1 算力由性能、規模和利用率三部分組成

算力 = （單芯片）性能 x 規模（即數量） x 利用率。

算力是由性能、規模、利用率三部分共同組成的，相輔相成，缺一不可：

有的算力芯片，可能可以做到性能狂飆，但較少考慮芯片的通用性易用性，然后芯片銷量不高落地規模小，那就無法做到宏觀算力的真正提升。

有的算力提升方案，重在規模投入，攤大餅有一定作用，但不是解決未來算力需求數量級提升的根本。

有的解決方案，通過各種資源池化和跨不同的邊界算力共享，來提升算力利用率，但改變不了目前算力芯片性能瓶頸的本質。

性能、規模、利用率，宏觀微觀，牽一發而動全身。管中窺豹終有偏，既要考慮多種因素協同設計，更要宏觀的統籌算力問題。

2 最核心的，通過超異構實現芯片性能的數量級提升

一方面，超異構可以通過集成更多的加速引擎來實現相比CPU、GPU的性能的數量級提升，但更多的計算是在DSA架構引擎完成的，從單位晶體管資源的性能效率視角看，是和DSA在一個量級的。

工藝進步、3D封裝、Chiplet封裝等各種創新，支持數量級提升的設計規模。但要想充分利用這些價值，就需要創新的系統架構。超異構計算，通過分布式系統設計，可以駕馭數量級提升的更大的設計規模。因此，可以做到相比傳統DSA再繼續10倍甚至100倍的性能提升。

3 在超異構的約束下，實現規模化落地

3.1 芯片要更好的支持規模化

從微服務的視角，云計算是由不同的服務組成的分層服務體系：每一層就是一個服務族，然后不同層次的服務族組成整個云計算服務體系，這就是我們所熟悉的云計算三層服務IaaS、PaaS和SaaS。

更詳細的軟件堆棧如上圖所示，從非云系統所有的“服務”堆棧都需要用戶自己擁有并維護，經過IaaS、CaaS、PaaS、FaaS，再到最后的SaaS，一切都由供應商運營維護。從左到右的過程，就是“服務”堆棧的下層layer不斷地由云運營商接管的過程。

這是一個鮮明的“二八定律”案例：80%的任務由云運營商負責，20%的任務由用戶負責；站在用戶的角度，20%自己負責的任務價值占到80%，而運營商負責的部分只占到到20%的價值。

因此，基于二八定律，我們可以把整個系統分為三部分：

基礎設施層。基礎設施層的任務都相對確定，適合DSA和ASIC處理引擎處理。

應用層可加速部分任務。基礎設施層是CSP使用，而應用層則是給到用戶應用。用戶的應用多種多樣，因此應用層的加速也需要一定程度的彈性。這樣，GPU和FPGA就相對比較合適。

應用層的不可加速部分。主要是一些通用的處理，如控制以及一些細粒度的計算。協處理器是CPU的一部分。因此，CPU適合各類通用任務處理，CPU負責兜底。

如上圖所示，整個系統的處理有點像塔防游戲：DSA負責干粗活累活，大量的計算任務在DSA中完成；GPU是性能和靈活性折中一些，負責一些彈性加速的計算任務；CPU啥都能干，但性能較差，因此負責兜底，也就是其他處理引擎都干不了的，都放在CPU。

這樣，CPU+GPU+DSA+etc.的超異構計算架構就可以實現“包治百病”的、相對通用的計算架構和平臺，就可以實現在云、網、邊、端等大算力場景以及用戶的絕大部分覆蓋。

更多場景和更多用戶的覆蓋，這樣才能真正實現芯片的規模化落地。芯片的大規模落地之后，又進一步攤薄一次性研發成本，進一步降低成本，形成良性循環。

3.2 宏觀算力建設實現芯片規模化

要想持續不斷地增加算力，不可避免的就是建設更多的數據中心。2022年2月，國家發改委、中央網信辦、工業和信息化部、國家能源局聯合印發通知，同意在京津冀、長三角、粵港澳大灣區、成渝、內蒙古、貴州、甘肅、寧夏等8地啟動建設國家算力樞紐節點，并規劃了10個國家數據中心集群。至此，全國一體化大數據中心體系完成總體布局設計，“東數西算”工程正式全面啟動。

“東數西算”通過構建數據中心、云計算、大數據一體化的新型算力網絡體系，將東部算力需求有序引導到西部，優化數據中心建設布局，促進東西部協同聯動。“東數西算”工程有三個總體思路：一是推動全國數據中心適度集聚、集約發展。通過在全國布局8個算力樞紐，引導大型、超大型數據中心向樞紐內集聚，形成數據中心集群。二是促進數據中心由東向西梯次布局、統籌發展。三是實現“東數西算”循序漸進、快速迭代。

