摘要：正确认识和理解算力，除了数字，还要关注精度和实际场景。

今天，数字技术开始深入生产生活的每一环节。

然而要推动数字产业的高水平发展，首先要确保拥有处理巨量数据的能力。随着数据被列入生产要素，算力已成为重要的生产力。根据IDC发布的《2020全球计算力指数评估报告》，一国的算力指数每提高1个百分点，数字经济和GDP将分别增长3.3‰和1.8‰。

数字经济对算力的需求日益增大，加之新基建的东风，作为算力基础设施的数据中心、超算中心、智能计算中心也迈入加速发展阶段。工信部数据显示，截至2020年底，我国在用的数据中心机架超过400万架，年均增速超30%。

算力"突飞猛进"的同时，市场认知却严重滞后。大多数人仍然对算力相关的概念比较陌生——算力如何衡量？不同算力等级间有何区别？算力与应用场景如何匹配？

1.看算力水平，精度比数字重要

超级计算机被誉为"国之重器"，代表国家算力的最高水准，也是一国科技实力的重要体现。理解超级计算机的峰值算力，首先需要知道算力的计量单位FLOPS（Floating-point operations per second）。

FLOPS表示每秒浮点的运算次数。具体使用时，FLOPS前面还会有一个字母常量，例如TFLOPS、PFLOPS。这个字母T、P代表次数，T代表每秒一万亿次，P代表每秒一千万亿次。

除了运算次数，衡量算力水平时还要看算力精度。例如，1000FLOPS的AI计算中心所提供的的算力，与1000FLOPS超级计算机提供的算力，虽然数值相同，但由于精度不同，实际算力水平也是天壤之别。

根据参与运算数据精度的不同，可把算力分为双精度算力（64位，FP64）、单精度算力（32位，FP32）、半精度算力（16位，FP16）及整型算力（INT8、INT4）。数字位数越高，意味着精度越高，能够支持的运算复杂程度就越高，适配的应用场景也就越广。

超级计算机常被用于需要大量运算的工作，譬如天气预报、运算化学、分子模型、天体物理模拟等，是为高精尖科学领域提供极致算力的服务。由于这类科学领域的计算对数据精度要求高，因此通常的超算系统以双精度数值计算为主。

近年来，AI在国内获得快速发展，为匹配AI训练与推理的特殊需求，AI超算系统应运而生。不同于传统超算，AI超算系统大多用于语音、图片或视频的处理，浮点计算下的低精度计算甚至整型计算即可满足相应需求。

要确定不同精度算力的性能，需通过各自领域内的专用测试程序来测试。例如，用于测试超级计算机性能的Linpack测试专注于双精度算力；用于智能计算机性能的Resnet-50则专注于半精度算力。

如果将参与运算的数据比作货物，那么双精度算力就可以看作重型卡车，低精度算力可以看作是小型货车。重型卡车也可以承担小型货车的任务，但功耗过高，会造成浪费。而小型货车由于自身性能限制，无法承担重型卡车的任务。

同样，超级计算机的双精度算力即可以看作是重型卡车，是一种"通用算力"，可以承担各种计算任务；而单精度、低精度算力作为小型货车，则是一种"专用算力"，是专门为AI的训练和推理设计，无法承担超级计算机的计算任务。

"超级计算机设计的目标是为做更复杂的计算，所以即使只是做简单的计算，它的功耗还是很高。"中国科学院计算技术研究所研究员张云泉此前曾对媒体表示，AI计算擅长于推理或训练，但多数不具备高精度数值计算能力，这也限制其在 AI 计算之外的应用场景使用。

2.寻找"有效算力"

随着数字化与千行百业的深度结合，每个行业、每个企业都面临着选择算力的问题。需要注意的是，仅关注理论层面的最高算力并无太大意义，落到实际应用场景里，还需要综合考虑用户应用、成本、算力兼容性等多方面因素，寻找效率更高且经济适用的有效算力。

在选择芯片与算力时，首先需明确应用场景和优先任务。在早期规划阶段，地方政府即需要重视区域内的优势产业、明确数据中心的应用目标。智算中心融合了AI技术与专用算力，在图像分类、自然语言处理、循环翻译等场景下较有优势；超算中心则作为尖端科技领域的强大战力，服务于行星模拟、分子药物设计、基因分析等需要高精度数据处理的领域，应用领域更为广阔。

在追求最佳算力时，成本也是关注重点。一方面，算力基础设施的建设成本极高，在前期规划时，需要关注市场逻辑，重视经济可行性。粤港澳大湾区曾出现过同一地区的两个智能计算中心，同精度算力单价相差近4倍的情况。为避免出现"高价高数值，低能低性价比"的情况，引入算力中心时应重考察算力单价，关注算力的实际效益。

此外，加强算力基础设施的顶层设计和总体规划，倡导开放、多元、兼容的新型算力基础设施，能使基础设施的利用率大幅提升。底层基础设施搭建开放性架构，不仅能够提供多种算力、提升基础设施的易用度和适用度，还能够支撑更加丰富的应用场景，同时赋能社会治理和产业应用。