文|孙永杰

随着以AI开发和应用为主的智算中心成为中国新基建底座成为政府相关部门及业内的共识，其布局和建设也开始逐渐步入快车道。这之中，既有传统的ICT企业，也不乏新兴的AI初创企业。接下来的是，智算中心如何才能在保证效率的同时，快速发展。

AI多样化挑战，智算需要异构计算力

众所周知，对整个 AI 行业来讲，算法、数据和算力三大基本要素中，数据尤其是海量数据的获取和处理难度在下降，算法也在深度学习模型的基础上不断优化，而负责将数据和深度算法统一协调起来的芯片（决定算力）能否获得大的飞跃，成为市场关注的焦点。

熟悉AI的业内知道，深度学习算法对芯片性能需求主要表现在以下三个方面。

首先是海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备强大的缓存和片上存储能力，而且还需要计算和存储单元之间有较大的通信带宽；其次是专用计算能力需求高。深度学习算法中有大量卷积、残差网络、全连接等特殊计算需要处理，还需要提升运算速度，降低功耗；最后是海量数据自身处理同样也对芯片提出了新的要求，尤其是非结构化数据的增多，对传统芯片结构造成了较大的压力。

以深度学习为例，CPU虽可用，但效率较低。比如在图像处理领域，主要用到的是 CNN（卷积神经网络），在自然语言识别、语音处理等领域，主要用到的是 RNN（循环神经网络），虽然这两种算法模型有着较大的区别，但本质上都是向量和矩阵运算，主要是加法和乘法，辅助一些除法和指数运算。传统 CPU 可用于做上述运算，但是 CPU 还有大量的计算逻辑控制单元，这些单元在 AI 计算中几乎无用武之地，造成了 CPU 在 AI 计算中的性价比较低。

反映到以AI算力为核心的智算中心，则体现在巨量化和多元化的挑战上。

以多元化为例，AI应用引入了新的计算类型，从推理到训练跨度大，同时数据量也从GB到TB、PB不断提升，数据类型从结构化到半结构化、非结构化更加复杂多样。而不同数值精度的计算类型对计算芯片的指令集、架构等要求也不一样，这样就导致之前一直使用的通用CPU和架构效率低下，甚至没有办法满足多元计算场景的要求。

正是因为传统CPU在上述AI 计算上的弱点，给可以实现海量并行计算且能够对进行计算加速的AI芯片留下了市场空间，例如GPU、FPGA以及ASIC（专用芯片）等。

那么问题来了，这些芯片在AI开发和应用中的表现有何异同呢？

据权威报告显示，在AI应用中，CPU 通用性最强，但延迟严重，散热高，效率最低；GPU通用性强、速度快、效率高，特别适合用在深度学习训练方面，但是性能功耗比较低；FPGA 具有低能耗、高性能以及可编程等特性，相对于CPU与GPU 有明显的性能或者能耗优势，但对使用者要求高；ASIC 可以更有针对性地进行硬件层次的优化，从而获得更好的性能、功耗比。但是ASIC芯片的设计和制造需要大量的资金、较长的研发周期和工程周期，而且深度学习算法仍在快速发展，若深度学习算法发生大的变化，FPGA能很快改变架构，适应最新的变化，ASIC类芯片一旦定制则难于进行修改。

从上述我们不难看出，AI芯片可谓各有千秋。当前阶段，GPU配合CPU仍然是AI芯片的主流，而随着视觉、语音、深度学习的算法在FPGA以及ASIC芯片上的不断优化，此两者也将逐步占有更多的市场份额，从而与GPU达成长期共存的局面。

落地到产业AI化、智算中心等大规模AI计算系统建设时，则需要打破传统的计算体系结构设计（采用多种AI芯片的异构来满足不同的AI开发和应用需求）的同时，还要从根本上解决各种类型AI芯片的连接接入标准不同，用户在使用多元AI芯片系统时会遇到系统适配、芯片驱动、互联互通、功耗管理、安全传输、易用性等各类问题，给用户在部署多元AI芯片算力系统时带来的巨大挑战。

