到底什么是算力？

算力的字面意思，大家都懂，就是计算能力（Computing Power）。

所谓“计算”，我们可以有多种定义。

狭义的定义，是对数学问题进行运算的过程，例如完成“1+1=？”的过程，或者对“哥德巴赫猜想”进行推理的过程。

广义的定义，则更为宏观，凡是对信息进行处理并得到结果的过程，都可以称为“计算”。

很显然，狭义和广义定义的区别，主要是计算的内容不同。而完成计算过程的能力，都可以称之为“算力”。

事实上，人类的思考，就是一个最常见的计算过程。

我们除了睡觉和发呆的时间之外，每时每刻都在进行着思考。我们通过五官对外界信息进行观察、感知和收集。然后，借助大脑，对这些信息进行处理（也就是思考）。最后，得出结论，做出判断，并采取行动。

在这个过程中，大脑就是我们的算力工具。而大脑的思考能力，就是算力。大脑的思考速度越快，意味着算力越强。

添加图片注释，不超过 140 字（可选）

计算是人类解决问题的一种方式。

在漫长的历史长河中，人类遇到过很多问题，都需要通过计算来解决。这些计算任务，仅凭大脑这个“原生”算力工具，是无法完成的。于是，人类发明了很多算力工具和方法，满足计算需求。例如算盘、算筹、计算尺等。

20世纪40年代，在技术的不断积累下，电子计算机诞生，信息技术革命正式开启。

早期的计算机，其实就是一个大型计算器，主要用于军事领域的复杂计算任务（例如弹道计算）。它的性能并不算强，而且体积和功耗巨大。后来，晶体管被发明出来，取代了真空管，才逐渐解决了体积和功耗的问题。

1958年，集成电路问世，正式开创了芯片时代。芯片里面拥有大量的电子元件（例如晶体管、电阻、电容等），可以执行运算指令。近几十年以来，在摩尔定律的支配下，芯片上的晶体管数量不断增加，性能也不断提升。

在芯片能力的加持下，计算机变得越来越强大，体型也越来越小，最终催生了PC，以及繁荣的IT软硬件生态。计算机开始走入家庭和行业，并最终成为人类最重要的算力工具。

我们将计算机应用于各个领域，用它来运行程序、解决问题、提升效率。芯片的制程越先进，晶体管数量越多，算力就越强劲，问题就能解决得更快更好。

添加图片注释，不超过 140 字（可选）

5G手机SoC芯片

如今，芯片已经成为了算力的代名词。我们讨论算力，其实就是在说芯片的计算能力。

通常来说，行业里倾向于将CPU、GPU等芯片技术及能力，称为狭义的算力。内存、硬盘相关的存储技术，称为存力。操作系统、数据库、中间件、应用程序等在内的软件技术，称为算法。

广义的算力，既包括了狭义的算力，也包括了存力和算法。

添加图片注释，不超过 140 字（可选）

云计算、大数据、人工智能、区块链等前沿概念，都属于算力的应用。换言之，和信息技术有关的一切，都可以笼统称为算力领域。

我们还需要注意，芯片是算力的核心，而安装了芯片的手机、手表、PC等终端，以及服务器等设备，是算力的载体。拥有大量服务器的数据中心，还有计算集群，我们也可以称为算力平台。它们就是算力的主要存在形式。

█算力的价值

算力的作用，是完成计算任务。

大家都知道，计算机硬件系统的运转，以及程序软件的执行，是由无数个计算任务支撑起来的。因此，芯片所提供的算力，就是整个系统正常工作的动力来源。

信息技术经过多年的普及，已经遍布我们工作和生活的各个角落。各种各样的IT系统，支撑着整个社会的发展。算力支撑了所有的IT系统，而IT系统支撑了整个社会。从这个角度来说，将算力誉为社会发展的基石，也不为过。

添加图片注释，不超过 140 字（可选）

在生活方面，我们的衣食住行、娱乐休闲，离不开手机，也离不开移动互联网。我们的手机是里面的芯片在提供算力，这样才有丰富的功能，流畅的速度。

我们访问的数字电商，玩的网络游戏，看的电影视频，都是基于互联网服务提供商的服务。这些服务都构建在数据中心和服务器上，也是芯片在提供算力。算力越强，服务体验就越好，我们的生活才会更方便，也更快乐。

在工作方面，现在各行各业都在推动数字化转型，将先进的IT技术和通信技术与传统行业相结合。

数字化是信息化的进一步延伸。以往的信息化，只是在一些特定的业务上引入IT技术。而数字化，是面向整个企业的改造。包括组织架构、业务流程、商业模式和工作场景，都是数字化转型改造的对象。

