計(jì)算發(fā)展愿景及關(guān)鍵特征總結(jié)

如果你對(duì)該問(wèn)題感興趣的話，推薦你看看《華為-2024版計(jì)算2030》這篇報(bào)告，下面是部分摘錄的內(nèi)容，具體請(qǐng)以原報(bào)告為準(zhǔn)。

1.智能認(rèn)知

智能認(rèn)知是人工智能技術(shù)發(fā)展的高級(jí)階段，使 機(jī)器成為人類(lèi)改造世界、提升能力的得力助手。 過(guò)去十年，人類(lèi)在在視覺(jué)圖像、語(yǔ)音識(shí)別、自 然語(yǔ)言處理等多個(gè)感知智能技術(shù)領(lǐng)域取得了長(zhǎng) 足進(jìn)步，并在交通、制造、金融、智慧城市等 各行各業(yè)廣泛應(yīng)用。 未來(lái)五年，以 ChatGPT 為代表的生成式 AI 技術(shù)， 將變革人類(lèi)社會(huì)，逐步跨入人工智能認(rèn)知時(shí)代。 同時(shí)，當(dāng)前的人工智能技術(shù)存在一些問(wèn)題，如 能耗高、可解釋性與魯棒性差、缺乏知識(shí)利用 與邏輯推斷能力等。類(lèi)腦智能作為下一代人工 智能技術(shù)，為解決能效問(wèn)題、魯棒性等問(wèn)題提 供新的可能。而知識(shí)計(jì)算的發(fā)展，讓人工智能 具備知識(shí)利用和知識(shí)遷移推斷能力，從而邁向 真正的人工智能。

1.1 生成式 AI

生成式 AI（Generative AI）技術(shù)作為最佳的自動(dòng) 化內(nèi)容生產(chǎn)力要素，允許計(jì)算機(jī)抽象與輸入（例 如文本，音頻文件或圖像）有關(guān)的基礎(chǔ)模式，使 用它來(lái)生成前所未有的新穎內(nèi)容。它實(shí)現(xiàn)了從數(shù) 據(jù)到創(chuàng)意的飛躍，使智能體具備了模仿甚至超越 人類(lèi)創(chuàng)造性的潛力。生成式 AI 能夠顯著提高生產(chǎn) 效率和質(zhì)量，降低創(chuàng)造成本；生成個(gè)性化的產(chǎn)品 和服務(wù)，從而極大地豐富市場(chǎng)選擇。未來(lái)，生成 式 AI 技術(shù)，將成為推動(dòng)全球經(jīng)濟(jì)發(fā)展的新引擎。

1.2 自動(dòng)自治 AI

目前，深度學(xué)習(xí)的開(kāi)發(fā)及應(yīng)用并未突破主流監(jiān) 督學(xué)習(xí)的模式，數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)注，模型的 設(shè)計(jì)、開(kāi)發(fā)、訓(xùn)練和部署等都需要大量人力投 入。人力標(biāo)注無(wú)法應(yīng)對(duì)數(shù)據(jù)的爆發(fā)增長(zhǎng) ( 十、 百億級(jí)數(shù)據(jù)集）。遷移學(xué)習(xí)、小樣本、零樣本、 自監(jiān)督、弱監(jiān)督、半監(jiān)督、無(wú)監(jiān)督及主動(dòng)學(xué)習(xí) 等新方法，將推動(dòng)人工智能最終實(shí)現(xiàn)“自治”， 解決模型訓(xùn)練、迭代、設(shè)計(jì)對(duì)人工的依賴。未 來(lái) AI 自治使得模型更加歸一，多種任務(wù)共享相 同的模型結(jié)構(gòu)，數(shù)據(jù)規(guī)模進(jìn)一步擴(kuò)大 ,99% 以上 的數(shù)據(jù)將是 AI 生成的。不再需要人工干預(yù)，模 型可以在線學(xué)習(xí)吸收新的數(shù)據(jù)知識(shí)，實(shí)現(xiàn)自身 能力的迭代提升。基礎(chǔ)大模型的訓(xùn)練迭代周期， 將從幾個(gè)月下降到天級(jí)。數(shù)據(jù)規(guī)模擴(kuò)大及在線 學(xué)習(xí)將使模型的生產(chǎn)更加集約化，各行業(yè)的業(yè) 務(wù)模型會(huì)匯聚成幾個(gè)甚至一個(gè)超大模型。

