算力的字面意思，大家都懂，就是計算能力（Computing Power）。

更具體來說，算力是通過對信息數(shù)據(jù)進行處理，實現(xiàn)目標(biāo)結(jié)果輸出的計算能力。

在云計算之前，人類苦于單點式計算（一臺大型機或一臺PC，獨立完成全部的計算任務(wù)）的算力不足，已經(jīng)嘗試過網(wǎng)格計算（把一個巨大的計算任務(wù)，分解為很多的小型計算任務(wù)，交給不同的計算機完成）等分布式計算架構(gòu)。

云計算，是分布式計算的新嘗試。它的本質(zhì)，是將大量的零散算力資源進行打包、匯聚，實現(xiàn)更高可靠性、更高性能、更低成本的算力。

具體來說，在云計算中，中央處理器（CPU）、內(nèi)存、硬盤、顯卡（GPU）等計算資源被集合起來，通過軟件的方式，組成一個虛擬的可無限擴展的“算力資源池”。

用戶如果有算力需求，“算力資源池”就會動態(tài)地進行算力資源的分配，用戶按需付費。

相比于用戶自購設(shè)備、自建機房、自己運維，云計算有明顯的性價比優(yōu)勢。

算力的分類：

云計算和數(shù)據(jù)中心之所以會出現(xiàn)，是因為信息化和數(shù)字化的不斷深入，引發(fā)了整個社會強烈的算力需求。

這些需求，既有來自消費領(lǐng)域的（移動互聯(lián)網(wǎng)、追劇、網(wǎng)購、打車、O2O等），也有來自行業(yè)領(lǐng)域的（工業(yè)制造、交通物流、金融證券、教育醫(yī)療等），還有來自城市治理領(lǐng)域的（智慧城市、一證通、城市大腦等）。

不同的算力應(yīng)用和需求，有著不同的算法。不同的算法，對算力的特性也有不同要求。

通常，我們將算力分為兩大類，分別是通用算力和專用算力。

大家應(yīng)該都聽說過，負責(zé)輸出算力的芯片，就有分為通用芯片和專用芯片。

像x86這樣的CPU處理器芯片，就是通用芯片。它們能完成的算力任務(wù)是多樣化的，靈活的，但是功耗更高。

而專用芯片，主要是指FPGA和ASIC。

FPGA

，是可編程集成電路。它可以通過硬件編程來改變內(nèi)部芯片的邏輯結(jié)構(gòu)，但軟件是深度定制的，執(zhí)行專門任務(wù)。

ASIC，是專用集成電路。顧名思義，它是為專業(yè)用途而定制的芯片，其絕大部分軟件算法都固化于硅片。

ASIC能完成特定的運算功能，作用比較單一，不過能耗很低。FPGA，介于通用芯片和ASIC之間。

我們以比特幣挖礦為例。

以前，人們都是用PC（x86通用芯片）挖礦，后來越挖難度越大，算力不夠。于是，開始使用顯卡（GPU）去挖礦。再后來，顯卡的能耗太高，挖出來的幣值還抵不上電費，就開始采用FPGA和ASIC集群陣列挖礦。

在數(shù)據(jù)中心里，也對算力任務(wù)進行了對應(yīng)劃分，分為基礎(chǔ)通用計算，以及HPC高性能計算（High-performance computing）。

HPC計算，又繼續(xù)細分為三類：

科學(xué)計算類：物理化學(xué)、氣象環(huán)保、生命科學(xué)、石油勘探、天文探測等。工程計算類：計算機輔助工程、計算機輔助制造、電子設(shè)計自動化、電磁仿真等。智能計算類：即人工智能（AI，Artificial Intelligence）計算，包括：機器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)分析等。

科學(xué)計算和工程計算大家應(yīng)該都聽說過，這些專業(yè)科研領(lǐng)域的數(shù)據(jù)產(chǎn)生量很大，對算力的要求極高。

以油氣勘探為例。油氣勘探，簡單來說，就是給地表做CT。一個項目下來，原始數(shù)據(jù)往往超過100TB，甚至可能超過1個PB。如此巨大的數(shù)據(jù)量，需要海量的算力進行支撐。

