1.2.3
算力产生的原理

算力的产生一般包括4个部分：一是系统平台，用来存储和运算大数据；二是中枢系统，用来协调数据和业务系统，直接体现治理能力：三是场景，也就是算力的应用领域，既需要算力提供支持，用于数据挖掘，又能产生大量数据反哺算力升级；四是数据驾驶舱，直接体现数据治理能力和运用能力。

与此同时，多元化的场景应用和不断迭代的新计算技术，促使算力不再局限于数据中心，开始扩展到云、网、边、端全场景，计算开始超脱工具属性和物理属性，演进为一种泛在能力，实现蜕变。图1-2呈现了一种由芯片、设备、软件组成的算力架构。

图1-2　算力架构由芯片、设备、软件组成

来源：罗兰贝格

从作用层面上看，伴随人类对计算需求的不断升级，计算在单一的物理工具属性之上逐渐形成了感知能力、自然语言处理能力、思考和判断能力，借助大数据、人工智能、卫星网、光纤网、物联网、云平台、近地通信等一系列数字化软硬件基础设施，以技术、产品的形态，加速渗透进社会生产和生活的各个方面。

正如美国学者尼葛洛庞帝在《数字化生存》一书的序言中所言，“计算，不再只是与计算机有关，它还决定了我们的生存”。算力正日益成为人们社会生活方式的重要因素。

以人工智能的算力为例，它通过计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等），主要应用在训练和推理两个环节，训练需要通过大量的样本数据进行学习，经过训练之后，可以把所学的东西应用于多种任务。它涉及对非常庞大的数据集进行计算，展开密集型矩阵运算，通常以TB到PB为单位，其中TB即太字节，1TB=1024GB；PB即拍字节，1PB=1024TB。谁在接受训练？是神经网络，它是对人类大脑的初步模仿，分为很多不同的层、连接和数据传播的方向，每一层发挥不同的作用，最后输出结论。

计算类芯片的发展是算力的源动力，通用计算芯片领域，CPU、GPU、FPGA是三大主流架构，其中CPU适用于处理复杂、重复性低的串行任务；GPU适合通用并行处理，包括图像处理、通用加速等；FPGA具备可重构特性，根据客户需求灵活定制计算架构，适合于航空航天、车载、工业等细分行业。在专用计算领域，满足人工智能应用计算需求的专用计算芯片成为新的焦点。

主流通用计算芯片持续升级，一方面挖掘传统架构的潜力，比如CPU采用乱序执行、超标量流水线、多级缓存等技术，提升整体性能表现，同时围绕深度学习计算需求，增加专用计算指令；GPU探索高效的图形处理单元、流处理单元和访存存取体系等，并且优化针对人工智能计算的专用逻辑运算单元。在英伟达图灵架构GPU芯片中，内置全新张量计算核心，利用深度学习算法消除低分辨率渲染问题；FPGA不断强化应用功能和软件开发工具等，同时提升异构计算能力，以实现边缘智能等更多场景的规模应用。