数字化的目的，是提升生产效率，降低成本，增强企业的综合竞争力。

无论是信息化，还是数字化，背后都是算力在进行驱动。算力越强，系统的能力就越强，带来的改进就越大，收益越多。

添加图片注释，不超过 140 字（可选）

部分企业，已经在信息化和数字化的基础上，向智能化的方向发展。这样带来的效率提升就会更大，形成“代差”级的技术优势。在未来日益激烈的市场竞争中，这种优势可以决定企业的生死。

现在行业里比较流行一种说法，将所有的商业模式，都向“挖掘数据价值”的方向靠拢。

数据被视为最宝贵的资源，是一座富矿。而算力则被视为是挖这座矿的工具。通过算力对数据进行处理，就能挖掘巨大的数据价值，创造财富。

添加图片注释，不超过 140 字（可选）

挖掘数据价值的过程，被细分为产生数据、传输数据、存储数据和计算数据等四个环节。算力（信息技术）和联接力（通信技术），相互协作，可以完成这一过程：

首先，我们通过传感器、摄像头等设备，采集物理世界的信息，将其转换成数字比特。然后，再通过5G、Wi-Fi、光纤等通信技术，对其进行传输搬运。这些数字比特被保存在硬盘等存储介质中，然后交给芯片进行计算。计算得出的结果，又被应用于决策和控制。

在人工智能技术的加持下，做出决策和进行控制的主角，甚至可能不再是我们人类，而是AI智能体。

看明白了吧，算力的作用，在数据价值挖掘的过程中显露无疑。没有强大的算力，你就完成不了这项工作。

算力的重要价值，也体现在国家竞争力层面。

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。

毫不夸张地说，算力已经成为国家竞争力的一个重要组成部分。

█算力的分类

算力服务于整个社会。而社会对算力的需求是存在差异的。这些算力需求，既有来自消费领域的（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。

如今，我们将算力分为三大类，分别是通用算力、智能算力以及超算算力。

添加图片注释，不超过 140 字（可选）

通用算力以CPU（Central Processing Unit，中央处理器）输出的计算能力为主。CPU内部有指令集，对运算进行指导和优化，确保了CPU的可靠运行。

按指令集架构的不同，CPU可以分为x86架构与非x86 架构。X86架构大家都比较熟悉，是英特尔（Intel）公司首先开发并长期主导的，具有比较好的生态，市场占有率也比较高。非x86架构的类型比较多，这些年崛起速度很快，主要有ARM、MIPS、Power、RISC-V、Alpha等。

智能算力以GPU（Graphics Processing Unit，图形处理器）、FPGA（Field ProgrammableGate Array，现场可编程逻辑门阵列）、AI（Artificial lntelligence，人工智能）芯片等输出的计算能力为主。尤其是GPU，目前可以说是炙手可热，一卡难求。

超算算力，则是以超级计算机输出的计算能力为主。它利用并行工作的多台计算机系统的集中式计算资源，并通过专用的操作系统来处理极端复杂的或数据密集型的问题，主要应用于尖端科研、国防军工等领域，价格极为昂贵，但性能也极为强劲。

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，分别是：

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：即人工智能计算，包括：机器学习、深度学习、数据分析等。

添加图片注释，不超过 140 字（可选）

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。

智能计算这几年非常火，是全社会重点关注的发展方向。在AIGC大模型的带动下，各个行业都在大力发展智能计算，对智能产生了极大需求。

我们平常提到的数据中心，根据算力类型的不同，通常分为通用数据中心、智能中心和超算中心。

添加图片注释，不超过 140 字（可选）

大家平时主要使用的互联网服务，来自通用数据中心。智算中心是专门进行智能计算的数据中心。超算中心专门承担各种大规模科学计算和工程计算任务，放的都是“天河一号”这样的超级计算机。

在算力单元上，现在根据任务分工的不同，也有了更细的划分。除了刚才提到的CPU、GPU之外，这几年陆续出现了TPU、NPU和DPU等，也是有特定计算任务的专用计算单元。

█算力的趋势

算力和联接力是数字生产力的重要组成部分。这些年来，随着信息化、数字化和智能化的不断深入，整个社会对算力产生了强烈的需求。

在需求的推动下，算力的发展也出现了以下几个趋势：

算力需求持续增长

万物智联时代的到来，大量智能物联网终端的引入，行业数字化转型的推进，加上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。