智能計算，這個，我們需要重點說一下。

AI人工智能是目前全社會重點關(guān)注的發(fā)展方向。不管是哪個領(lǐng)域，都在研究人工智能的應(yīng)用和落地。

人工智能的三大核心要素，就是算力、算法和數(shù)據(jù)。

大家都知道，AI人工智能是一個算力大戶，特別“吃”算力。在人工智能計算中，涉及較多的矩陣或向量的乘法和加法，專用性較高，所以不適合利用CPU進行計算。

在現(xiàn)實應(yīng)用中，人們主要用GPU和前面說的專用芯片進行計算。尤其是GPU，是目前AI算力的主力。

GPU雖然是圖形處理器，但它的GPU核（邏輯運算單元）數(shù)量遠超CPU， 適合把同樣的指令流并行發(fā)送到眾核上，采用不同的輸入數(shù)據(jù)執(zhí)行，從而完成圖形處理或大數(shù)據(jù)處理中的海量簡單操作。

因此，GPU更合適處理計算密集型、高度并行化的計算任務(wù)（例如AI計算）。

這幾年，因為人工智能計算的需求旺盛，國家還專門建設(shè)了很多智算中心，也就是專門進行智能計算的數(shù)據(jù)中心。

除了智算中心之外，現(xiàn)在還有很多超算中心。超算中心里面，放的都是“天河一號”這樣的超級計算機，專門承擔(dān)各種大規(guī)模科學(xué)計算和工程計算任務(wù)。

我們平時看到的數(shù)據(jù)中心，基本上都屬于云計算數(shù)據(jù)中心。

任務(wù)比較雜，基礎(chǔ)通用計算和高性能計算都有，也有大量的異構(gòu)計算（同時使用不同類型指令集的計算方式）。因為高性能計算的需求越來越多，所以專用計算芯片的比例正在逐步增加。

前幾年逐漸開始流行起來的TPU、NPU和DPU等，其實都是專用芯片。

大家現(xiàn)在經(jīng)常聽說的“算力卸載”，其實不是刪除算力，而是把很多計算任務(wù)（例如虛擬化、數(shù)據(jù)轉(zhuǎn)發(fā)、壓縮存儲、加密解密等），從CPU轉(zhuǎn)移到NPU、DPU等芯片上，減輕CPU的算力負擔(dān)。

近年來，除了基礎(chǔ)通用算力、智能算力、超算算力之外，科學(xué)界還出現(xiàn)了前沿算力的概念，主要包括量子計算、光子計算等，值得關(guān)注。

算力的衡量：

算力既然是一個“能力”，當(dāng)然就會有對它進行強弱衡量的指標(biāo)和基準(zhǔn)單位。大家比較熟悉的單位，應(yīng)該是FLOPS、TFLOPS等。

其實，衡量算力大小的指標(biāo)還有很多，例如MIPS、DMIPS、OPS等。

MFLOPS、GFLOPS、TFLOPS、PFLOPS等，都是FLOPS的不同量級。具體關(guān)系如下：

不同的算力載體之間，算力差異是非常巨大的。為了便于大家更好地理解這個差異，小棗君又做了一張算力對比表格：

前面我們提到了通用計算、智算和超算。從趨勢上來看，智算和超算的算力增長速度遠遠超過了通用算力。

根據(jù)GIV的數(shù)據(jù)統(tǒng)計，到2030年，通用計算算力（FP32）將增長10倍，達到3.3

ZFLOPS。而AI智算算力（FP16），將增長500倍，達到105 ZFLOPS。

目前發(fā)展：

全球各國的算力規(guī)模與經(jīng)濟發(fā)展水平，已經(jīng)呈現(xiàn)出顯著的正相關(guān)關(guān)系。一個國家的算力規(guī)模越大，經(jīng)濟發(fā)展水平就越高。

世界各國算力和GDP排名（來源：遲九虹，華為算力時代峰會演講）

在算力領(lǐng)域，國家之間的競爭博弈日益激烈。

2020年，我國算力總規(guī)模達到135 EFLOPS，同比增長55%，超過全球增速約16個百分點。目前，我們的絕對算力，排名世界第二。

但是，從人均角度來看，我們并不占優(yōu)勢，僅處于中等算力國家水平。

世界各國人均算力對比（來源：唐雄燕，華為算力時代峰會演講）