算力
出自 MBA智库百科(https://wiki.mbalib.com/)
算力（HashRate）
目錄 |
算力（HashRate）又稱“哈希率”。是比特幣網路處理能力的度量單位。即為電腦（CPU）計算哈希函數輸出的速度。比特幣網路必須為了安全目的而進行密集的數學和加密相關操作。 例如，當網路達到10Th/s的哈希率時，意味著它可以每秒進行10萬億次計算。在通過“挖礦”得到比特幣的過程中，我們需要找到其相應的解m，而對於任何一個六十四位的哈希值，要找到其解m，都沒有固定演算法，只能靠電腦隨機的hash碰撞，而一個挖礦機每秒鐘能做多少次hash碰撞，就是其“算力”的代表，單位寫成hash/s,這就是所謂工作量證明機制POW(Proof Of Work)。
簡單來說算力就是數據的計算能力。從日常生活中的極端天氣預報、線上打車調度、外賣下單撮合、影視特效製作……到國家科研生產中的火箭軌道計算、大飛機飛行模擬、基因測序、宇宙演化模擬??都離不開算力的支持，正所謂“一切皆計算”。“一切皆計算”是數字經濟的底層邏輯，數字經濟的任何發展都建立在優化的演算法和強大的計算速度上。演算法和速度合成了所謂的計算力：將計算力融入企業，成就了數字化轉型；將計算力融入智慧應用，成就了人工智慧；將計算力結合大數據，成就了雲計算；將計算力結合非對稱加密演算法，成就了區塊鏈……[1]
通常，我們將算力分為兩大類，分別是通用算力和專用算力。
大家應該都聽說過，負責輸出算力的晶元，就有分為通用晶元和專用晶元。像x86這樣的CPU處理器晶元，就是通用晶元。它們能完成的算力任務是多樣化的，靈活的，但是功耗更高。而專用晶元，主要是指FPGA和ASIC。
- FPGA，是可編程集成電路。它可以通過硬體編程來改變內部晶元的邏輯結構，但軟體是深度定製的，執行專門任務。
- ASIC，是專用集成電路。顧名思義，它是為專業用途而定製的晶元，其絕大部分軟體演算法都固化於矽片。
ASIC能完成特定的運算功能，作用比較單一，不過能耗很低。FPGA，介於通用晶元和ASIC之間。
以比特幣挖礦為例
以前，人們都是用PC（x86通用晶元）挖礦，後來越挖難度越大，算力不夠。於是，開始使用顯卡（GPU）去挖礦。再後來，顯卡的能耗太高，挖出來的幣值還抵不上電費，就開始採用FPGA和ASIC集群陣列挖礦。
在數據中心里，也對算力任務進行了對應劃分，分為基礎通用計算，以及HPC高性能計算（High-performance computing）。
HPC計算，又繼續細分為三類：科學計算類：物理化學、氣象環保、生命科學、石油勘探、天文探測等。
科學計算和工程計算大家應該都聽說過，這些專業科研領域的數據產生量很大，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，原始數據往往超過100TB，甚至可能超過1個PB。如此巨大的數據量，需要海量的算力進行支撐。
算力的組成部分[2]
算力包括四個部分：
一是系統平臺，用來存儲和運算大數據；
二是中樞系統，用來協調數據和業務系統，直接體現著治理能力；
三是場景，用來協同跨部門合作的運用；
四是數據駕駛艙，直接體現數據治理能力和運用能力。
可見，算力作為大數據運算程式的能力，是多個功能運用所形成環世界的融合與累加。
- 1 kH / s =每秒1,000哈希
- 1 MH / s =每秒1,000,000次哈希。
- 1 GH / s =每秒1,000,000,000次哈希。
- 1 TH / s =每秒1,000,000,000,000次哈希。
- 1 PH / s =每秒1,000,000,000,000,000次哈希。
- 1 EH / s =每秒1,000,000,000,000,000,000次哈希。
算力為大數據的發展提供堅實的基礎保障，大數據的爆髮式增長，給現有算力提出了巨大挑戰。互聯網時代的大數據高速積累，全球數據總量幾何式增長，現有的計算能力已經不能滿足需求。據 IDC報告，全球信息數據90% 產生於最近幾年。
