资料来源：鲜枣课堂（xzclasscom）
作者：小枣君
物联网智库 转载
这两年，算力可以说是ICT行业的一个热门概念。在新闻报道和大咖演讲中，总会出现它的身影。那么，究竟到底什么是算力？算力包括哪些类别，分别有什么用途？目前，全球算力正处于怎样的发展状态？
今天这篇文章，我们来聊聊算力。
这两年，算力可以说是ICT行业的一个热门概念。在新闻报道和大咖演讲中，总会出现它的身影。
那么，究竟到底什么是算力？算力包括哪些类别，分别有什么用途？目前，全球算力正处于怎样的发展状态？
接下来，小枣君就给大家详细科普一下。
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。
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。
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。
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。
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。
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。
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）。
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。
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。
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。
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。大家比较熟悉的单位，应该是FLOPS、TFLOPS等。
其实，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。具体关系如下：
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对比表格：
前面我们提到了通用计算、智算和超算。从趋势上来看，智算和超算的算力增长速度远远超过了通用算力。
根据GIV的数据统计，到2030年，通用计算算力（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。
早在1961年，“人工智能之父”约翰·麦卡锡就提出Utility Computing（效用计算）的目标。他认为：“有一天，计算可能会被组织成一个公共事业，就像电话系统是一个公共事业一样”。
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、电一样的公共基础资源，而数据中心和通信网络，也变成了重要的公共基础设施。
对于整个人类社会来说，算力早已不是一个技术维度的概念。它已经上升到经济学和哲学维度，成为了数字经济时代的核心生产力，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、国防建设、基础学科研究等关键领域，我们也需要海量的算力。
算力决定了数字经济发展速度，以及社会智能发展高度。
根据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，计算力指数平均每提高1点，数字经济和GDP将分别增长3.5‰和1.8‰。
全球各国的算力规模与经济发展水平，已经呈现出显著的正相关关系。一个国家的算力规模越大，经济发展水平就越高。
2020年，我国算力总规模达到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，排名世界第二。
但是，从人均角度来看，我们并不占优势，仅处于中等算力国家水平。
尤其是在芯片等算力核心技术上，我们与发达国家还有很大的差距。很多掐脖子技术未能解决，严重影响了我们的算力安全，进而影响了国家安全。
未来社会，信息化、数字化和智能化将会进一步加快。万物智联时代的到来，大量智能物联网终端的引入，AI智能场景的落地，将产生难以想象的海量数据。
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，智慧工厂需求将增长110倍，主要国家人均算力需求将从今天的不足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，全球算力规模将达6.8 ZFLOPS，与2020年相比提升30倍。
算力是如此重要的资源，但事实上，我们对算力的利用仍然存在很多问题。
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%，存在很大的浪费。
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？现有的通信网络技术，能够满足算力的调度需求吗？
