當今，“算力”越來越成為科技進步、經濟社會發展的底座，但“算力”并非千篇一律。
20世紀60年代，為解決大規模數值計算、仿真模擬等科學工程計算問題，超級計算中心應運而生，至今仍以大國重器的形象為諸多行業提供科學計算服務。
21世紀前10年，互聯網信息服務、高并發訪問等網絡計算與數據存儲所寄的云計算中心開始落地，各大公有云平臺拔地而起、攻城略地。
近10年來，人工智能（AI）計算中心開始出現，主要用來處理影像、語音、自然語言等識別問題，綜合應用多種技術實現推理、訓練模型開發。
這三類計算中心，雖然各自特點鮮明、用途有異，但超算與AI計算、云計算與超算、AI計算與云計算“我中有你、你中有我”的情形并不鮮見，相互之間的界限逐漸模糊。然而，隨之而來的以偏概全、以此代彼的亂象，竟逐漸成了一些地方建設算力中心的“糊涂賬”。
亂象源于缺乏相應測試標準
城市應該建設什么樣的算力中心？如何推動算力中心健康發展？近日，在一場以“數智創新，算力賦能”為主題的2021算力中心健康發展研討會上，中國工程院院士鄭緯民等業內學者從不同角度提供了意見參考。
中國計算機學會高性能計算專家委員會秘書長、中國科學院計算技術研究所研究員張云泉在發言時提到，此前，某市建設了AI計算中心，號稱算力是超級計算機的數萬倍。“‘花錢少、算力高’這種不規范、不專業的對比讓業內人士很反感。”
張云泉說， AI計算中心很熱門，但如何引導其健康發展，“是當下行業面臨的一個重要議題”。
國家信息中心2020年12月發布了《智能計算中心規劃建設指南》，定義“智能計算中心”是基于最新AI理論，采用領先AI計算架構，提供AI應用所需算力服務、數據服務和算法服務的公共算力新型基礎設施。
“自從AI成為‘新基建’，各地政府爭先恐后，出錢建設AI計算中心，但總的來說，應用還不是太明確。”鄭緯民在上述研討會上說，無論超算中心還是AI計算中心，最重要的是應用匹配。“當前最應該做的事，不是以新基建之名攛掇政府建設算力中心，而是要真正做出來幾個實際應用。”
這代表了業界務實的態度。中國科學院數學與系統科學研究院研究員張林波也提出，很贊同各類算力中心應該各自發揮所長，做最適合的事情。但他話鋒一轉：“AI計算現在有點咄咄逼人，好多人甚至覺得AI計算能夠取代傳統的科學計算。”
“這是宣傳不當引起的概念混淆。”張云泉認為，在高性能計算（HPC）、云、AI融合發展的趨勢下，要清晰界定三類算力中心各自的內涵與外延，以及它們之間的相互關系，明晰不同計算精度算力與不同應用之間的匹配。
對算力概念的混淆曾鬧出過啼笑皆非的事。一次，張云泉向某學會領導匯報HPC的研制，不料卻遭到“批評”：“現在都什么時代了，你還在談高性能計算，太過時了。”
概念混淆之后緊跟著的是價格亂象。一般而言，算力配置不同會導致造價迥異——即使同等算力，不同的CPU主頻、帶寬及時延要求也會讓機器造價差別巨大，但一些廠商拿AI計算中心“花錢少、算力高”作為賣點吆喝，就不屬此類了。
道理很簡單：同樣一個對外標稱100P的算力中心，用建設AI計算中心的預算一定造不出超算中心的效果。
“概念混淆、價格混亂的主要原因是沒有對應的測試標準，孰好孰壞一測就知道了。”張云泉建議，要在行業中推行與AI計算平臺相適應的標準。
清華大學教授陳文光與張云泉在2020年推出了相應的AIperf測試標準，并致力于將其國際化。但他坦言：“推出一個國際化的測試標準是很有難度的，后續還要努力。
“蠻算”的AI計算
在實際應用中，傳統超算最適合用于科學和工程計算，這類計算有可計算模型，可以發展有很高精度的算法，計算結果精度也非常高。但有些問題是科學計算力不能及的，如缺乏數學模型的問題和超高維問題。這時，以機器學習為代表的AI計算就派上了用場。
不過，張林波介紹，機器學習等是一種類似統計的方法，與科學計算相比其結果精度不高。另外，AI計算還有穩定性問題、模型泛化受限等問題。
他舉例說，在新冠肺炎疫情暴發之初，許多人一窩蜂地用肺部影像識別來鑒定新冠病毒感染，發了很多論文，但后來發現這些論文的結論幾乎沒有可用的。