並且到2020年，40% 左右的信息會被雲計算服務商收存，其中1/3 的數據具有價值。因此算力的發展迫在眉睫，否則將會極大束縛人工智慧的發展應用。我國在算力、演算法方面與世界先進水平有較大差距。算力的核心在晶元。因此需要在算力領域加大研發投入，縮小甚至趕超與世界發達國家差距。
大數據是人工智慧發展的基礎保障，是人工智慧這台機器高速運轉的燃料。沒有大數據的支撐，人工智慧就沒有了燃料，談不上發展。算力是人工智慧發展的技術保障，是人工智慧發展的動力和引擎。二者都是人工智慧密不可分的一部分。反過來，人工智慧的發展和應用又會反過來提升大數據和算力的技術革新，提高大數據和算力的水平。三者相輔相成，融合發展，才是未來信息時代發展的潮流趨勢。大家都非常熟悉 AlphaGo，之所以能戰勝棋類頂尖高手，除了人工智慧的深度學習 技術之外，大數據提供的一千多萬棋譜才是它持續進步乃至幾乎無懈可擊的根源。在深度學習應用到人臉識別 之前，基於大數據的識別成功率只有93%，而深度學習和演算法的更新，將人臉識別系統成功率提升到了97% 以上，為人臉識別的商業應用鋪平了道路。
隨著人工智慧、大數據、算力的發展與融合，三者已經有機結合成了一個智能化整體，其內涵和外延趨於多樣化，各個細分領域的應用也豐富疊加，你中有我，我中有你。人工智慧與大數據、算力的區別與界限越來越模糊。現階段，人工智慧和大數據的應用已經滲透到工業、農業、醫學、國防、經濟、教育等各個領域，所產生的商業和社會價值幾乎是無限量的。 雲計算 隨著人工智慧和物聯網的發展應用，也不再局限於存儲和計算，已經成為各個行業發展變革的重要推動力。
總之，算力的發展為大數據發展提供堅實的技術保障，計算力和大數據的發展為人工智慧發展提供技術支撐和基礎原料，是人工智慧突破性進步的核心所在。人工智慧的進步又反過來給算力和大數據提供變革的推手。
AI人工智慧是目前全社會重點關註的發展方向。不管是哪個領域，都在研究人工智慧的應用和落地。
人工智慧的三大核心要素，就是算力、演算法和數據。
AI人工智慧是一個算力大戶，特別“吃”算力。在人工智慧計算中，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。在現實應用中，人們主要用GPU和前面說的專用晶元進行計算。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）數量遠超CPU， 適合把同樣的指令流並行發送到眾核上，採用不同的輸入數據執行，從而完成圖形處理或大數據處理中的海量簡單操作。因此，GPU更合適處理計算密集型、高度並行化的計算任務（例如AI計算）。
這幾年，因為人工智慧計算的需求旺盛，國家還專門建設了很多智算中心，也就是專門進行智能計算的數據中心。
除了智算中心之外，現在還有很多超算中心。超算中心裡面，放的都是“天河一號”這樣的超級電腦，專門承擔各種大規模科學計算和工程計算任務。
我們平時看到的數據中心，基本上都屬於雲計算數據中心。任務比較雜，基礎通用計算和高性能計算都有，也有大量的異構計算（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，所以專用計算晶元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，其實都是專用晶元。
大家現在經常聽說的“算力卸載”，其實不是刪除算力，而是把很多計算任務（例如虛擬化、數據轉發、壓縮存儲、加密解密等），從CPU轉移到NPU、DPU等晶元上，減輕CPU的算力負擔。
近年來，除了基礎通用算力、智能算力、超算算力之外，科學界還出現了前沿算力的概念，主要包括量子計算、光子計算等，值得關註。
2022年6月，上海市通信管理局制定了《新型數據中心“算力浦江”行動計劃（2022-2024年）》，力求通過構建以高性能算力為主的多元算力服務生態體系，依托上海新型互聯網交換中心平臺交換架構的獨特性，先行先試，探索打造中國首個算力交易集中平臺，全面支撐城市數字化轉型，助力上海打造國際數字經濟標桿城市。