1.3 類(lèi)腦智能

類(lèi)腦智能作為實(shí)現(xiàn)下一代智能系統(tǒng)的重要技術(shù) 方向，將從類(lèi)腦基礎(chǔ)硬件、類(lèi)腦芯片、類(lèi)腦軟 件框架、類(lèi)腦模型與算法等多個(gè)方面對(duì)現(xiàn)有技 術(shù)進(jìn)行顛覆式突破。 類(lèi)腦基礎(chǔ)硬件包含類(lèi)腦傳感器和類(lèi)腦神經(jīng)元和 突觸模擬器件等，是設(shè)計(jì)類(lèi)腦計(jì)算硬件平臺(tái)的 基礎(chǔ)單元。其中類(lèi)腦視覺(jué)傳感器將從實(shí)驗(yàn)室級(jí) 別的低分辨率逐漸發(fā)展到高分辨率（8k~）、高 幀率（1000Mfps~）、高抗噪性的視覺(jué)傳感， 并借助類(lèi)腦視覺(jué)傳感、類(lèi)腦多模態(tài)傳感與傳統(tǒng) 傳感器的融合，實(shí)現(xiàn)大規(guī)模商業(yè)應(yīng)用。 類(lèi)腦芯片將進(jìn)一步實(shí)現(xiàn)存算融合、眾核異步、 在線學(xué)習(xí)等特性，構(gòu)建傳統(tǒng) AI 芯片和神經(jīng)形態(tài) 芯片的異構(gòu)融合系統(tǒng)，單芯片神經(jīng)元規(guī)模達(dá)到 100 萬(wàn)級(jí)，多片互聯(lián)的神經(jīng)元規(guī)模支持億級(jí)， 神經(jīng)形態(tài)計(jì)算的突觸數(shù)量突破 100 億，相比于 當(dāng)代的 AI 芯片提升 100 倍以上能效。同時(shí)，基 于類(lèi)腦芯片系統(tǒng)的配套軟件框架將發(fā)展出完整 生態(tài)支持算法快速部署和優(yōu)化。

類(lèi)腦模型和算法方面，一方面大規(guī)模的脈沖神 經(jīng)網(wǎng)絡(luò)將從圖像領(lǐng)域逐步擴(kuò)展到多模態(tài)領(lǐng)域， 實(shí)現(xiàn)千億級(jí)別參數(shù)的多模態(tài)脈沖大模型展現(xiàn)極 致能效；另一方面，為實(shí)現(xiàn)功能和能效的最優(yōu) 平衡，將發(fā)展出非純脈沖的，基于類(lèi)腦神經(jīng)元、 類(lèi)腦突觸融合現(xiàn)有深度學(xué)習(xí)框架的新型融合神 經(jīng)網(wǎng)絡(luò)，并催生腦啟發(fā)的 Transformer-next 新 型架構(gòu)。 整體看來(lái)，在短期內(nèi)，類(lèi)腦智能將融合傳感器、 芯片、算法的研究成果，在端側(cè) / 邊側(cè)等能耗 敏感的場(chǎng)景中實(shí)現(xiàn)感存算一體的高效智能系統(tǒng)； 長(zhǎng)期看有望結(jié)合深度學(xué)習(xí)的發(fā)展，并進(jìn)一步借 鑒認(rèn)知智能，實(shí)現(xiàn)實(shí)時(shí)相應(yīng)、極高能效、可解釋、 可信賴的 AI 系統(tǒng)，在端側(cè)和云側(cè)構(gòu)建異構(gòu)高效、 高智能系統(tǒng)。

