DeepTech：2022先進計算七大趨勢報告（24頁）.pdf

《DeepTech：2022先進計算七大趨勢報告（24頁）.pdf》由會員分享，可在線閱讀，更多相關《DeepTech：2022先進計算七大趨勢報告（24頁）.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、12序言算力，又可被稱為計算力，即處理數據的能力。隨著數字技術與數字經濟的發展，全球數據總量呈現爆發式的增長，推動了算力需求和要求的不斷升級。人類社會已朝著智能化和數字化方向邁進，計算資源進入供不應求的階段，算力的重要性也因此被提到一個前所未有的高度。算力在推動經濟發展方面發揮著巨大作用。2025 年，超過 40% 的全球經濟將由數字經濟帶動，接近一半的經濟增長都與數據有關。如果數據是數字經濟時代的核心生產要素，那么數據的底座之下，算力承擔了核心生產力的角色。算力為數字經濟的增長帶來新的引擎。另一方面，算力構建了科技進步的正循環。算力為醫藥、材料、生物和能源等學科提供了研究基礎設施，而新興技術

2、的發展將進一步推動算力提升。當下，計算性能的提升面臨來自多個維度的挑戰，算力發展已經進入瓶頸期。從硬件層面來看，隨著硅基芯片制程趨近極限、“內存墻”、“功耗墻”問題的凸顯，CPU、GPU 等計算平臺性能提升乏力，摩爾定律正在逐漸失效。從網絡層面來看，算力節點通過網絡靈活高效調配計算資源的能力仍存在不足、數據傳輸的損耗與開銷過大，算力資源不能得到有效的利用。從性價比層面來看，算力相關軟硬件設施的投入與回報不成正比，計算領域亟需延續摩爾定律的高性價比方案。先進計算技術指代一切從計算理論、計算架構、計算系統等層面有效提升現有算力規模、降低算力成本、提高算力利用效率的創新性技術。為了解決上述難題，打破

3、算力危機，先進計算技術主要關注兩個重點方向：對于單個計算節點性能的提升，以量子芯片、類腦芯片為代表的非馮諾依曼架構芯片的出現為計算硬件變革帶來了曙光；對于算力系統的高效利用，芯片層面與數據中心層面的多元異構計算將伴隨云邊端一體化趨勢，構建隨時隨地、隨需隨形的全新計算體系。算力是多領域多技術融合的載體，人類對于算力的追求沒有止境。未來，隨著先進計算技術的不斷發展，計算的效能與能效都將迎來全新的突破，算力體系將得到顛覆性地變革。在先進計算技術的支撐下，更多智慧化、智能化的應用將會涌現，綠色低碳、開放開源的算力也將成為不可逆轉的趨勢。3新一代計算硬件目錄架構演變前沿應用量子芯片04航 海 梯 山 無

4、 遠 弗 屆硅光芯片07摩 爾 的 盡 頭 有 “ 光 ”類腦芯片10來 自 大 腦 的 答 案DPU13以 數 據 為 中 心 的 計 算分布式云16云 邊 端 協 同 的 關 鍵 樞 紐泛在算力19無 處 不 在 的 算 力 網 絡科學復興22先 進 計 算 加 速 科 學 復 興4量子芯片航海梯山 無遠弗屆當下，量子計算已經邁入 NISQ 時代。量子芯片作為量子計算機的核心，是量子計算實現規?；c商業化的關鍵瓶頸。在學術界與產業界的不斷推動下，量子芯片在 2021 年迎來了大爆發。想要跨入通用量子計算時代，量子比特的數量與質量，比特間的連通性以及容錯能力仍有待進一步突破。航海梯山，無遠弗

5、屆。量子計算終將越過重重障礙，乘微觀粒子以顛覆現代計算體系，為人類帶來算力的騰越。15量子芯片 航海梯山，無遠弗屆量子計算是基于量子力學的全新計算模式，具有原理上遠超經典計算的強大并行計算能力。量子計算以量子比特作為信息編碼和存儲的基本單元。與經典比特只能代表 0 或者 1 不同，具備疊加態的量子比特是 0 且 1 的存在。恰當利用量子疊加態與糾纏態，將使得量子計算機的運算效率遠超傳統計算機，獲得指數級別的增長。算力危機下，量子計算作為一種顛覆性的計算體系，具備幫助人類實現算力跨越式發展的無限潛力。隨著“量子計算優越性”已被證明，量子計算已邁入含噪聲的量子計算（NISQ）階段。當下，科研與產業

