当前位置:网站首页>关于“算力”,这篇文章值得一看
关于“算力”,这篇文章值得一看
2022-08-10 15:13:00 【大数据v】
导读:今天这篇文章,我们来聊聊算力。
作者:小枣君
来源:鲜枣课堂(ID:xzclasscom)
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?
接下来就给大家详细科普一下。
01 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。
▲ENIAC,1946年
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。
▲世界上第一个集成电路(芯片),1958年
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。
▲世界上第一台PC(IBM5150),1981年
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。
▲云计算数据中心
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。
02 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。
03 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:
▲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。
04 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。
这是IT行业和通信行业辛苦奋斗大半个世纪的成果。
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。
▲世界各国算力和GDP排名(来源:迟九虹,华为算力时代峰会演讲)
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。
▲世界各国人均算力对比(来源:唐雄燕,华为算力时代峰会演讲)
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。
所以,脚下的路还有很长,我们还需要继续努力。
▲最近,对手又打起了光刻机的主意
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。
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,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。
新一轮的算力革命,正在加速启动。
05 结语
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。
参考文献:
1、《中国算力发展指数白皮书》,信通院;
2、《算力网络技术白皮书》,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、《算力网络发展介绍与展望》,曹畅;
6、《什么是算力网络》,吴卓然;
7、《关于“算力网络”底层技术的思考》,鄢贵海;
8、《AI算力需求快增长,平台化基础设施成焦点》,广发证券,刘雪峰、李傲远、吴祖鹏。
延伸阅读
延伸阅读《人人可懂的量子计算》
直播预告
直播预告
据统计,99%的大咖都关注了这个公众号
边栏推荐
- scala 10种函数高级应用
- 【每日一题】【leetcode】26. 链表-链表中倒数第k个节点
- Appium for APP automation testing
- Parse the value of uuid using ABAP regular expressions
- 异地多活方法论
- Pagoda panel open Redis to specify the network machine
- 【芯片】人人皆可免费造芯?谷歌开源芯片计划已释放90nm、130nm和180nm工艺设计套件
- 匿名函数和全部内置函数详细认识(下篇)
- 请查收 2022华为开发者大赛备赛攻略
- 【数仓设计】企业数仓为什么要进行分层?(六大好处)
猜你喜欢
It is reported that the original Meitu executive joined Weilai mobile phone, the top product may exceed 7,000 yuan
Azure IoT Partner Technology Empowerment Workshop: IoT Dev Hack
26、压缩及解压缩命令
12海里、24海里、200海里的意义及名称
[Semantic Segmentation] DeepLab Series
SWIG教程《一》
Based on Azuki Series: NFT Valuation Analysis Framework "DRIC"
Redis -- Nosql
FP6378AS5CTR SOT - 23-5 effective 1 mhz2a synchronous buck regulator
智为链接,慧享生活,荣耀智慧服务,只为 “懂” 你
随机推荐
消息称原美图高管加盟蔚来手机 顶配产品或超7000元
10 advanced functions of scala
持续集成实战 —— Jenkins自动化测试环境搭建
$'\r': command not found
Digital Collection Platform System Development Practice
【语义分割】DeepLab系列
Basic use of Go Context
scala basics
Containerization | Scheduled Backups in S3
5G NR MIB Detailed Explanation
“低代码”编程或将是软件开发的未来
一个 ABAP 工具,能打印系统里某个用户对 BSP 应用的浏览历史记录
一个 ABAP 开发的新浪微博语义情感分析工具
程序调试介绍及其使用
Opencv 图像超像素分割(SLIC、SEEDS、LSC)
使用 ABAP 正则表达式解析 uuid 的值
scala 10种函数高级应用
5G NR MIB详解
Asterisk SIP media path
【服务器数据恢复】raid5崩溃导致lvm信息和VXFS文件系统损坏的数据恢复案例