2.內(nèi)生安全

計(jì)算云化打破了傳統(tǒng)安全邊界，AI 大模型帶來(lái)了 新的安全威脅，傳統(tǒng)基于信任域劃分的外掛式安 全防護(hù)方案已經(jīng)無(wú)法應(yīng)對(duì)各種新型攻擊方法的挑 戰(zhàn)。安全應(yīng)該具備內(nèi)生的特點(diǎn)；1）安全是系統(tǒng) 的內(nèi)生能力，是芯片、固件、軟件、模型必備的 基本特性；2）安全貫穿存儲(chǔ)、計(jì)算、傳輸?shù)葦?shù) 據(jù)處理的全過(guò)程，以抵御各環(huán)節(jié)安全攻擊；3） 硬件構(gòu)建安全信任根，由于系統(tǒng)權(quán)限分級(jí)的原因， 安全功能需要基于硬件的最高特權(quán)來(lái)實(shí)現(xiàn)，才能 在操作系統(tǒng)及應(yīng)用上提供可靠的安全服務(wù)，并且 通過(guò)硬件加速的方式來(lái)提升安全服務(wù)的性能。4） 安全開(kāi)源開(kāi)放，為了使安全服務(wù)能充分融入到各 個(gè)業(yè)務(wù)軟件中，安全服務(wù)應(yīng)以開(kāi)源開(kāi)放的形式提 供，讓業(yè)務(wù)軟件結(jié)合自身軟件架構(gòu)特點(diǎn)，將安全 特性融入到業(yè)務(wù)中，從而保證業(yè)務(wù)安全。

2.1 數(shù)字信任與隱私

在數(shù)據(jù)處理環(huán)節(jié)，本質(zhì)是算法施加算力于數(shù)據(jù)。 如果這 3 個(gè)要素全部由數(shù)據(jù)所有者控制，則不涉 及數(shù)字信任與隱私問(wèn)題；但云計(jì)算導(dǎo)致要素分離， 算法與算力都是由 CSP 提供，用戶（數(shù)據(jù)擁有者） 需要上傳數(shù)據(jù)到云端處理，即使用戶信任 CSP， 也無(wú)法信任 CSP 擁有特權(quán)的管理員。因此云計(jì)算 場(chǎng)景下安全的主要挑戰(zhàn)在于如何保護(hù)用戶數(shù)據(jù)與 隱私，需要重建數(shù)字信任體系。

為重建數(shù)字信任體系各國(guó)政府相繼出臺(tái)數(shù)據(jù)保護(hù) 法，為數(shù)字信任體系的建立確立了法律依據(jù)。同 時(shí)，數(shù)字身份、數(shù)字證書(shū)與隱私計(jì)算成為重建整 個(gè)數(shù)字信任體系的關(guān)鍵技術(shù)，其中數(shù)字身份是數(shù) 據(jù)確權(quán)的基礎(chǔ)，數(shù)字證書(shū)是保證數(shù)據(jù)安全的基礎(chǔ)， 隱私計(jì)算可以在保護(hù)數(shù)據(jù)本身不對(duì)外泄露的前提 下實(shí)現(xiàn)數(shù)據(jù)分析處理： 因?yàn)闅v史原因，數(shù)字根證書(shū)都是由軟硬件廠商 頒發(fā)，特別是可信計(jì)算、機(jī)密計(jì)算等根證書(shū)都 是固化在芯片內(nèi)部，綁架了客戶信任選擇權(quán)。 因此建立開(kāi)放的數(shù)字根證書(shū)基礎(chǔ)設(shè)施，廣大設(shè) 備制造商開(kāi)放數(shù)字根證書(shū)導(dǎo)入能力，還信任選 擇權(quán)于客戶，是保證未來(lái)數(shù)字社會(huì)公平公正的 基礎(chǔ)。

2.2 AI 安全可信

近年來(lái) AI 日益在醫(yī)療、自動(dòng)駕駛等關(guān)鍵領(lǐng)域的 普及應(yīng)用。隨著以生成式人工智能為根基的大 語(yǔ)言模型（Large Language Model）表現(xiàn)出強(qiáng) 大的對(duì)話、理解、推理、多任務(wù)能力，越來(lái)越 多的廠商正致力于在不同的場(chǎng)景、行業(yè)、領(lǐng)域 中基于 LLM 構(gòu)建更為強(qiáng)大的 AI 應(yīng)用。AI 作為 數(shù)字化變革的核心驅(qū)動(dòng)力，AI 正在成為各行各 業(yè)重塑經(jīng)濟(jì)社會(huì)發(fā)展形態(tài)的智能化關(guān)鍵基礎(chǔ)設(shè) 施，同時(shí) AI 也面臨日趨嚴(yán)峻的安全挑戰(zhàn)：1） AI 模型和訓(xùn)練數(shù)據(jù)是 AI 應(yīng)用廠商的核心資產(chǎn)， 如果保護(hù)不善可能被竊取或惡意逆向恢復(fù)。2） AI 模型本身存在脆弱性，導(dǎo)致針對(duì) AI 模型的對(duì) 抗樣本和藥餌后門(mén)等攻擊越來(lái)越多，在關(guān)鍵領(lǐng) 域中使用的 AI 模型被攻擊導(dǎo)致誤判將帶來(lái)嚴(yán)重 后果。3）隨著 AI 越來(lái)越強(qiáng)大，人類(lèi)對(duì) AI 顧慮 也日益增長(zhǎng)，AI 監(jiān)管合規(guī)與治理成為 AI 生態(tài)中 各參與方的必選項(xiàng)， 需要?jiǎng)?chuàng)新的技術(shù)手段支持 AI 治理、安全對(duì)齊、對(duì)多參與方的責(zé)任追溯。