6、發展的重點將集中在實現解決特定問題的專用量子計算機上。量子芯片是將量子線路集成在基片上，進而承載量子信息處理功能的處理器，是量子計算機的核心。量子計算機想要實現產業化，邁向商業階段，量子芯片正是需要攻克的關鍵瓶頸。目前，包括 Google、IBM 等在內的科技巨擘和麻省理工學院、耶魯大學、中國科學技術大學等世界知名高校已在量子芯片領域取得重大突破。趨勢 一超導量子芯片，由于其電子線路設計和制備的工藝與現代集成電路技術相兼容，被認為是具有清晰的商業前景、能較快實現產業化的一種量子芯片技術路徑。Google、IBM、麻省理工學院、中國科學技術大學、浙江大學和初創公司本源量子等在此技術上均有布局。2

7、021 年底，IBM 公司推出全球首個127 超導量子比特芯片“Eagle”，突破超導量子芯片百位量子比特的大關。但量子芯片的規模與性能，不僅僅由名義上的量子比特數目決定。邏輯門保真度、退相干時間、量子比特間的連通性等也是評價量子芯片性能的重要指標。接下來，超千位比特的超導量子芯片有望在三年內問世。在進一步提高比特數量的同時保證比特的質量，將是超導量子芯片發展的重點。圖 | 全球部分量子芯片初創公司6作為量子計算的另一種代表性技術路徑，光量子芯片因其工作環境要求低、集成度高等特點也受到廣泛關注。包括美國 PsiQ、加拿大 Xanadu 和中國圖靈量子等在內的光量子集成芯片領跑者，在 2021

8、年貢獻了豐富的研究與產業成果，為光量子計算的商業化奠定了基礎。2021 年 3 月，Xanadu 推出 X8 光量子處理器。這是一款可編程、可擴展、可執行多種算法的光量子芯片，能夠集成到現有的基于光纖的電信基礎架構中，有效降低運營成本。2021 年 7 月，圖靈量子金賢敏領導的團隊提出了首個基于光子集成芯片的物理系統可擴展的專用光量子計算方案。2022 年初，圖靈量子發布首個商用科研級專用光量子計算機，利用定制化的三維光量子芯片研究和解決各類實際問題。下一步，可靠的高品質光源技術是光量子計算迎來應用爆發前必須克服的難題。實驗室引領了量子計算技術革新，而市場助力了量子計算生態的建立。根據 ICV

9、 統計，2021 年度量子計算硬件及軟件公司共完成 42 筆融資，融資總額約26.91 億美元，超過以往的總和。想要實現通用量子計算機需要具備三個前提 百萬量子比特的相干操縱能力、低環境要求和高集成度。同時，對于大規模的量子比特系統，通過量子糾錯來維持系統的正確運行是必然要求，這也是想要邁入容錯量子計算時代所面臨的主要挑戰之一。目前，量子糾錯主要是通過增加邏輯量子比特內自由度的冗余來達到降低凈誤差的目的。雖然國際學術界一般認為真正實現可編程通用量子計算機還需 15 年甚至更久，但我們有理由相信，在政策的推動、相關產業的升級和資本的不斷加持下，規?；c商業化的量子計算將加速到來。未來，量子芯片將

10、賦能先進計算，為人工智能、密碼分析、氣象預報、量子化學和藥物設計等領域的大規模計算難題提供顛覆性的解決方案?！霸诹孔宇I域，我們正在看到越來越多過去被認為是需要 10 20 年才能出現的突破在不到 3、4 年內發生?！?*William Hurley Strangeworks CEO 量子芯片 航海梯山，無遠弗屆趨勢 一*Source: Author-related. (2022.04). Facing tomorrows quantum hackers today. MITTR & TII7硅光芯片摩爾的盡頭有“光”硅光芯片兼具微電子與納米光子的技術優勢，既具有微電子尺寸小、成本低、集成度高的