除了大型云數據中心建設之外，也需要更多的邊緣數據中心和服務器、更多的超高算力的智慧終端，以及更智慧的網絡核心設備，來共同提升宏觀總算力。

4 在超異構的約束下，提升算力利用率

4.1 提升算力利用率的手段

云計算出現之前，部署一套互聯網系統，一般有兩種方式：小規模的時候，自己購買物理的服務器，然后租用運營商的機房；超過一定規模的時候，就需要自己建機房，租用運營商的網絡，自己運維數據中心的軟件和硬件。這個時候的算力資源是一個個孤島，整個業務的模式也非常之重，成本很高而且彈性不足。如果算力資源配置比較多，就意味著資源浪費和利用率低；如果算力資源配置比較少，就意味著無法支撐業務的發展，丟失關鍵的商業機會。

云計算通過互聯網按需提供IT資源，并且采用按使用量付費的方式。用戶可以根據需要從云服務商那里獲得技術服務，例如計算能力、存儲和數據庫，而無需購買、擁有和維護物理數據中心及服務器。云服務使用多少支付多少，可以幫助用戶降低運維成本，用戶可以根據業務需求的變化快速調整服務的使用。

其他如基于分布式云的邊緣計算、跨不同云廠家的MSP、算力網絡以及云網邊端融合等，都是盡可能的把算力資源整合成一個巨大的資源池，然后可以靈活的根據各種完全動態變化的需求來提供合適的算力。

我們分析一下，要想提升算力利用率，肯定不能是算力的孤島：

第一個階段，所有的設備是孤島，各自要實現各自的所有功能。軟件應用也是單機版，算力利用率很低，應用的規模受單個硬件規格的限制；

第二階段，有了互聯網。不同的設備可以進行協作。可以通過C/S架構實現跨設備的軟件應用協作。這樣，應用的規模就突破了單個設備的約束。

第三階段，所有的算力資源形成一個整體。可以自動的、任意的切分算力資源。軟件也升級成了MicroService架構。這樣可以根據設備的規格大小，運行合適大小合適數量的微服務。只有資源形成巨大的資源池，然后通過各種運營管理，才能真正提高算力的利用率。

4.2 芯片視角看算力利用率

資源池化是提升算力利用率的根本途徑，但資源要想池化，對硬件有很高的要求：

不同設備架構/接口一致。比如CPU等引擎架構一致（比如都是x86架構平臺），那么軟件可以運行在任何一個設備上，硬件也可以支持各種不同的軟件運行。比如NVMe SSD，可以被不同的用戶訪問，也可以同時或分時地支持多種用戶的工作。

支持虛擬化。一方面是資源粒度的問題，另一方面是資源自由和動態分配的問題，都可以通過虛擬化技術解決。虛擬化還可以實現不同架構/接口的抽象，屏蔽硬件差異。

通常，算力的平臺都是CPU，而且目前x86架構CPU占據了絕大部分市場份額，并且x86 CPU對虛擬化的支持也非常的好。CPU對資源池化的支持，或者說對算力更高利用率的支持，是相當的友好。

但是，隨著性能需求越來越高，不得不通過超異構計算來數量級提升算力的時候，問題出現了。在超異構的架構下，如何實現更高的靈活性，如何實現更高的擴展性，如何實現各類資源的輕松便捷地池化和共享，則是一個全新的挑戰：

處理引擎要支持虛擬化和高可擴展性；

軟件可以跨不同廠家的、不同架構處理引擎；

軟件可以跨跨CPU、GPU、DSA等不同類型處理引擎；

軟件可以跨云網邊端。

5 展望，云網邊端大融合

在虛擬化的加持下，軟件可以實現完全高可用：軟件可以脫離硬件實體，隨意的尋找合適的平臺運行，自適應的在云、網、邊、端運行。

隨著CPU的性能瓶頸，I/O虛擬化技術完全硬件化的情況下，硬件接口直接暴露給軟件，這就需要云數據中心內部，以及跨云邊端的硬件平臺一致性。

要想實現跨云網邊端、跨不同廠家的芯片平臺、跨不同類型不同架構的處理引擎，就需要芯片、系統、框架和庫、以及上層應用的多方協同，就需要開源開放的超異構計算生態。

萬物互聯，當所有的設備算力資源匯集成一個大的共享資源池，算力資源將取之不盡用之不竭。

審核編輯：劉清