2.3 新計(jì)算范式安全

在以內(nèi)存為中心計(jì)算場(chǎng)景下，算力下移，特別 是內(nèi)存計(jì)算 PIM 將算力下移到內(nèi)存，導(dǎo)致傳統(tǒng) 內(nèi)存加密機(jī)制失效，無(wú)法部署基于硬件的隱私 計(jì)算技術(shù)。即使在應(yīng)用層加密數(shù)據(jù)、數(shù)據(jù)處理 過(guò)程中，也將是明文狀態(tài)，從而導(dǎo)致無(wú)法防止 特權(quán)用戶、進(jìn)程竊取數(shù)據(jù)。針對(duì)這種場(chǎng)景唯一 的選擇是部署同態(tài)、多方計(jì)算等基于密碼學(xué)的 隱私計(jì)算技術(shù)，從而建立用戶對(duì)于算力提供商 的信任。 在多樣性算力數(shù)據(jù)中心場(chǎng)景下，云化導(dǎo)致網(wǎng)絡(luò) 安全邊界模糊，傳統(tǒng)的基于邊界的安全防護(hù)模 式逐漸失去價(jià)值。針對(duì)這樣的趨勢(shì)，零信任安 全架構(gòu) [7] 通過(guò)強(qiáng)化訪問(wèn)策略、主動(dòng)監(jiān)測(cè)、加 密等技術(shù)以應(yīng)對(duì)環(huán)境不可信的安全挑戰(zhàn)。

3.綠色集約

全球數(shù)據(jù)中心能耗約占電力需求的 1%，通用計(jì) 算的總能耗每 3 年增長(zhǎng) 1 倍，碳中和目標(biāo)將驅(qū) 動(dòng)算力提升百倍的同時(shí)提升能源效率。在芯片 上，新的封裝和架構(gòu)持續(xù)優(yōu)化，不斷提升算力 密度和能源效率，芯片出光減少高頻數(shù)據(jù)交換 損耗。一體化數(shù)據(jù)中心利用人工智能實(shí)現(xiàn)供電、 服務(wù)器、負(fù)荷的協(xié)同，形成更優(yōu)的 PUE，并不 斷挑戰(zhàn) PUE 極限，甚至向小于 1 發(fā)起挑戰(zhàn)。通 過(guò)算力網(wǎng)絡(luò)將提供對(duì)等服務(wù)的分布部署的數(shù)據(jù) 中心資源統(tǒng)一起來(lái)，更好匹配時(shí)延、綠電、成 本等差異，達(dá)到全局最優(yōu)的 PUE 和碳排放。

3.1 計(jì)算芯片工程

系統(tǒng)算力增長(zhǎng)對(duì)芯片晶體管集成度需求持續(xù) 提升，先進(jìn)工藝與芯片工程架構(gòu)雙輪驅(qū)動(dòng)計(jì)算 芯片性能規(guī)格每代提升 ~2x，預(yù)計(jì) 2030 年單芯 片集成晶體管超萬(wàn)億。受限于先進(jìn)工藝微縮演 進(jìn)速度影響，未來(lái)芯片將沿著 2.5D+Chiplet 、 3DIC、Wafer Scale Computing 系統(tǒng)融合三個(gè) 層次提升算力密度。