11、特點，又將光子高帶寬、高速率、多通道的長處發揮地淋漓盡致，實現了兩種物理體系的高效整合。隨著云計算與人工智能等應用的爆發，硅光芯片進入了技術與產業的高速發展期。目前，硅光芯片已在大型數據中心內部數據傳輸等領域迎來商業化落地。未來，硅光芯片與電子芯片將互補共存，深化光電融合的發展模式。28隨著集成電路微電子器件的進一步微縮化，電子芯片在提高算力的同時所面臨的能耗和數據傳輸帶寬等問題成為了難以逾越的障礙。光子芯片作為一種在數據運算與傳輸方面更具優勢的集成技術，在后摩爾時代發出閃耀“光”芒。與電子芯片利用電子作為信息載體不同，光子芯片是利用光子來生成、處理并傳輸信息。光子是一種玻色子，其靜止質量為零

12、，所以在信號傳輸的過程中由質量的慣性所帶來的能量損耗較小，光子器件傳輸 1 比特信息所需要的能量僅為電子器件的千分之一。同時，光子的信息容量比電子高出 3 4 個數量級，極高的信息密度與抗干擾能力是光子作為信息載體的先天優勢。光子芯片能夠在信息傳輸的同時完成計算，在與成熟的硅基半導體加工工藝有機融合后，能夠釋放光子計算的無限潛力。半導體集成電路需要將大量微電子原件（如晶體管、電阻、電容等）放在一塊基板上，硅光芯片則利用硅的強大光路由能力，通過施加電壓產生持續的激光束驅動硅光子原件，來實現光信息的傳輸、計算等功能。硅基光電子芯片趨勢 二在微電子技術和光電子技術之間取長補短，既具有微電子尺寸小、成

13、本低、集成度高等特點，又將光電子高帶寬、高速率、多通道的優點發揮地淋漓盡致，實現了兩種物理體系的高效整合。另一方面，硅光芯片對于工藝制程的要求較低，45 nm 或 65 nm 的 CMOS 工藝線即可滿足現階段光計算的絕大部分要求，這使得硅光芯片在制備流程上具備極高的性價比。數字化的時代背景下，5G、人工智能、物聯網等領域下游應用的興起導致了數據量的井噴。根據 IDC 的預測數據，2025 年全球數據總量將達到 175 ZB。硅光芯片 摩爾的盡頭有“光”$454 M$478 M$115 M$84 M2020$454 M2026$1.1 BCAGR49%數據中心硅光模塊光子計算硅光芯片按應用分類

14、光互連圖 | 2020-2026 硅光芯片市場規模（來源：Yole）9立足于光子的傳輸速率和計算密度等優勢，硅光芯片在信息傳輸與信息處理方面的作用逐漸凸顯。在信息傳輸方面，數據中心內大規模的分布式計算使得服務器之間需要進行頻繁的大量數據交換，數據的訪問與搬運性能成為與計算性能一樣重要的指標。傳統的高速光模塊在通信網絡設備成本中占比高達 50% - 60%，其高昂的成本阻礙了數據傳輸速率的發展。而硅光芯片能夠在較低的成本下，提供數據中心集群設備間、服務器與服務器間、甚至是芯片內部的超高速光互連。未來，硅光芯片將成為數據中心內超高帶寬數據互聯的標配。在信息處理方面，硅光芯片具備相比電子芯片更快的矩

15、陣運算速率。光子計算公司曦智科技于 2021 年底發布的第二代高性能光子計算處理器“PACE”，集成了超過 1 萬個光子器件，其在特定循環神經網絡下的運行速度可達目前最先進的電子芯片的數百倍。人工智能正在 從 “ ModelCentric ” 向 “ DataCentric”轉變，基于海量數據的大模型背后，將會是硅光芯片大放異彩的賽場。趨勢 二當下，硅光芯片仍然面臨著產業鏈與工藝水平的制約，還未形成系統化的設計方法與標準化的制造工藝，光學器件的密度有待進一步的提升。并且光計算的精度低于電子芯片，限制了硅光芯片的應用場景。只有打通了設計、工藝、封裝、產品等完整的產業鏈條，硅光芯片才能真正釋放性能

