如何通俗地讀懂算力？

本文來自微信公衆號：王智遠，作者：王智遠

昨天朋友問了我一個問題：

通算、科算、智算、AI計算，聽起來很厲害，有什麼區別？它們分別是用來幹什麼的？怎麼總是說不清楚？

我也曾困惑過。這些詞看似高大上，但缺少一個清晰的框架，很難講明白之間的關係；後來，我花了不少時間系統梳理，才搞清楚背後的邏輯。

如果你也在算力方面似懂非懂，剛好卡在“有點了解，又不夠系統”的狀態，那下面這些見解，希望能幫你撥開迷霧。

想象一下，你和朋友參加一場拼圖比賽：誰先拼完一幅超複雜的拼圖，誰就贏；如果你一個人拼，肯定很慢；但如果有一羣人一起幫忙，分工明確，效率就會高很多。

這個故事裡，拼圖速度就像算力。

算力是計算機處理數據的能力。它像一個拼圖高手，面對一堆雜亂的數據碎片，算力越強，拼得越快，能做的事情也就越多。

從技術角度講，算力指計算機在單位時間內能處理多少數據、完成多少運算，就像衡量一臺機器“幹活效率”的指標。它是數字經濟時代的核心生產力。

無論是複雜的科學研究，還是日常生活中各種AI應用，都離不開強大的算力支撐，可以說，它是各類創新落地的基礎。

但你可能不知道，算力也像拼圖團隊一樣，有不同類型，各司其職；有人擅長識別圖案，有人擅長快速定位，有人速度快但不夠精準——算力世界也有類似的分工。

首先是通用算力（General-Purpose Computing Power），簡稱“通算”。

它像一位多面手，適合處理日常任務，比如辦公、上網、看視頻等，不需要太高的性能，也能輕鬆應對。

有了通算，再往上一層是什麼？

科學算力（Scientific Computing Power），簡稱“科算”，它是算力界的“學霸”，專攻複雜、高精度的科研問題。

比如：科學家模擬氣候變化、生物學家分析基因序列、天文學家研究星系分佈和黑洞形成等，都要藉助科算來完成高強度、高精度的計算任務。

還有比科算更強大的嗎？當然，智能算力（Intelligent Computing Power），簡稱智算（ICP）。

它是幹嘛的呢？

用來訓練、運行AI模型，比如：讓AI學會識別人臉、理解語音、翻譯語言等。它的特點是能高效處理海量數據，並根據不同的AI場景靈活調整策略。

雖然某些情況下會犧牲一點點精度，但速度和效率是它的強項。

最後，是AI專用算力（AI Computing Power），也就是常說的“AI計算”。它是爲人工智能深度定製的算力類型，主要用於深度學習、神經網絡訓練等任務，是推動AI發展的核心動力。

所以，你看，不同類型的算力像拼圖比賽中的不同選手，各有長處，也各有侷限；我們在實際應用中，會根據任務需求，選擇最合適的算力來完成工作。

每隔一段時間，網上總會冒出一堆關於芯片、計算能力的討論；你有沒有想過，爲什麼這個話題，總能引發這麼多關注？

原因之一是：我們想解決的問題越來越複雜了，對計算的精度和效率要求也越來越高。但問題是，光靠“堆人”已經不夠用了。

以前總覺得，只要多加幾個處理器核心（相當於多找幾個人拼圖），速度就能更快，但在更高難度的任務面前，這種老辦法已經不太管用了。

這時候，人們開始重新思考一個老概念：摩爾定律。

1965年，英特爾聯合創始人戈登·摩爾（Gordon Moore）觀察到：大概每過兩年，一塊芯片上能放的晶體管數量就會翻倍，性能也會跟着提升。

過去幾十年，這條定律幾乎成了芯片行業的金科玉律；但現在，它慢慢失效了，因爲靠不斷縮小晶體管尺寸來提升性能這條路快走不下去了。

爲什麼？主要有三個問題：

一，晶體管越做越小，電子行爲變得越來越不穩定，漏電嚴重，開關也難控制；二，散熱成了大難題。同樣功耗下，單位面積發熱量越來越高；這就像讓更多“拼圖選手”擠在一個小屋裡快速工作，他們越來越熱，最後，整個系統可能會崩潰。

最主要的一點還是，成本飆升。製造更精密的芯片就需要更復雜的技術、設備，投入越來越大，回報卻不一定划算。

所以，面對種種挑戰，工程師們沒有放棄，開始探索各種創新方法來繼續提升算力。

什麼辦法呢？

能不能把晶體管從3納米做到2納米，甚至1.4納米？這就是工藝製程的持續演進。

再比如，用3D IC技術，把芯片像疊積木一樣垂直堆起來，提高集成度；或者把一個大任務拆成多個模塊，按需組合、靈活調配。

還有就是做專用芯片，針對特定任務專門設計架構，讓算力更高效地發揮出來。

這些創新，其實都在試圖繞開摩爾定律的限制。所以，現在你也就明白了，爲什麼一說到算力，大家就愛聊芯片。

不只是因爲技術本身重要，更因爲，我們在尋找更聰明的策略、更高效的工具和協作方式，去應對越來越複雜的“拼圖比賽”。

發展強大算力，不是光靠一個芯片就能搞定的事兒，它是一個涉及多個層面的複雜系統。

你可以把它想象成蓋一棟高樓：要磚瓦、水泥、水電門窗、裝修家電，還得有物業和社區服務，這是一個完整的生態系統。

在計算機世界裡，硬件就是“建築材料”。

芯片公司提供的CPU、GPU、AI芯片，是這棟樓的“發動機”。比如海光的x86架構CPU，就像通用型發電機；飛騰、龍芯這些國產CPU，則像是我們自主可控的“核心引擎”。

