編者按

算力網絡的概念逐漸深入人心，算力網絡的愿景是“讓算力無處不在，唾手可得”。這個愿景非常的令人向往。

在本篇文章中，我們提到兩個概念：復雜系統和復雜計算。復雜系統指的是多個系統融合而成的宏系統；復雜計算，則是復雜系統的計算范式。

1 從宏觀算力講起

什么是性能？什么是算力？這兩個概念是統一的，性能是微觀的概念，而算力是宏觀的概念。

性能和算力的關系，如下面這個簡化公式：總算力 = 芯片性能 x 芯片數量 x 算力利用率。

這三個參數，也對應了算力優化的微觀、中觀和宏觀的三個層次：

微觀層次，即單芯片的性能，主要是通過工藝進步、Chiplet封裝以及架構和微架構創新來提升。

中觀層次，芯片要能夠支持大規模落地。這里講一個反面案例，由于AI的算法眾多并且快速多變，AI芯片落地存在困難，難以大規模量產。無法量產的芯片，對宏觀算力的提升，沒有多大意義。

最后是宏觀層次，算力的利用率。我們有了這么多芯片，但如果是孤島，有的系統性能不夠用，而大部分系統的算力又嚴重浪費，那就沒有充分利用這些算力資源。有過統計，云計算，算力利用率通常在6%左右，要是有辦法，把算力資源利用率提升到90%以上，這將是非常巨大的價值。要提升利用率，在芯片層面也要做很多的工作，宏觀上也要做很多的工作。

對宏觀算力影響最大最直接的，就是算力的利用率。需要把宏觀的遍布在云網邊端的所有計算的資源，連成一個宏大的資源池，統一調度。

2 從虛擬化到資源池化

按照虛擬化層次，虛擬化分為計算機虛擬化、操作系統虛擬化和函數虛擬化。綜合這三類虛擬化的共性價值：

虛擬化按照一定時間或空間的粒度，把資源切分和組合；

虛擬化屏蔽架構/接口差異性，為上層軟件提供一致性的硬件/軟件；

虛擬化為上層軟件系統提供多種下層資源不同比例組合的運行平臺；

上層軟件系統和下層硬件/軟件系統解耦，上層軟件系統作為運行實體，可以創建/銷毀、運行/掛起、復制、遷移等；

多系統隔離/共存：資源共享的同時，數據隔離、性能隔離、故障隔離、安全隔離；

提升系統靈活性，提升資源利用率，提升硬件負載均衡性，提升軟件高可用性。

以VM為例，假設有100臺服務器，一臺物理的服務器虛擬出10臺VM，1000個邏輯的（或虛擬的）VM分屬于50個不同大小的私有集群（通過VPC）。

多集群多系統動態共存體現在：

硬件集群：供系統調度的一組硬件設備的集合，可以從數臺到數千臺，甚至百萬臺的規模；

軟件多系統：通過虛擬化機制，實現單個硬件上的多個不同規格的軟件系統共存；

軟件多系統集群：一組軟件系統組成軟件集群，多組軟件集群混合交叉部署在一組硬件集群之上；

動態性：宏觀地看，這些硬件集群和軟件集群的配置一直處于頻繁的變更中。

很多加速芯片，專注于特定領域：只考慮局部，而沒有考慮全局。

數據中心硬件是預配置的，購買時不確定運行什么軟件；以不變應萬變，優先考慮足夠通用的、綜合性的硬件。

此外，站在云計算公司的運營管理視角，需要盡可能地減少硬件的型號，最理想情況是：硬件規格是一致性的，只有一種型號的硬件，然后通過虛擬化機制實現“軟件運行平臺”的差異性。

從虛擬化到資源池化：

虛擬化是池化的基礎：虛擬化側重于硬件個體，池化側重宏觀整體；

虛擬化：把資源切分成合適的粒度，再通過虛擬化實例的創建和遷移實現資源的調度；

資源池化的微觀機制是虛擬化，通過云操作系統堆棧，甚至跨云網邊端的操作系統堆棧，實現虛擬化資源的統一管理、使用和回收等；

微觀的虛擬化實現了軟件運行平臺的高可用，宏觀的資源池化實現硬件資源的高利用率；

可被池化的（顯式可見的）底層硬件資源包括CPU、內存、GPU/DSA等加速器、存儲等。

3 復雜系統的宏觀特征

我們先了解一下，復雜計算面向的系統具有哪些宏觀的特征呢？

第一，系統要干什么，不知道。傳統我們做芯片和系統設計，通常是要去理解場景，然后根據場景的需求來設計我們的芯片和系統。現在的挑戰是，場景的需求是完全不確定的，不但芯片公司不了解，客戶自己也“不了解”。未來，需要“無的放矢”。

第二，由于系統要什么不清楚，也因此系統要包羅萬象，啥都能干。

第三，系統干任何事情，都要足夠專業而高效。我們通常說“專業的人做專業的事”。言下之意就是說：專業的人只能做本專業的事情，而通才則意味著在每個領域都不夠高效。那么復雜計算的系統，則要求：既通又專（啥都能干，干啥都高效）。

第四，系統要“三頭六臂”，同時能做好千千萬不同領域和場景、不同客戶訴求的工作。

第五，系統提供的算力等資源無處不在，唾手可得。在用戶最需要的地方，最需要的時刻，隨叫隨到；并且，以最合適的形態，最合適的方式出現；還給用戶創造更多的價值，給用戶更好的體驗。