16、與成本的巨大潛力。硅光芯片的商業化是一個持續且漫長的過程。未來 3 年，硅光芯片的商業化產品將首先出現在對算力、延時和功耗有特定需求的應用場景，如量化交易、自動駕駛和大數據中心。未來 10 年，隨著技術的不斷演進，光計算將會在硅光芯片和電子芯片長期互補共存的基礎下走向大規模普及?！安痪玫膶?，大家可能會看到，服務器中、板卡上、芯片里和計算系統內各個尺度的光電進一步融合?！?沈亦晨 曦智科技創始人硅光芯片 摩爾的盡頭有“光”10類腦芯片來自大腦的答案人腦是自然界中最完美的信息處理系統，類腦計算借鑒人腦處理信息的方式，以更少的器件、更低的能耗與更高的能效比顛覆傳統計算范式。類腦芯片是類腦計算落地應

17、用的硬件載體，具備“事件驅動”與“存算一體“等特性。未來，人工智能的發展必將從狹隘的弱人工智能走向更具魯棒性與通用性的通用人工智能。腦科學與計算機科學的深度融合，將為通用人工智能的實現提供必要的條件。311人工智能時代，存算分離的馮諾依曼架構逐漸顯現瓶頸。人腦是自然界中最完美的通用智能體，類腦計算借鑒人腦處理信息的方式，以更少的器件、更低的能耗與更高的能效比解決馮諾依曼架構所面臨的“內存墻”與“功耗墻”等諸多挑戰。人工神經網絡，是基于統計學遞歸原理所構建的計算架構。而類腦計算是基于借鑒腦神經元工作原理的新型架構，是一種時域加空域的計算，在具備稀疏性的同時能夠有效體現人腦處理信息時候的高效性、近

18、似性與時空連續性。類腦芯片，是類腦計算落地應用的硬件載體。類腦芯片具備“事件驅動”的特性，即只有輸入信號達到一定的閾值，神經元才會被激活并發出脈沖，通過人工突觸將信號傳遞到下一個神經元。在輸入信號不足以刺激神經元發出脈沖時，其他非活躍神經元自身能夠保持極低的運行功耗。與此同時，類腦芯片還具備“存算一體“的優勢，能夠很好地滿足邊緣計算領域低延時場景的需求。目前，類腦芯片存在基于數?；旌想娐?、異步數字電路和同步數字電路等多種技術方案，類腦計算的研究也正處于飛速發展期。趨勢 三在實驗室領域，包括斯坦福大學、曼徹斯特大學、清華大學以及浙江大學在內的世界知名高校均在類腦計算方向有所建樹。而產業界中，IB

19、M、Intel、阿里巴巴等大型科技公司和眾多初創公司也正在積極布局類腦芯片。2019 年 8 月，清華大學自主研發的異 構融 合類 腦芯 片“ 天機 芯 ”登上Nature雜志封面?！疤鞕C芯”總共可實現 4 萬個神經元，兼容人工神經網絡與脈沖神經網絡，能達到普通 AI 芯片10 倍以上的能效比。目前，“天機芯”芯片已完成從科研到產業應用的轉變。2021年 9 月，Intel 發布最新一代類腦芯片 Loihi 2。該芯片在非激活狀態下能夠實現毫瓦級別的功耗。Loihi 2 作為一種研究型芯片已被應用在機械臂、嗅覺傳感、人造皮膚等領域的研究上。類腦芯片 來自大腦的答案圖 | 全球類腦計算研究部分頂

20、尖高校12類腦芯片在實驗室內已經取得了重要技術突破，而在市場上也能夠看到前沿的應用落地。智能感知終端設備由于需要實時處理多模態、非結構化的數據并做出正確的決策，是類腦計算施展拳腳的絕佳場景。目前，已有類腦芯片企業針對智能機器人、智能安防等具體應用對生物神經網絡進行優化，并將算法變成芯片架構，提供定制化的類腦智能解決方案，推動了類腦芯片的產業化與商業化落地。當下，類腦芯片仍面臨著來自材料體系的難題。目前能夠實現量產的類腦芯片，基本還是采用電路模擬人工神經突觸的方式來進行類腦計算，這樣做不僅對芯片制造工藝要求較高，生產效率也十分低下。理想的類腦芯片材料，應該既具備在器件層面模擬神經元和突觸的功能，