而这需要相关企业在硬件和软件技术的创新融合。一方面计算软件将基于对应用需求的拆解进行对硬件能力的适配管理，软件定义的范围和影响力将继续拓展，不仅可实现面向应用的整体系统资源调度和管理，还需针对网络、存储等个性化需求实现软硬解耦和资源灵活配置。另一方面计算硬件将通过与算法和框架等深度融合的专用定制，实现对特定应用需求的支持，最终完成异构之下AI算力的生产、聚合、调度和释放，让数据进去让智慧出来，实现智能计算中心的理想目标。

以浪潮发布新版的AIStation人工智能推理服务平台为例，其已经实现了对英伟达、寒武纪、昆仑芯、高通等6家国际及国内厂商的12款AI和GPU芯片的多元算力支持。

具体到应用，该平台可支持超过1千节点的超大规模人工智能集群调度管理。基于虚拟化、容器化技术简化算力调度过程，帮助用户摆脱在大规模计算集群中进行设备选择、设备适配等繁杂工作，提高调度效率。可实现资源敏捷调配，将资源利用率从40%提高到85%，支持多源模型统一调度，使模型部署上线从2-3天缩短到5分钟，实现业务快速上线。AIStation采用轻量化架构，支持高并发高吞吐，服务响应平均延迟低于1ms，应对突发场景可在几分钟内自动完成服务扩容。

此外，AIStation支持GPU、MLU等芯片的细粒度划分。用户不需要修改模型应用即可实现单张加速卡上同时运行多个应用服务，解决资源浪费问题。在金融业务身份识别场景中，通过AIStation的细粒度切分，一张GPU卡最多能同时运行4个身份识别实例，可将资源利用效率提高2到4倍，大幅提升在线业务处理能力。

通过上述我们可以看到，作为业界首个支持多元AI芯片算力的人工智能服务平台，其不仅支持多元算力，更是充当了实现算力多元化的桥梁。即打通了多元芯片从适配、管理到应用的路径，通过标准化手段打造统一、开放、灵活的多元算力平台，为智算中心建设提供更便捷的算力调度，让AI开发和应用更简单，助力用户充分使用多元算力实现AI技术创新和落地。目前，浪潮AIStation平台还已被多家智算中心成功应用于铁路巡检、保险理赔、金融风控、智能手机、智能汽车等场景，给客户带来了真正的价值。

以保险业为例，随着保险理赔线上化加速，某保险商遇到了计算资源压力大理赔服务的升级，新业务上线需求不断增长两大计算力相关的问题，严重影响了理赔业务处理效率和用户体验。而借助浪潮 AIStation，该保险商很好地解决了 AI 线上理赔业务中计算资源压力大、业务上线周期长等难题，实现了 AI 业务的秒级响应、弹性扩缩容、平滑升级，将理赔系统的自动化程度提升了50%以上，平均理赔时效从过去的2-3天缩短到半小时。

他山之石可攻玉，多样化市场竞争方能激活“鲇鱼效应”

除了上述智算中心发展中的技术挑战需要多元化应对外，从市场竞争层面更是如此。

所谓他山之石可以攻玉。一个新兴产业从起步到发展壮大，均有其共性的一面。

以当下如火如荼的中国新能源汽车产业为例，特斯拉的一骑绝尘，打开了其发展的康庄大道；蔚来、小鹏、理想的羽翼渐丰，令后来者们蠢蠢欲动；比亚迪发力新能源赛道，给予了传统车企转型的信心；宁德时代的实力地位，奠定了中国新能源的基础。在天时地利人和的刺激下，新能源汽车市场目前呈现出百花齐放、百家争鸣的竞争局面。

众所周知，市场参与者越多，创新和市场就越有活力。在中国，至少有15家汽车生产商月销量至少为1000辆，包括现有汽车制造商（比亚迪、北汽、广汽、吉利、上汽、奇瑞、长安、长城、江淮、大众等）和初创企业（蔚来、小鹏、威马、理想）。

与此同时，百花齐放、百家争鸣的汽车产业展现了虹吸效应，拥有巨大的蓝海市场与机会红利，吸引跨界者的狂热入局。参与者们虽一时难论成败，也无法预测未来格局的变化，但大量企业的涌入和竞争，推动了中国智能电动汽车技术的升级、产业的发展，构建起了庞大的汽车生态体系，为中国汽车品牌的崛起打下了坚实的基础，进而引领全球智能电动汽车的风潮。