而專注圖像識別、語音處理的AI芯片公司，就像智能家電裡的“大腦”。

紫光、長江存儲這類企業負責打造“數據倉庫”，比如硬盤、固態硬盤等，相當於家裡的衣櫃和儲物間，專門用來存放各種資料和文件。

網絡設備商，比如華爲、新華三等，他們鋪的是“數據高速公路”，路由器、交換機像水電氣的管道，確保信息傳輸又快又穩。

隨着物聯網的興起，邊緣製造商也越來越重要。他們在靠近用戶的地方處理數據，減少延遲，提升體驗，有點像“智能家居安裝工”。

所以你可以這麼理解：

服務器是大樓框架，芯片是動力系統，存儲是櫃子抽屜，網絡設備是水電管道工，邊緣設備是智能家居小哥，每個環節都缺一不可，否則你連燈都開不了。

有了毛坯房，下一步做什麼？當然是裝水電、刷牆、安門窗。這就是基礎軟件的工作，它是連接硬件、應用之間的橋樑。

操作系統，比如Linux、澎湃OS等就是房子的“總控開關”，沒有它，電腦根本開不了機。

數據庫像家裡的儲物空間，專門存數據，比如銀行賬戶、醫院影像資料；中間件則是“連接器”，幫助不同軟件模塊溝通協作；沒有這些基礎軟件，再好的硬件也只是個空殼子。

問題來了：房子結構好了，水電也通了，接下來該幹嘛？當然是添置傢俱和電器了，在計算機裡，這就叫應用軟件。

AI開發平臺（如Boostkit、MindX）、大數據工具（HDFS、Spark），還有金融交易系統、交通調度系統、醫療影像分析系統……

這些都是讓系統真正“活起來”的東西。

最後，房子蓋好了，人也住進去了，但要想住得舒服，還得有個好的小區環境。這就要對應到整個算力生態支持了。

什麼是生態？

政府出臺的各種扶持政策，是“小區規劃圖”，決定能不能蓋、怎麼蓋、蓋多高；上下游企業配合，才能形成完整產業鏈，就像小區裡的超市、快遞站、健身房，一個都不能少；

工程師、程序員、算法專家，就是小區的物業管理團隊，保障系統穩定運行；不斷探索新用途，就像搞智慧停車、智能門禁，讓生活越來越方便。

所以，計算能力的強大，不只靠一顆芯片，要從磚頭、水泥到小區物業，整個鏈條都齊活了，才能真正建起一座數字時代的大廈。

那麼，在數字大廈中，算力到底有多大的發展空間呢？

這麼說吧：

浪潮信息發佈的《中國人工智能計算髮展報告（2025）》提到，到了2029年，全球計算市場的總規模會達到2000億美元。

這裡面，AI計算市場規模會達到900億美元，年增長率是10%；而通用計算市場則是1300億美元，年增長率是6%。

什麼意思呢？

AI計算的增長速度幾乎是通用計算的兩倍。換句話說，未來幾年，AI將成爲推動整個算力市場增長的核心引擎。

再來看看中國市場。賽迪顧問電子信息產業研究中心發佈的《2025年算力發展趨勢洞察》指出，中國市場同樣表現亮眼：

到2029年，通用計算市場規模預計達到417億美元，佔全球市場的32%；AI計算市場規模將達到238億美元，佔全球市場的26%。

這說明，中國不僅是全球計算市場的重要一員，還是推動AI算力發展的關鍵力量。

還有，AI計算的需求正在快速增長。特別是在大模型、多模態應用、生成式AI這些新場景的推動下，需求增長得特別快。

數據顯示，2025年中國算力規模已達到369.5EFLOPS，同比增長26%。可能有人不太明白，369.5EFLOPS到底意味着什麼？

它衡量的是一個國家整體的“計算能力”。

你可以理解爲：今年，中國所有的電腦、服務器、數據中心加在一起，每秒鐘能完成369.5億億次超級複雜的數學運算任務。

這有多快呢？

你用一臺普通筆記本電腦去做這些任務，可能要好幾天才能幹完；而中國整個算力系統，一秒鐘內就搞定。

而且這個數字還在不斷增長。一年比一年強。隨着越來越多的數據中心建成，越來越強的AI芯片部署，中國的“計算大腦”正變得越來越強大。

所以你看，算力不只是冷冰冰的技術指標，它背後反映的是一個國家科技實力、產業競爭力，甚至是未來幾十年的國際地位變化。

在這場“算力競賽”中，中國已經覺醒，跑出了自己的節奏。

從一磚一瓦的硬件製造，到軟件生態，我們正一步步走向全球舞臺中央。也許，這場關於“誰更能算”的較量，纔剛開始不久。

本文來自微信公衆號：王智遠，作者：王智遠

本內容爲作者獨立觀點，不代表虎嗅立場。未經允許不得轉載，授權事宜請聯繫 hezuo@huxiu.com

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4377124.html?f=wyxwapp