21、又能夠于系統層面實現大規模的集成。努力探尋滿足上述條件的材料，是類腦芯片實現突破的關鍵卡口。盡管類腦計算行業還處在突圍階段，其市場前景仍受到廣泛的認可。根據Yole Dvelopment 預測，2035 年類腦計算市場將占人工智能市場總收入的15%-20%，市場規模約 200 億美元。長路漫漫，始于足下。從短期來看，類腦芯片需要以端側智能為利基市場，憑借自身超低功耗、高能效比的優勢，挖掘和創造更多的應用場景。荊棘載途，云程萬里。從長期來看，類腦芯片想要迎來商業價值的釋放，不僅需要產業端關注制造成本的降低，更需要科研端從系統結構入手，發展類腦計算完備性，拓展類腦芯片應用于通用計算的可能性。未來，

22、人工智能的發展必將從狹隘的弱人工智能走向更具魯棒性與通用性的通用人工智能。類腦計算是通往通用人工智能的必經之路，但絕不是獨木橋。只有將計算機的剛性與腦的彈性進行有機結合，在現有的硅基計算機架構基礎上載以具備時空復雜性的類腦芯片，才能引領人工智能的下一次變革?！叭斯ねㄓ弥悄苁且粋€必然的趨勢，而異構融合的類腦芯片正是這把鑰匙?！?施路平 清華大學教授趨勢 三類腦芯片 來自大腦的答案13DPU以數據為中心的計算隨著云計算的普及，數據中心在快速擴容的同時也面臨著來自性能、規模、能耗與安全的問題。為更好地解決數據中心的瓶頸并實現云服務的降本增效，DPU （數據處理芯片）替代傳統的智能網卡，成為了完美的解

23、決方案。數據是貫穿計算、網絡和存儲三要素的一根主線。未來，DPU、CPU、GPU將成為大型數據中心內的三駕馬車，DPU 作為整個數據中心的大腦，通過數據流鏈接并管理著整個計算系統。414過去 20 年，智能化和數字化的浪潮加速了云計算與數據中心的發展。作為信息時代的 IT 基礎設施，數據中心在快速擴容的同時也面臨著來自性能、規模、能耗與安全的問題。一方面，數據中心的計算資源被復雜的基礎設施操作所占據，留給業務處理的計算空間正在逐漸縮減。數據顯示，處理 25G 帶寬的網絡服務，將耗費 CPU 約20% 的算力，而當帶寬變為 100G，這個數字將提升到 70%。另一方面，服務器集群的規模越來越大，

24、如何高效地統籌各服務器間的計算和存儲資源是數據中心想要實現降本增效必須克服的難題。針對上述問題，從智能網卡演變而來的 DPU 成為了共識的解決方案。 DPU 集合了高性能的網絡接口與靈活可編程的多核 CPU，能夠實現算力卸載、降低網絡擁塞、網絡虛擬化和安全加速等多種功能，為數據中心業務與基礎設施操作的分離提供了強有力的支持。DPU 最根本的功能是對 CPU 任務的卸載。DPU 將數據中心基礎設施操作中占據 CPU 資源較多的網絡、存儲、虛擬趨勢 四化和安全等任務都卸載并集成到一個平臺。在此基礎之上，CPU 算力能夠被最大規模地釋放給上層應用，從而提升可供售賣的計算資源，為數據中心帶來經濟效益。