“圖像識別是機器學習最擅長的領域，發生上述情況的原因可能是訓練數據太小或是機理不清，但或許這才是AI計算要去深究的，比如摸清機理后設計更先進的算法等。”基于現階段AI計算機的作用，張林波認為現在的“人工智能計算”簡稱為“智能計算”或“智算”有點誤導人——“這樣的AI計算并不‘智能’。”
“沒有知識庫、沒有邏輯處理能力，當我們搞不清楚某問題的機理時，拿一個神經網絡靠機器的規模去模仿它，這不叫‘智算’，叫‘蠻算’。”張林波說。
國家氣象信息中心副總工程師沈文海對此產生了共鳴。他提出，氣象部門也在做AI應用方面的探索，但都是各自為戰——圍繞某個痛點，如AI識別云圖、臺風規模和路徑等，把數據拿來、接入計算資源、識別一番，確實有點“傻算”“蠻算”意味。
“我們缺乏一個長期計劃或整個氣象部門的AI規劃。”沈文海認為，長此以往就有很大的弊端，一是沒有對機理成因方面的探討，二是低水平重復。
“制定一個覆蓋整個氣象部門的AI應用發展規劃，確實很有難度，并且這會引發對算力中心的新需求。”沈文海說。
融合發展仍是趨勢
對算力中心提出新需求的，還有時下熱門的數字孿生。
數字孿生是機器學習領域非常重要的研究方向之一。在借由大量傳感器將物理世界數字化、虛擬化的數字孿生世界里，AI可以做的事情很多，包括預測物理世界未來如何進一步演進、衍生。
中國科學院半導體技術研究所研究員李衛軍說，數字孿生“絕對需要超大的一個計算系統”，因為它不僅需要包含神經網絡計算，也需要很多邏輯計算。“這是一個大型的邏輯計算與抽象思維相結合的應用場景”。
從本質上來說，高性能計算和AI計算都是在模擬人的智能：前者模擬人的邏輯計算能力，后者模擬的是人的抽象思維。只不過，超級計算機現在在邏輯計算方面比人的計算能力強億萬倍，而AI計算機目前卻只能用深度神經網絡來獲得一個近似的結果。
顯然，兩種不同的能力也不能用同一種標準評價孰好孰壞。
李衛軍認為，將來數字孿生要發展，需要傳統超算與AI計算實現融合，這是邏輯計算和抽象思維的一種融合，雖然它需要怎樣的計算結構和算法目前還不得而知。
在HPC和AI融合發展的道路上，排在全球超算TOP500榜單前列的“大機器”先走一步。
日本“富岳”超級計算機（Fugaku）和美國“頂點”（Summit）不僅科學計算能力出眾，而且能支撐大規模的AI計算（如圖計算）需求。這緣于它們的異構架構——高性能CPU支撐其高精度浮點計算性能，大量加速芯片支撐深度學習應用。它們作為世界上最先進的計算機，多少代表著未來計算融合發展的方向。
但看似矛盾的是，AI與HPC的“分化”也是最近的事情。
張云泉介紹說，自從巨參數模型（如GPT模型）誕生以來，其算力需求對于現存的超級計算機是“致命的”——我國七八家國家級超算中心，都不具備解決千億乃至萬億級模型參數計算的能力，這直接導致AI計算的架構和概念獨立出來。
事實上，巨模型的計算問題，無論對超算更是AI計算都提出了巨大挑戰。張云泉認為，這意味著未來超級計算機的架構和形態還要繼續演化。
陳文光認為，AI應用特別是基于巨模型的應用對網絡、I/O能力等的要求非常高，從融合發展的方向看，這些應用的特殊要求反過來會影響HPC的設計，比如對帶寬的要求和I/O的設計會有一些促進。
另外，陳文光提到，還應重視混合精度算力的發展。比如，AI算力的單精度性能高，就可以先用它解決一些低精度計算的問題，然后再拿到高性能計算機上完成高精度的計算要求，從而提升算力資源整體的性能和性價比。據透露，目前混合精度算力已被寫入計算領域“十四五”規劃相關的指南文件中。
自底向上來看，算力中心能提供何種計算能力，從根本上取決于芯片。比如AI芯片嚴格意義上屬于專用芯片，那么國內一些以AI芯片為主的計算機，就注定無法勝任科學計算任務。
從事服務器芯片研發的中國科學院計算技術研究所研究員范東睿介紹說，即便AI芯片也有通用與專用之別，在他看來，專用芯片就應該越來越專，通用芯片就要做到能涵蓋所有的精度和算法，讓其各司其職。
“（一些供應商）把專用芯片當成通用芯片來講故事，那就不好了。”范東睿說，目前國內對芯片的需求量越來越大，但作為核心器件，“芯片人”和“芯片廠”還是要有所堅持，“不能忽悠”。
來源:《中國科學報》
