在人工智能这片充满无限可能的广袤领域中，算力、算法与数据并称为推动其发展的三大基石。随着大模型技术的日益成熟与广泛应用，算力这一关键要素再次站在了AI舞台的中央，成为业界热议的话题。本文将深入剖析算力的本质，探讨其为何能成为大模型时代的核心驱动力，以飨读者。

什么是算力

大模型技术的爆发式发展，让“算力”再度成为人们视线的焦点。在人工智能发展的广阔图景中，“算力”、“算法”与“数据”并称为AI发展的三大基石。就像汽车启动需要汽油，算力就好比AI时代的黄金燃料，而算法可以看做是AI的大脑，数据则是AI的养分。众所周知，要想训练出一个性能优异的大模型，需要燃烧大量的算力，例如OpenAI的GPT-3模型就使用了10000块GPU进行训练，英伟达创始人黄仁勋更是提出未来“算力即权力”的观点，算力的重要性可见一斑。那么，究竟什么是算力？

算力，即“计算能力”，是指计算系统（如电脑、服务器、数据中心等）处理信息和执行计算的能力，是计算系统硬件和软件配合共同执行某种计算需求的能力。

算力最常用、最为大家所熟悉的衡量指标是 FLOPS ，即每秒浮点运算次数，此外还有IPS（每秒指令数）、TPS（每秒事务数）等。

这里可能很多人表示疑问，浮点运算又是什么？

简单来说， 浮点运算其实就是带小数的加减乘除运算 。例如1.2 + 0.7 就是浮点运算，我们人脑一下就能算出结果是1.9，但对计算机来说这可是一个大难题。为什么？

大家都知道，计算机是以0和1构成的二进制数字进行运算的，例如1在二进制中表示为“01”，2是“10”，3是“11”，因此计算机能够直接表示的数字只有整数，无法表示小数。为了克服这一限制，计算机采用了浮点数的方法来表示实数；浮点指的是小数点的位置漂浮不定，这里不展开讲了，大家可以理解为计算机通过复杂的运算和二进制转化，最终可以用有限的位数来近似表示小数（包括π这样的无理数）。

但这样一来，计算机在处理小数时就多了好几个运算步骤，因此计算机进行浮点运算的速度就成了衡量计算机性能的关键指标，数值越大则代表综合计算能力越强。

算力的常用衡量标准

简单总结下常用的三种算力单位：

FLOPS（浮点运算次数/秒）：

定义：FLOPS是“Floating Point Operations Per Second”的缩写，表示每秒能够执行的浮点运算次数。

应用：主要用于衡量计算系统（如GPU、超级计算机等）在进行科学计算、图形渲染等需要大量浮点运算的场景下的性能。

重要性：在高性能计算、深度学习、人工智能等领域中，FLOPS是衡量硬件计算能力的重要指标。

Tip： 在人工智能领域常用的算力单位是P（PetaFLOPS，Peta表示10的15次方），1P等于每秒可以完成1000万亿次浮点运算。

IPS（指令/秒）：

定义：IPS是“Instructions Per Second”的缩写，表示每秒能够执行的指令数量。

应用：主要用于衡量CPU（中央处理器）的处理速度，反映了CPU在特定时间内能够完成多少条基本指令的执行。

重要性：在需要处理大量复杂指令的应用场景中，如游戏、数据库处理、实时数据分析等，IPS是衡量CPU性能的关键指标。

TPS（事务数|秒）：

定义：TPS是“Transactions Per Second”的缩写，表示系统每秒能够处理的事务数量。

应用：主要用于衡量数据库、服务器、网络应用等系统处理业务请求的能力。

重要性：在需要处理高并发请求的应用场景中，如电商平台、金融系统、社交网络等，TPS是衡量系统性能和稳定性的重要指标。它直接关系到用户体验和系统能否满足业务需求。

据工信部统计，截至2023年底，我国在用数据中心机架总规模超过810万标准机架，算力总规模达230 EFLOPS，即每秒230百亿亿次浮点运算，位居全球第二。预计到2025年，我国算力总规模将突破300EFLOPS。作为算力总规模全球第二的大国，我国始终致力于算力产业的深度布局与战略推进，通过实施“东数西算”工程、构建国家超算互联网等在内的一系列重大举措，持续优化算力资源的空间布局与配置效率，促进算力资源在全国范围内的灵活流动与高效共享。

算力在宏观层面的巨量作用毋庸置疑，那么对于我们个人来说，算力提升有什么价值？举个例子，我们在AI工具中输入一张人像照片，输入指令：让照片中的人动起来，几秒钟AI就能帮我们生成动态视频，不满意还可以重新生成；再比如，我们走进电影院时看到的大片里的酷炫特效，以前渲染一帧特效画面都需要几个小时甚至数天的时间，有了强大的算力支撑，可以将这个渲染时间缩短百倍，所以我们才能如此快速地看到一场酣畅淋漓的特效大片。此外，最近爆火的自动驾驶服务，如何确保车辆在各种复杂场景下都能做出安全、合理的响应，也需要强大的算力支持。算力正在极大地丰富和便捷我们每个人的日常生活体验，促进个人创造力与个性化需求的满足。

算力的分类

基础算力

由基于CPU芯片的服务器所提供的算力，主要用于基础通用计算，如移动计算和物联网等。日常提到的云计算、边缘计算等均属于基础算力。

智能算力

基于 GPU（Graphics Processing Unit，图形处理器）、FPGA（Field ProgrammableGate Array，现场可编程逻辑门阵列）、ASIC（Application Specific Integrated Circuit，专用集成电路）等AI芯片的加速计算平台提供的算力，主要用于人工智能的训练和推理计算，比如语音、图像和视频的处理。

超算算力

由超级计算机等高性能计算集群所提供的算力，主要用于尖端科学领域的计算，比如行星模拟、药物分子设计、基因分析等。

总结一下：基础算力主要用于支撑日常应用，智能算力赋能AI训练与推理，而超算算力则主要用于探索科学未知。

强大充沛的算力能够显著缩短大模型的训练时间，并使得训练更大规模的模型成为可能，此外也支持更强大的数据处理能力；因此，算力是决定大模型训练性能的关键因素之一。

展望未来，随着技术的不断进步和政策的持续推动，算力产业有望迎来更加广阔的发展空间。在不久的将来，算力有可能像电力一样成为社会基础资源的一部分，为人们的生产生活带来更加便捷、高效、智能的体验。与此同时，我们也应正视当前算力行业面临的挑战与问题，以更加坚定、理智的步伐迈向算力时代的新征程。