25、DPU 另一個重要的使命是對數據中心進行集群管理。DPU 作為數據中心的大腦，利用快速的數據遷移能力實現基礎設施硬件的池化，包括算力的池化、存儲的池化以及將來內存的池化。池化后的資源能夠得到更高效的利用和管理，從而有效降低數據中心的 TCO（整體擁有成本）。與此同時，DPU 作為數據處理和運維的中樞，負責將不同的數據任務調度給最合適的 CPU、GPU 或 DPU 自身進行處理，加速了異構計算到來的步伐。DPU 以數據為中心的計算圖 | CPU、GPU、DPU成為數據中心“三駕馬車”數據中心I/O 密集任務資源調度通用計算CPUGPUDPU圖像處理AI 加速15根據英偉達的預測，未來用于數據中心

26、的 DPU 數量將達到與數據中心服務器數量同等的級別，DPU 的全球市場規模有望在三年內超過 100 億美元。DPU 廣闊的市場空間，也吸引了世界范圍內的眾多玩家。DPU 領域的玩家主要分為三大類。第一類是包括亞馬遜、谷歌、阿里巴巴和華為在內的大型云服務廠商；第二類是英特爾、英偉達和博通等傳統半導體巨頭；第三類則是以美國 Fungible、Pensando（被 AMD 以 19 億美金收購）和中國頭部企業云豹智能為代表的 DPU 初創公司。當下，DPU 芯片的核心競爭要素是性能與可編程能力的極致平衡。想要打造算力大、通用可編程的 DPU，必須深入了解云服務廠商的需求與數據中心的應用場景，根據需

27、求與場景去抽象和定義產品，在帶來較低的遷移成本的同時也敏捷地支持業務變化。作為中國 DPU 賽道的領頭羊之一，云豹智能將包括 DPU 芯片在內的整板功耗控制在 75W 以下，為數據中心裸金屬、虛擬機和容器應用場景提供一體化的 DPU 解決方案，在成本降低的同時獲得數倍以上的性能提升。未來，“應用定義軟件、軟件定義芯片“的軟硬件融合思路將貫穿芯片設計的全流程。趨勢 四除了在數據中心和云計算領域發光發熱，DPU 在未來會承載更加豐富的應用場景。包括網絡安全、通信、邊緣計算和數據存儲等都將是 DPU 的目標市場。如果說 CPU 是“以計算為核心，指令控制流驅動計算”的平臺，那么 DPU則是“以數據為

28、中心，數據流驅動計算”的平臺。 數據中心正在從“CPU Centric”的時代走向“Data Centric”的時代。數據是貫穿計算、網絡和存儲三要素的一根主線。數據中心內部，DPU 好比交通信號燈，通過數據流鏈接并管理著整個系統，從而實現更高速率和更低延時的業務響應。算力不僅需要提升，更需要變得可以駕馭。DPU 的興起正推動著計算基礎架構的變革，為更高效的數據處理和計算解決方案鋪平了道路?！拔磥?，云服務廠商的創新與優化都將集中在 DPU 上?！?蕭啟陽 云豹智能 CEODPU 以數據為中心的計算16分布式云云邊端協同的關鍵樞紐分布式云靠近數據的源頭，搭載在數據中心與終端設備之間的邊緣基礎設施

29、之上，能夠提供低延時、廣連接、大帶寬的云服務。隨著硬件設備的發展，分布式云節點將具備部分中心云的能力，但并不能完全取代中心云，而是以云邊端深度協同的形式構建更加完備的云計算架構。未來，分布式云將服務于自動駕駛、工業制造、智慧城市等對時延和連接有苛刻要求的應用，釋放更多邊緣智能的價值。517從電子計算機的誕生到客戶端電腦的普及再到云計算的興起，計算架構經歷了從集中式到分布式再到集中式的演變。5G 與 IoT 浪潮之下，智能終端數量及其產生的數據總量呈現指數級別的增長，集中式的云計算難以滿足帶寬、時延與成本的需求，算力架構開始再次向分布式遷移。分布式云搭建在數據中心與終端設備之間的邊緣基礎設施上，

