作者｜視聯戰略研究院

隨著一年多前ChatGPT的出現引爆人工智能（AI）浪潮，支撐大模型背后的“算力”概念突然闖進我們的視野，成為科技圈炙手可熱的新詞，引領著最新潮流。作為數字經濟時代新生產力，也許不少人知道算力有許多種，但能準確區分且明了其中細微區別的人恐怕為數不多。

那么下面，我們就談一談算力的種類和中間的區別。

“通用算力、超算算力和智算算力”，算力之間大不同一般而言，根據應用場景和計算特性，業界通常將算力分為“通用算力”“超算算力”和“智算算力”三大類，三種算力彼此區別，但又存在內在聯系。

通用算力，一般指基于CPU的計算能力，設計用于處理廣泛的計算任務；超算算力，通常指高性能計算（HPC），使用超級計算機進行大規模的數值和科學計算；智算算力，則專門用于人工智能和機器學習任務的計算能力，通常由GPU、TPU等專用硬件提供。從共性方面看，三種算力存在以下三大共同特點：

• 一是計算能力上，無論是通用算力、超算算力還是智算算力，它們都提供計算能力，用于處理數據和執行計算任務。
• 二是技術基礎上，它們都依賴于硬件設備（如CPU、GPU、ASIC等）來實現其計算功能。
• 三是應用范圍上，各類算力都廣泛應用于多種行業和應用，對科學研究、工業生產、商業決策等都有重要作用。

從差異上看，三者在特點和應用場景上存在較大差異，如下圖所示：總的看，每種算力的設計和優化都針對其特定的使用場景，而隨著技術的發展，算力的邊界也在不斷模糊，例如，現代的CPU和GPU都開始集成一些專用于AI計算的功能。此外，隨著云計算的發展，算力也可以作為一種服務（算力即服務）提供給用戶，這進一步擴展了它們的應用范圍和靈活性。

各類算力面臨的共性問題和共同挑戰

當下，算力正加速與數字經濟和實體經濟融合，在經濟社會發展領域不斷發揮重要作用，然而從實際效用角度看，囿于網絡傳輸等因素，上述三類算力均面臨不小的共性問題和共同挑戰：

（一）實時性挑戰：對于需要實時處理的應用場景（如工業控制、能源管理等），網絡的實時性至關重要。如果網絡無法提供足夠的實時性，將直接影響這些算力的性能和可靠性。

（二）帶寬限制：通用算力和智算算力在處理大量數據時，如視頻流處理或AI模型訓練，需要高帶寬以支持數據的快速傳輸。帶寬限制會導致數據傳輸緩慢，影響算力資源的利用效率。

（三）延遲問題：超算算力在執行復雜計算時對延遲非常敏感。高延遲會導致計算任務的完成時間延長，影響整體的計算效率。例如，超算互聯網的建設就需要網絡具有極低的延遲。

（四）算力效率問題：算力效率不僅取決于單芯片算力，算內網、廣域網傳輸效率也將決定有效算力比例，將極大影響整體算力效率，甚至是算力網建設成效。

（五）算力成本問題：網絡傳輸問題會增加算力使用的成本，因為低效的傳輸可能導致算力資源的浪費和額外的時間成本。

（六）網絡安全與隱私保護：網絡傳輸的安全性直接關系到算力網絡中數據的保密性和完整性。任何安全漏洞都可能導致數據泄露或被篡改，影響算力服務的可靠性和用戶的信任。

（七）算力調度困難：由于算力資源的分布可能非常廣泛，有效的算力調度需要網絡的支持。網絡傳輸問題，如帶寬波動和延遲不確定性，會增加算力調度的復雜性，降低資源利用率。

（八）技術標準與互操作性：不同算力中心之間的網絡互操作性問題會影響算力資源的整合和調度，需要統一的技術標準來解決這一問題。