最后，關鍵的一點，系統要持續演進，適應用戶需求的快速變化。

當然，這并不是說單個芯片的能力能夠支撐如此強大的系統。而是要發揮數以千計萬計的個體芯片協同甚至融合的能力，來共同支撐宏觀大系統的更強大的能力。

4 復雜計算的定義

復雜計算的定義：①基于一組硬件集群，②運行多系統集群的、 ③動態的、 ④交叉混合計算。展開說明：

單個硬件支持多個不同規格系統的計算；

單個硬件集群支持多個系統集群的計算，并且系統集群交叉混布；

數以萬計甚至百萬級的計算設備規模，完全動態的、非常頻繁的軟硬件配置變更；

硬件需要足夠的一致性（盡可能少的型號和規格），在一致性硬件基礎上實現軟件平臺的差異性；

盡可能滿足所有場景的、足夠通用的、綜合性的計算平臺和系統。

5 復雜計算的場景

5.1 從云計算來，到云網邊端去

云計算行業的朋友，看到復雜系統和復雜計算的概念，肯定會說，這不就是云計算嗎？沒錯，復雜計算的確是從云計算的基礎特征中提取出來的。

云計算的這些基礎的特征，在邊緣計算、軟件定義的網絡計算、超級終端計算等場景，都有類似的特征存在。

我們試圖歸納總結這些特征，把它提煉成復雜計算這個概念，用這個概念：

從個體視角看，指導底層的芯片的功能定義和系統架構的設計；

從宏觀視角看，指導宏觀算力資源和其他相關資源的統籌，為全局資源的池化、編排等提供能力支持，并且進一步提升宏觀算力的利用率。

5.2 云計算場景

云計算主要是由IaaS、PaaS和SaaS組成的分層服務體系。云計算的各種XaaS服務，本質上是系統堆棧逐步由云運營商接管的過程。用戶只需要關心自己最核心的應用/功能即可。

5.3 邊緣計算場景

CDN（Content Delivery Network，內容分發網絡）是一種利用最靠近用戶的服務器，更快、更可靠地將音樂、圖片、視頻、應用程序及其他文件發送給用戶，提供高性能、可擴展性及低成本的網絡內容傳遞服務。

邊緣計算和CDN有很多相似之處，均通過DNS修改調用地址，提供類似緩存的機制，做到客戶端無感。

CDN和邊緣計算的本質區別在于：

CDN是只讀模式，不管是服務器推送靜態內容或者動態內容；

邊緣計算同樣需要支持多租戶多系統運行，其系統堆棧跟云端有一定相似（可復用）之處。

5.4 超級終端場景

北京時間2022年9月21凌晨，NVIDIA GTC 2022秋季發布會上，CEO黃仁勛發布了其2024年將推出的自動駕駛芯片。因為其2000TFLOPS的性能過于強大，英偉達索性直接把它全新命名為Thor，代替了之前1000TOPS的Altan。

Thor SoC能夠實現多域計算，它可以為自動駕駛和車載娛樂劃分任務。通常，這些各種類型的功能由分布在車輛各處的數十個控制單元控制。制造商可以利用Thor實現所有功能的融合，來整合整個車輛，而不是依賴這些分布式的ECU/DCU。

超級終端與傳統終端最大的區別在于：支持虛擬化，支持多系統運行，支持微服務。手機、平板、個人電腦等傳統AP是一個系統：部署好OS，上面運行各種應用，軟件附屬于硬件而存在。而自動駕駛等超級終端，需要通過虛擬化將硬件切分成不同規格，供不同形態的多個系統運行，并且各個系統之間需要做到環境、應用、數據、性能、故障、安全等方面的隔離。

自動駕駛汽車，通常需要支持五個主要的功能域，包括：動力域、車身域、自動駕駛域、底盤域、信息娛樂域，每個域會占用一個或多個VM。

5.5 未來，更多的場景需要復雜計算

芯片工藝越來越先進，能支撐的系統規模越來越大；上層的軟件應用，層出不窮，已有的應用持續快速演進。系統從單個系統變成了多個系統混合甚至融合的復雜系統。

系統越來越復雜，支持系統計算的硬件也越來越復雜；復雜的系統越多，需要復雜計算覆蓋的場景也就越多。

6 復雜計算的挑戰

底層計算的資源主要是CPU、內存、網絡和存儲等I/O，以及GPU、DSA等加速器。復雜計算的核心挑戰在于：如何把種類繁多并且架構/接口不一致的資源匯集成池。

個體的硬件，需要支持非常好的擴展性。個體硬件包括各種異構的處理器資源，可以形成小的資源池；并且支持數以萬計的個體資源連成一片，形成更大的資源池。

硬件個體需要支持系統的連接和融合，根據程度的高低，分為四個階段：

階段一，孤島。所有設備各自獨立的工作；

階段二，互聯。把設備連到一起，設備和設備之間可以通信；

階段三，協同。C/S架構是典型的協同；有了協同，也就有了云網邊端。

階段四，融合。協同通常是靜態的，隨著時間推移，初始任務劃分不一定能適應系統的發展；融合代表著動態以及更多自適應性；協同代表著多個系統的協同，而融合代表了多個系統融合成一個大系統。

站在宏觀大系統的視角，云服務器、邊緣服務器、終端設備，以及網絡設備，都是一致性的硬件。通過軟件編排，選擇盡可能最優的資源，組成最適合軟件運行的邏輯平臺。

算力芯片是水滴，算力網絡是海洋。我們要思考的是，這滴水如何設計的更好，更好地融入到這片海洋，讓海洋更加浩瀚宏大。

審核編輯：劉清