2.5D Chiplet 芯片架構(gòu) + 超大尺寸封裝水平方 向持續(xù)提升單芯片算力和產(chǎn)品競(jìng)爭(zhēng)力 傳統(tǒng)芯片受 wafer（硅片）曝光尺寸限制（1 Reticle：25mm*32mm），芯片 Die 的尺寸及 Die 良率提升受到嚴(yán)重技術(shù)瓶頸，直接制約芯 片整體性能提升及芯片成本降低。 2.5D Silicon/FO Interposer+Chiplet 技術(shù)可以 有效提升 Die 良率、降低芯片成本，堆疊集成 實(shí)現(xiàn)更大規(guī)模芯片性能，且對(duì)于不同產(chǎn)品規(guī)格 應(yīng)用更加靈活。同時(shí) 2.5D 封裝性對(duì)于傳統(tǒng)封裝 板級(jí)互連方案單 bit 能耗降低至約 1/2。 預(yù)計(jì) 2027 年 2.5D Chiplet 集成 規(guī)格將超過(guò) 8x Reticle，單芯片尺寸預(yù)計(jì)會(huì)增加 ~3x。超大尺 寸的 2.5D 與封裝基板應(yīng)用直接面臨良率、交期、 可靠性等一系列工程難題，融合創(chuàng)新基板架構(gòu) 需求迫切。 預(yù)計(jì) 2030 年 3D 芯片技術(shù)走向多層邏輯堆疊，高層 Memory on Logic 堆疊，多層堆疊成為高 性能計(jì)算芯片性能提升的關(guān)鍵技術(shù)。

與 2.5D 先進(jìn)封裝及異質(zhì)集成芯片技術(shù)相比， 3D 芯片技術(shù)在互連密度及帶寬、芯片尺寸、功 耗性能、芯片綜合性能方面優(yōu)勢(shì)顯著，在垂直 方向持續(xù)提升單位投影區(qū)域芯片的晶體管集成 度，是解決未來(lái)高性能計(jì)算、AI 等關(guān)鍵場(chǎng)景芯 片與系統(tǒng)集成的核心技術(shù)。 未來(lái)會(huì)從 D2W（Die-to-Wafer，芯片到晶圓）- >W2W（Wafer to Wafer，晶圓片對(duì)晶圓片）， uBump->Hybrid Bonding->Monolithic 3D 技術(shù)逐 漸演進(jìn)，應(yīng)用場(chǎng)景將會(huì)廣泛覆蓋 Logic on Logic、 3D Memory on Logic、及 Optical on logic 等，堆 疊從 2 層同質(zhì)堆疊逐步走向更多層異質(zhì)堆疊。 3D 互連 pitch 從 ump 級(jí)別微縮到 nm 級(jí)， 未來(lái) 5 年 1μm 甚至更小 pitch 超高密 Bonding 技術(shù)在 AI 等領(lǐng)域?qū)崿F(xiàn)產(chǎn)品化。更小尺寸 TSV（Through Silicon Via，硅通孔）技術(shù)需要從材料、工藝基礎(chǔ) 技術(shù)深入持續(xù)探索；同時(shí) 3D 堆疊帶來(lái)局部功耗 密度和電流密度倍增，直接影響系統(tǒng)整體供電與 散熱路徑。3D 芯片相對(duì)于傳統(tǒng) 2.5D 封裝在帶寬 及功耗性能優(yōu)勢(shì)顯著，單 bit 功耗降低有望降低 至 1/10。

3.2 DC as a Computer

數(shù)據(jù)中心互連嚴(yán)重制約集群算力釋放，亟需 互連技術(shù)創(chuàng)新 隨著人工智能、超算、云等計(jì)算場(chǎng)景的快速發(fā)展， 未來(lái)將會(huì)出現(xiàn)百萬(wàn)級(jí)的數(shù)據(jù)中心。重點(diǎn)要解決 大規(guī)模分布式應(yīng)用的算力效率問(wèn)題，超級(jí)數(shù)據(jù) 中心的高能耗問(wèn)題，端到端散熱問(wèn)題。 AGI 時(shí)代，數(shù)據(jù)中心的能耗將達(dá) GW（十億瓦特） 級(jí)，超過(guò)一個(gè)核電機(jī)組的供電能力，迫切需要 持續(xù)提升數(shù)據(jù)中心的能效，降低基礎(chǔ)設(shè)施的供 電壓力，匹配各國(guó)低碳數(shù)字經(jīng)濟(jì)的建設(shè)要求； 在總線互連層面，基于高速總線的超節(jié)點(diǎn)架構(gòu)和資源池化提升算力效率；在 DCN 層面，芯 片出光、OXC 光交換技術(shù)的應(yīng)用有望實(shí)現(xiàn)全光 DCN，結(jié)合 3D Fullmesh/Dragonfly/Torus 等 新型網(wǎng)絡(luò)拓?fù)鋭?chuàng)新可減少 50% 以上光模塊的成 本和能耗；廣域超寬無(wú)損 DCI 能力的突破，支 持千公里級(jí)跨域并行訓(xùn)練（50Tbps DCI@70% 線性度），在區(qū)域電網(wǎng)容量約束下，實(shí)現(xiàn)跨域 訓(xùn)練成為可選方案之一。

