据浪潮人工智能研究院的预测，到2025年，环球算力规模将达6.8 ZFLOPS，与2020年比较提升30倍。
新一轮的算力革命，正在加速启动。
█ 结语
算力是如此主要的资源，但事实上，我们对算力的利用仍旧存在很多问题。
比如算力利用率问题，以及算力分布均衡性问题。根据IDC的数据显示，企业分散的小算力利用率，目前仅为10%-15%，存在很大的摧残浪费蹂躏。
摩尔定律从2015年开始放缓，单位能耗下的算力增速已经逐渐被数据量增速拉开差距。我们在不断挖掘芯片算力潜力的同时，必须考虑算力的资源调度问题。
那么，我们该如何对算力进行调度呢？现有的通信网络技能，能够知足算力的调度需求吗？
敬请期待下集：到底什么是“算力网络”？
—— 全文完 ——
参考文献：
1、《中国算力发展指数白皮书》，信通院；
2、《算力网络技能白皮书》，中国移动；
3、《算力网络（CAN、CFN、CPN）、东数西算是怎么回事》，QianLing，知乎；
4、《中国联通算力网络白皮书》，中国联通；
5、《算力网络发展先容与展望》，曹畅；
6、《什么是算力网络》，吴卓然；
7、《关于“算力网络”底层技能的思考》，鄢贵海；
8、《AI算力需求快增长，平台化根本举动步伐成焦点》，广发证券，刘雪峰、李傲远、吴祖鹏。