30、是云計算能力向邊緣節點下沉的表現。分布式云靠近數據源頭，廣泛分布在不同地理位置，覆蓋各種數據熱點區域和客戶場景，就近提供計算、網絡、存儲、安全等云能力?；谝陨衔锢韺用娴膬瀯?，分布式云是一種滿足廣連接、大帶寬、低延時和碎片化需求的精細化云服務。分布式云作為中心云的延伸，承擔著“神經末梢”的計算任務。與物流配送“最后一公里”類似，分布式云最顯著的特點就是能夠針對計算任務提供敏捷的響應。由于終端設備與大型數據中心地理距離的限制，傳統云服務難以進一步降低如自動駕駛和虛擬現實等應用的響應時延。由于分布式云更靠近邊緣側，能夠滿足實時數據分析與處理的數據產生和使用的需趨勢 五求，從而為以傳感器網絡為基礎的

31、各類應用提供了可靠的計算基礎。隨著分布式云覆蓋密度的提升，更多的邊緣智能與端側智能將成為現實。分布式云能夠提供更高效和安全的服務。中心云的模式下，大量終端設備的數據需要回傳到云端，極易造成網絡通道的堵塞和帶寬容量的浪費。而分布式云的架構，每一個計算節點都有能力承擔數據預處理的工作，從而實現數據的分層傳輸，減緩大規模并發對于骨干網絡的沖擊。另一方面，由于縮減了數據的傳輸鏈路，分布式云能夠減少傳輸過程中數據隱私泄露的風險，并滿足特殊客戶關鍵數據不離場的需求。未來，數據安全相關法律法規的實行將使得分布式云成為企業的必要選擇。分布式云 云邊端協同的關鍵樞紐大型IDC分布式云云邊端圖 | 云-邊-端協同

32、架構終端設備終端設備18面對差異化的計算需求，分布式云能夠基于物理終端的位置、計算節點的位置和算力系統的狀態，實現算力的智能調度與分配，在保證業務響應低時延的同時有效提升計算資源的利用率。云資源的智能調度依托于強大的基礎設施軟件，專注于軟件定義邊緣的分布式云廠商秒如科技，正是憑借全棧自研的異構調度引擎，得以提供強大的跨云、彈性可伸縮的計算資源調度和編排。從需求側來看，海量應用促使全球算力需求不斷攀升。從供給側來看，算力網絡的結構會隨著分布式云的大規模普及而呈現顆?；?、下沉的趨勢?；诠┬鑳啥说陌l展情況可以判斷，未來的計算資源將是無處不在且位置無感的。不同于中心云是資源定義的云服務，分布式云是業

33、務場景定義的云服務。近幾年，除了數據中心的成本和效能等因素，云服務廠商的核心競爭將集中在用戶體驗之上。分布式云基于中心云所不具備的低延時、低帶寬成本等優勢，能夠提供給客戶更優質的云體驗。進入快速成長階段，分布式云的進一步發展依托于更多上游應用場景的落地，而分布式云廠商競爭的關鍵在于對客戶和業務場景理解的深度。趨勢 五當下，分布式云仍然還面臨著部署成本、軟硬件異構管理、安全體系等多方面的難題。下一個五年，在突破上述瓶頸后，分布式云能夠推動全面云化的進程。根據 Gartner 預測，到 2025 年將有超過50% 的組織在其選擇的地點使用分布式云，從而實現業務的轉型與升級。隨著硬件設備的發展，分布

34、式云節點將具備部分中心云的能力，但并不能完全取代中心云，而是以云邊端深度協同的形式構建更加完備的云計算架構。作為云邊端協同的關鍵樞紐，分布式云需要在業務、應用管理、數據和資源等方面與中心云實現協同，并在應用層面為自動駕駛、工業制造和智慧城市等場景下的終端設備帶來實時智能互連。未來，分布式云將推動邊緣計算、分布式云原生、分布式數據庫、分布式存儲等行業分布式應用的革命?！捌髽I IT 基礎設施的發展在經歷了從硬件定義到軟件定義再到服務定義的演進過程后，無不處在的分布式云將成為未來最為關鍵的 IT 基礎設施?！?孫思清 浪潮云首席技術官分布式云 云邊端協同的關鍵樞紐19泛在算力無處不在的算力網絡在數據