值得一提是，在中国智能电动汽车的崛起中，曾经严重阻碍市场竞争的“地方保护”主义在不同技术的比拼之下也逐渐被打破，例如上海、北京等城市已经明确引进外地品牌新能源汽车参与市场竞争，上海甚至还对进口电动车开通上牌政策“绿色通道”，激活了市场的“鲶鱼效应”。而这正是“用好用活政策”的价值所在。

正是基于多样化竞争和政策的支持，驱动了中国电动汽车产业的发展，成就了在中国市场如鱼得水的特斯拉，诞生了“蔚小理”等后起之秀，给予了新兴品牌们更多的信心。

据公安部交管局对外公布的统计数据显示，截至2021年3月，中国新能源汽车保有量达551万辆；其中，纯电动汽车保有量449万辆。中国已是世界第一大新能源汽车保有量市场。

与新能源汽车的发展类似，目前智算中心的布局和建设也正开始呈现出百花齐放、百家争鸣的趋势。例如国家信息中心于2020年就发布了《智能计算中心规划建设指南》引导智算中心建设；而今年7月举办的2021算力中心健康发展研讨会则明确了智算中心标准，引导智算中心明确应用场景和优先任务，保证算力资源建设合理、绿色。

尽管不同组织，不同企业牵头势必会导致智算中心在标准、建设和应用等方面的差异性（如同当下新能源汽车领域不同车企不同的技术标准和发展路线），但在我们看来，这恰是智算中心快速发展和保证效率竞争之必须，惟有多样化的竞争，才能大浪淘沙，才能让政府相关部门在智算中心的布局和建设中有比较，摒弃“地方保护”主义，选择适合于自身应用需求的智算中心。

需要说明的是，相关媒体已经发现在智算中心的建设和布局中，出现了价格虚高，对于智算定义混淆等问题，而这正是因为由于多样化的市场竞争，让业内在智算中心的布局和建设中有比较（例如性能、应用、价格等）才得以显现，那么剩下的自然就是大浪淘沙。

选择多样化，智能中心可用性的保障

既然智算已经成为一个产业，那么其发展，除了受到我们前述的技术、市场竞争等因素的影响外，如何布局和建设对于其未来也至关重要，而这无疑就涉及到了供需双方的选择。

如我们前述，技术与市场竞争的多样化，理应让智算中心的布局和建设具备了多样化选择，而鉴于智算中心的基础公共设施的属性，作为需求方的政府相关部门在这其中将起到举足轻重的作用。

那么接下来的挑战则是如何进行多样化的选择？

众所周知，智算中心应秉承开放标准、集约高效、普适普惠三个原则已经成为业内的共识。而在我们看来，这三个原则践行的基础首先应该以可用性为前提，即无论在何种条件下，智算中心都应保持正常和高效的运转，这无疑对于需求方的政府相关部门提出了更高的要求。而这之中如何规避供应链的脆弱性，即选择供应链脆弱性最低企业的智算中心标的是重中之重。

需要说明的是，脆弱性的概念最早来源于对自然环境的研究，自然环境中所有的系统均可能存在不同程度的脆弱性，它已经成为系统安全领域不可或缺的部分。脆弱性概念的普适性很强，目前已经逐渐应用于社会、经济系统的研究，如旅游系统、金融系统、供应链系统等。

具体到供应链系统，其本身就存在高度脆弱性。这是由于供应链本身具有复杂性和不确定性，而这些特性影响了供应链中断的发生概率和程度。加之近几年，经济和政治环境等的重大变化，供应链存在高度的脆弱性大大增加。

基于此，我们认为，政府相关部门在智算中心布局和建设的选项中，首先要秉承多样化选择的原则，并在此基础上，全面衡量供应各方可能存在的供应链脆弱性的风险，以在未来保证智算中心作为基础公共设施的可用性，充分发挥其效率。

其实在我们看来，前述技术层面AI芯片的多元化本身（例如我们前述浪潮发布新版的AIStation推理服务平台对于市场中12款AI异构芯片的插拔式使用的支持和管理）就是降低供应链脆弱性，最大限度保证智算中心可用性和高效在技术及应用层面的最好实践。

写在最后：智算中心作为数字经济和新基建的底座，未来发展的多样化（包括技术、市场竞争、客户选择）应是大势所趋，更应是智算中心布局和建设参与各方求同存异基础上的共识。只有这样，智算中心才能真正做到开放标准、集约高效、普适普惠，为中国的数字经济发挥最大的助推作用。