隨著數字經濟進入新發展階段，算力已成為核心資源之一。據有關資料統計，我國各類算力中心總量超過46萬個，總面積逾1000萬平米，且未來將保持一定概率的增長。

　　然而，盡管算力這個詞在近年來很“火”，但其背后的含義，卻很少有人真正了解。“算力”受到關注，但背后的技術領域依然小眾、認知門檻高，“如果連算力概念都不了解，那么企業、政府在規劃算力中心時難免吃大虧，甚至出大事。”

　　基于這個問題，AI科技評論與某超算中心主任進行了訪談，在本文中討論了算力中心建設的要點，并分析該如何正確理解算力，以及厘清該領域經常被誤會的地方。

　　1、對立統一

　　算力中心有多種，大致可分為數據中心、超算中心、智算中心等，而它們都可以用云的形式來提供服務。

　　其中數據中心在互聯網企業中常用到，用于處理數據密集、通訊密集的事務性任務，比如手機app應用的后臺數據數理。超算中心更偏重于科學計算等計算密集型的任務。最后，智算中心則應用于特定的大規模AI任務。

　　超算和智算之間更容易被混淆，但要區分它們其實也很簡單，“我們可以把超算看成綜合醫院，把智算看成專科醫院。”綜合醫院、專科醫院都有其存在的價值，并在動態意義上可以互相轉化，由此也暗示超算和智算的對立統一關系。

　　對立

　　“很多媒體對算力中心存在許多誤解，甚至都算不上是誤解，很多時候連基本概念都沒有搞清楚。”

　　近期，某人工智能計算中心宣布建成投運，不少媒體報道指出該智算中心的算力規模達到1000P，“AI算力峰值性能相當于5萬臺高性能計算機。”

　　專家表示，媒體這種說法并不專業，就像說飛機飛的比100座山還高。“一座山的高度可能是100米，可能是8848米。一臺高性能計算機，可能有10個節點，也可能有10000個節點。”

　　另外，人們可能會認為，該智能計算中心的算力已經超越了曾獲得超算TOP500榜單第一的富岳(537PFLOPS)。

　　但實際上，超算采用“FLOPS”即每秒浮點運算數為算力單位，而智能計算的算力單位一般會采用“OPS”即每秒操作次數為算力單位，兩者是完全不同的度量單位。

　　此外，智能計算的性能結果(單位OPS)通常是基于半精度及整型運算測試(AI基準)得到的，超算的性能結果(單位FLOPS)則是基于雙精度、單精度浮點運算測試(Linpack)得到的。

　　對于超算和智算之間性能的比較，專家持比較嚴苛的觀點，其表示1000POPS性能可能相當于0 PFLOPS，“這里面涉及到能與不能的問題。具體還要看運算精度，而運算精度最終是影響到可執行的任務類型的。就好比，我們不能說十個牙科診所相當于一個綜合醫院。”

　　計算機的精度類型包括雙精度、單精度、半精度以及整數類型等，隨著精度減小，其表示的數值范圍依次大幅度降低，同時對應硬件能勝任的任務也越來越聚焦到特定領域。

　　“在AI推理、AI訓練、模擬這個維度上，芯片的應用上限由其底層構造所決定，即使采用軟件優化也無法再往上提升。”

　　此外，有些廠商還會模糊智能計算機的推理性能和訓練性能，或者在同為FLOPS單位的情況下，掩蓋運算精度細節。“比如近期被媒體廣泛宣傳的聲稱達到超算TOP500第五的國外超級計算機，其實更接近于智能計算機，它的性能數值其實也是基于低精度運算得到的。”

　　統一

　　由于精度上的限制，使得智能計算機受限為專用算力，一般僅支持單個場景，而無法提供平臺性的服務。比如安防領域擁有海量視頻，智算中心可以只做一個任務即視頻處理，并且做10年乃至20年，它都能表現的很好。“但是，讓智算中心去跑需要運行數萬不同類型軟件的任務，那就是勉為其難了。”

　　因此，智算中心并不適用于公共服務型的算力中心，而更適用于企業。

　　超級計算機則是一種通用算力，更加擅長高精度計算，可勝任行星模擬、新材料開發、分子藥物設計、基因分析等科學計算任務，以及能源、氣象、工程仿真、生物基因、智慧城市等。