以總線技術(shù)的發(fā)展為例，高速總線 C2C 讀寫(xiě)時(shí) 延有望低于百納秒，接近主存時(shí)延，預(yù)計(jì) 2030 年，400G/800G SerDers 將會(huì)進(jìn)一步成熟，通 信協(xié)議具備內(nèi)存語(yǔ)義和高速緩存一致（CacheCoherent）性，使超節(jié)點(diǎn)內(nèi)部帶寬達(dá)到 6.4T 以 上；通過(guò)計(jì)算池、內(nèi)存池、硬盤(pán)池等資源池化， 形成集約化、按需組合的業(yè)務(wù)處理單元，提升 50% 以上利用率。 以降低 DCN 互連功耗為例，當(dāng)前基于傳 統(tǒng)胖樹(shù)的 10 萬(wàn)卡集群總能耗中，互連（交換 機(jī) + 光模塊）能耗占比約 40%；在以 400G 和 800G 光模塊為典型配置的 51.2T 和 100T 交 換機(jī)中，光模塊加驅(qū)動(dòng) SerDes 的功耗占比在 40~45%。預(yù)計(jì)到 2030 年，在 400G+ SerDes 和 6.4T 光 模 塊 代 際 時(shí)，OSFP 光 模 塊 功 耗、 SerDes 驅(qū)動(dòng)距離將成為很難突破的瓶頸，CPO （Co-Packaged Optics）可能會(huì)是一個(gè)比較 好的解決方案。LPO（Linear-drive Pluggable Optics） 與 OSFP（Octal Small form Factor Pluggable）相比因?yàn)槿サ袅?DSP 器件，雖然 節(jié)省了近 50% 的功耗，但是帶來(lái)了誤碼問(wèn)題， 所以傳輸距離一般限制在 100 米以內(nèi)，硅光技 術(shù)可以支持更遠(yuǎn)的距離，但是成本結(jié)構(gòu)仍然無(wú) 法滿足大規(guī)模、低成本組網(wǎng)的訴求。而以 DAC 和 AEC 為代表的低功耗電互連受原理限制，一 般應(yīng)用在 5 米以內(nèi)的范圍。CPO 與 LPO 等可插 拔光模塊相比，進(jìn)一步壓縮了電互連在 PCB 內(nèi) 的距離，即大大降低了 SerDes 驅(qū)動(dòng)所需的功耗， 具有功耗低、傳輸距離遠(yuǎn)（500 米）、時(shí)延小 的優(yōu)勢(shì)，在解決了可靠性等問(wèn)題后，加上 OXC 等光交換技術(shù)，集群網(wǎng)絡(luò)的互連有機(jī)會(huì)全部切 換為 CPO 解決方案。

3.3 跨域算力網(wǎng)絡(luò)