想要满足这样庞大的算力需求，需要向以下几个方面努力。

首先，不断提升芯片本身的制程，集成更多的晶体管，提升芯片单点算力。经过几十年的发展，摩尔定律目前已经逐渐走向物理瓶颈，芯片工艺制程逼近1nm，后续可以提升的空间十分有限，付出的代价也会更大。

其次，建设大量的算力基础设施，例如数据中心等。通过规模化，满足全社会的算力需求。

最后，通过东数西算和算力网络等新的算力服务模式，加强算力的有效利用率，以此适当缓解算力需求增长的压力。

算力类型加速转变

前文介绍算力分类的时候，提到算力分为通用算力、智算算力和超算算力三种类型。

事实上，这种分类是最近几年才开始逐渐形成的。通用算力在算力需求中占主导地位。但是，现在随着AIGC大模型等人工智能技术的飞速发展，智算算力的占比开始迅速攀升。

根据中国信通院发布的《中国综合算力指数（2023年）》显示，在目前算力规模中，通用算力规模占比达74%；智能算力规模占比达25%。智算算力虽然占比仍少于通用算力，但增速极快，同比上年增加了45%。这一增速也比总体算力增速更高。

换言之，AIGC大模型的发展，显著推动了智算算力的需求。算力领域的整体架构正在发生变化，智能算力需求正呈现爆发式增长态势。

这也意味着，在后续的算力基础设施建设中，智算中心的建设比例将显著增加。智算产业的发展也将进入一个黄金发展期。

算力服务泛在流动

早期的大型机时代，算力以集中化的方式提供服务。PC出现后，算力开始进入用户侧。上世纪90年代手机和互联网的流行，打破了算力的空间固定，开始“移动”起来。

在移动芯片的不断迭代升级下，用户手机终端的算力不断增长，几乎可以和PC芯片相提并论。

另一方面，基于5G、Wi-Fi等移动通信技术的发展，万物开始互联。终端的类型开始变得越来越多，并且也都具备或大或小的算力，具备端计算的能力。

云计算崛起之后，算力开始云化，分布化。边缘计算出现，算力还从云端下沉到通信网络的各个层级。

添加图片注释，不超过 140 字（可选）

这一切，都标志着算力开始流动，遍布于云管端的各个角落。这就是算力泛在化。

刚才提到的算力网络，其实也是算力泛在化的一种体现。

算力设施绿色低碳

算力支撑了整个社会的发展，但是，它所带来的能耗问题，也日益显现。

根据数据显示，2021年全国数据中心总用电量为2166亿千瓦时，占全国总用电量的2.6%，相当于2个三峡水电站的年发电量，1.8个北京地区的总用电量。

如此恐怖的耗电量，对我们实现“双碳”目标造成了很大压力，也严重影响了世界经济的可持续发展。于是，想方设法降低算力的能耗，成为整个行业的重点研究方向。

算力的绿色低碳，有很多种实现途径。通过基础理论研究、材料工艺升级、研发技术创新，对算力基础设施进行功耗控制和改良，是从源头上进行节能减排的最有效手段。

添加图片注释，不超过 140 字（可选）

除此之外，提高可再生能源的占比，减少化石能源的使用，也是算力绿色发展的关键。

目前，在算力的各个环节进行节能减排研究，已经取得了初步成果。算力的绿色化发展，整体前景比较非常乐观。

根据《绿色发展2030》报告的预测，到2030年，全球数字基础设施能效将提升100倍，可再生能源发电量占比超50%，行业数字化渗透率达到50%。

新型算力的探索加速

算力需求的不断增长，对传统半导体芯片技术形成了巨大压力。半导体制程进入瓶颈后，越来越多的专家开始研究新的算力技术理论，例如量子计算、光计算、类脑计算等。

量子计算通过利用量子叠加态和量子纠缠态，具有超越经典计算机的计算能力。光子计算（也称为光学计算）是一种利用光波进行数据处理、数据存储或数据通信的计算方式。而类脑计算通过模拟大脑的神经网络和突触连接，实现了智能的学习和决策能力。

这些新型的算力领域目前都处于研究阶段，取得了一些成果，但也面临着不少困难。

一旦在这些领域有了真正的突破，传统的算力框架将被彻底颠覆，人类社会又将进入一个全新的发展阶段。

好啦，以上就是今天文章的全部内容。感谢大家的耐心阅读！

【以上信息由艾博检测整理发布，如有出入请及时指正，如有引用请注明出处，欢迎一起讨论，我们一直在关注其发展！专注：CCC/SRRC/CTA/运营商入库】

审核编辑 黄宇