　　當然，超算的勝任任務還包括人工智能，我們可以深入到芯片層面來比較。如果底層芯片采用的是CPU+GPU，那么其既能打造成超算，也可以打造成智算。因為GPU既能做雙精度運算，從而通用性很好，可用于科學計算，也可用于AI的模擬、訓練、推理。

　　而如果底層芯片采用的是CPU+專用芯片比如AI芯片，那么其只能打造成智算。因為AI芯片無法做雙精度浮點運算，雙精度浮點運算大量涉及線性代數方程求解，“自然界的很多問題，包括科學問題、社會問題等，最后都可轉化為線性代數方程求解問題。”

　　盡管總存在某一方向主導的局面，但專家認為，我們仍然應該兩者兼顧，不能厚此薄彼。

　　超算和智算并不是互相排斥的存在，而是對立而統一的關系。也就是說，超算和智算應該作為兩條路線分別發展，并在整體上協同，基于不同應用、服務對象建立不同的算力中心。超算相對更適合用于公共算力服務，智算更適合服務定向企業。

　　2降本增效

　　明確了算力中心多樣性的整體布局理念之后，接下來要考慮的，自然是在每一條路線上發揮最大效用，即降本增效——提升算力中心的有效性。從方法論上，可以簡單總結為“花更少的錢，做更多的事。”

　　降本

　　造價越高的算力中心，不代表性能同等地提高。以粵港澳大灣區的兩家算力約等的計算中心項目為例，項目A的整體算力為1170POPS，造價約為5億元;而使用同等精度芯片的項目B整體算力為2000POPS，性能略超前者，造價卻達到了驚人的近30億元。換算下來，兩者每億元算力分別為234POPS、66.7POPS，相差350%。

　　也就是說，不同的算力中心在性價比上可能差別特別大。算力中心由于市場化不足，政府獲得的信息不對稱，使得造價不透明，一定程度造成了公共財政資源的浪費。

　　此外，將性能和任務相匹配，即“因地制宜”，仍然是最省錢的方式。除了上述提到了智算更專用，超算更通用以外，反過來看，不同行業適合的算力中心類型也是不同的，主要基于兩個維度，即通用和性能。

　　比如618、雙11等購物節涉及的任務類型非常多，更適合用數據中心來處理;而像氣候模擬、藥物篩選等定義相對單一的任務則涉及大量的高精度計算，則必須用超級計算機來處理;在互聯網大數據、人工智能應用場景下，超級計算機和智能計算機均能勝任。

　　智能計算機確實在向前發展，但專家再次強調，智能計算機所謂速度和能耗上的優勢只是理論上的，而在實際應用中，智能計算機的表現不一定比超級計算機好。這背后的原因，即是“生態”——如何做更多的事。

　　增效

　　“由于專用芯片的市場占有率低，生態支持上不如通用芯片那么完善，因此其在實際運行中往往在性能、速度、功耗上不一定能超越通用芯片。智算當前面臨的一大困難是生態建設，普及程度還很差。”

　　專家主要強調的是理論和實踐的差距，而媒體宣傳中可能瞄準的是另一些層面。生態一般更注重通用性和平臺性層面，但最好不要籠統地對任何一種計算類型談論生態，因為所謂通用性和平臺性也是相對的。

　　“如今很多媒體經常說出諸如‘智算中心生態不行’的話語，這種表述既對，也不對。首先智能計算確實支持的應用很少，因此說它‘生態不行’是可以的。雖然智能計算只能用于特定AI應用，但如果在個別應用上達到一定的通用性，也能構成一種小生態。”

　　3求同存異

　　回顧歷史，計算機的發展主要遵循兩條路線，即專用和通用，并且這兩個趨勢經常交替出現。“在某一個時刻，我們可能更追求計算機的多任務即通用性能，直到碰到瓶頸，然后我們就會開始轉向另一個方向，即犧牲一定的多樣性，而追求某一專項任務的高性能。性能強、效率高、應用廣泛(通用)一直是超級計算機的追求，而專用芯片也在不斷地嘗試拓寬自己的能力邊界。”

　　因此，盡管智算的發展目前尚屬幼稚，但正如超算就像綜合醫院、智算就像專科醫院，“超算、智算兩者各有其適用的領域，應該求同存異。”

　　近年來算力這個詞不斷地被大眾所提及，在新基建的大背景下，這體現了社會對算力的真實需求。

　　“但是，對于從業人員而言，最重要的還是腳踏實地、一步一步地把基礎性工作做好，讓算力真正成為競爭力和生產力。”