跨地域的超級(jí)分布式數(shù)據(jù)中心

算力網(wǎng)絡(luò)的核心思想是通過(guò)新型網(wǎng)絡(luò)技術(shù)將地 理分布的算力中心節(jié)點(diǎn)連接起來(lái)，動(dòng)態(tài)實(shí)時(shí)感 知算力資源狀態(tài)，進(jìn)而統(tǒng)籌分配和調(diào)度計(jì)算任 務(wù)，傳輸數(shù)據(jù)，構(gòu)成全局范圍內(nèi)感知、分配、 調(diào)度算力的網(wǎng)絡(luò)，在此基礎(chǔ)上匯聚和共享算力、 數(shù)據(jù)、應(yīng)用資源。算力中心呈現(xiàn)多層次，多管理域的布局。不同 的算力中心間存在巨大的差異性，從資源的角 度看，部署的應(yīng)用類(lèi)型、保存的數(shù)據(jù)集、算力 的體系結(jié)構(gòu)可能不同；從管理的角度看，管理 策略、計(jì)費(fèi)標(biāo)準(zhǔn)、碳排放標(biāo)準(zhǔn)可能不同。因此， 算力網(wǎng)絡(luò)的建設(shè)須面對(duì)不同算力中心間的高效 協(xié)同，算力、數(shù)據(jù)、應(yīng)用可信交易與管理機(jī)制 設(shè)計(jì)，缺乏一體化標(biāo)準(zhǔn)等挑戰(zhàn)，最終構(gòu)建成為 開(kāi)放的、高資源利用率、高能效的計(jì)算基礎(chǔ)設(shè)施。

融合應(yīng)用形成數(shù)字連續(xù)體

人工智能模型規(guī)模的不斷提升，數(shù)據(jù)規(guī)模的激 增以及科學(xué)計(jì)算對(duì)模擬精度與時(shí)效性需求的不 斷提升，一方面帶來(lái)算力需求的激增，另一方 面也在推動(dòng)應(yīng)用的變革。未來(lái)的分布式應(yīng)用， 將融合實(shí)時(shí)與非實(shí)時(shí)數(shù)據(jù)處理，模型的訓(xùn)練與 推理、仿真與建模、物聯(lián)網(wǎng)、信息物理系統(tǒng)等 一起形成了“數(shù)字連續(xù)體”，解決的單算力中 心無(wú)法解決的問(wèn)題，例如：結(jié)合了神經(jīng)網(wǎng)絡(luò)與 實(shí)時(shí)數(shù)據(jù)的數(shù)字氣象模型，可以提供高頻率、 高分辨率的短臨天氣預(yù)報(bào)，為國(guó)民生產(chǎn)生活提 供保障；分布式的大模型利用多個(gè)算力中心的 資源加速模型的訓(xùn)練過(guò)程。新應(yīng)用程序的出現(xiàn)， 將促進(jìn)算力中心之間，以及算力中心與邊緣計(jì) 算的連接；算力中心將不再是獨(dú)立的系統(tǒng)，而 是形成相互聯(lián)結(jié)的算力網(wǎng)絡(luò)，多個(gè)組織的用戶 在多個(gè)算力中心共享算力和數(shù)據(jù)，完成復(fù)雜應(yīng) 用對(duì)計(jì)算和數(shù)據(jù)處理的需求。

跨域算力中心協(xié)同調(diào)度

地理分布的多個(gè)算力中心將聯(lián)結(jié)在一起，為新 型分布式融合應(yīng)用提供支撐。超大模型的訓(xùn)練 可能需要協(xié)同多個(gè)算力中心的資源完成，復(fù)雜 的融合應(yīng)用可能利用不同算力中心的多種算力 與數(shù)據(jù)集協(xié)同完成。應(yīng)用的差異性、算力中心 資源的異構(gòu)性以及不同管理域的管理策略將給 調(diào)度系統(tǒng)帶來(lái)新的挑戰(zhàn)。調(diào)度系統(tǒng)需要感知應(yīng) 用所需算力與存儲(chǔ)資源，感知應(yīng)用所需數(shù)據(jù)的 所在位置以減少數(shù)據(jù)移動(dòng)開(kāi)銷(xiāo)，感知應(yīng)用的通 信模式以減少通信開(kāi)銷(xiāo)；調(diào)度系統(tǒng)還需要實(shí)時(shí) 地感知不同算力中心資源的可用性與異構(gòu)性， 算力中心間的網(wǎng)絡(luò)狀態(tài)；此外，由于不同算力 中心的資源定價(jià)、碳排放等標(biāo)準(zhǔn)的差異，調(diào)度 系統(tǒng)還需要在性價(jià)比與能效比的約束下作出最 優(yōu)決策。需要調(diào)度系統(tǒng)具備全局的資源的發(fā)現(xiàn) 能力、感知應(yīng)用特征、感知算力中心的軟硬件 異構(gòu)性，具備感知局部管理策略的能力，從全 局視角，獲得計(jì)算效率、數(shù)據(jù)移動(dòng)效率與能耗 效率的最優(yōu)。