35、爆發式增長與算力單點性能極限之間的矛盾日益突出的背景下，以網絡連接泛在算力，構建云邊端一體的立體算力網絡迫在眉睫。未來，算力將呈現泛在分布、多元異構、位置無感的趨勢。隨著網絡技術與計算技術的并行發展、算網的深度融合，智能可調度的泛在算力網絡將加速到來。下一個 10 年，算力將如同水電煤等基礎資源，滲透進人類生產生活的點滴，成為智能社會運行的核心要素。620先進計算與網絡技術的發展，推動了智能世界萬物互聯的進程。未來社會，智能化設備無處不在，算力也將無處不在。邁入算力時代，算力將突破云的邊界，向萬物蔓延，呈現出云邊端立體化泛在分布的趨勢。泛在算力，將如同工業社會里石油的角色一樣，成為智能社會的基

36、石。進入后摩爾時代，受到性能、成本和功耗等因素的影響，單個芯片算力的提升逐漸放緩。與此同時，多核芯片數量及性價比也趨于極限，推動了算力從單點向網絡化階段的過渡。在算力需求不斷增長的背景下，網絡化的算力能夠彌補局部算力的缺口和算力供給不均衡的現象。通過網絡連接泛在算力，突破單點算力的性能極限，成為打破算力危機的關鍵。網絡化的算力并不僅僅是簡單地將云端數據中心與數據中心之間、數據中心與算力需求端之間互相連接起來，而是構建云邊端一體的多層級算力架構。在面對一些如自動駕駛、智慧安防等有著低時延、大帶寬算力需求的場景時，網絡信道的傳輸質量影響了數據傳輸的效率，從而限制了云端算力的全量輸出，產生算力供給與

37、算力需求間的錯配。為了解決上述問題，趨勢 六將部分數據處理工作從云端遷移至邊緣端，引入廣泛分布的邊緣算力，是建設網絡化算力體系的支柱。邊緣算力的引入，不僅能對計算需求起到“削峰填谷”的作用，顯著提升算力網絡的效能，更能有效節省網絡帶寬成本，提升算力網絡的經濟性。未來，云端算力是主引擎，邊緣算力是渦輪增壓器，終端算力是倍增器，共同打造無處不在的算力網絡。泛在算力是多元異構且位置無感的。除通用計算外，隨著高性能計算和人工智能加速器的興起，算力的內核不斷朝著GPU、FPGA、DPU 等多元異構化的方向演進。算力網絡將通過統一的基礎設施層泛在算力 無處不在的算力網絡資料來源：華為泛在算力：智能社會的基

38、石21對多元化的硬件進行管理和編排，并對外提供多樣性算力的統一供給。同時，算力網絡的智能調度能力將淡化算力供給來源的意識，讓算力需求方更專注于上層應用的執行效果，實現算力的處處可用、計算資源的位置無感。算力應用與算力基礎設施的解耦，將會催生更多智能應用和智慧場景的誕生。根據華為預測，到 2030 年，全球數據量年新增 1 YB，通用算力增長 10 倍達到 3.3 ZFLOPS，人工智能算力增長500 倍超過 100 ZFLOPS。經歷過“泡沫之巔”與“絕望之谷”，AI 已經邁入了穩步發展的階段。 AI 是下一個十年的時代主旋律，泛在的算力能夠為人類帶來無處不在的感知和無所不及的 AI。未來，A

39、I 將在算力引擎的帶動下，走向通用化、普惠化，持續在智慧城市、智慧醫療、智能制造和科學研究等領域釋放價值。在通往泛在算力的道路上，仍然存在著諸多維度的挑戰。其中，網絡技術是需要面對的第一座大山。當前各算力節點通過網絡靈活高效調配算力資源的能力仍存在不足，算網協同和全局調度能力較弱。網絡技術的發展需要追趕計算技術的步伐，趨勢 六進一步提升網絡鏈接的實時性、可靠性與承載能力，為實現“算網融合”打下堅實的基礎。再者，不同算力節點的標準機制挑戰和系統的安全可信挑戰也不容忽視。終端、邊緣端及云端間海量數據交互的安全與隱私問題如何保證，來自于廣泛分布的邊緣算力節點的網絡攻擊如何預防，不同節點的算力體系與管

40、理標準如何拉通，將是構建開放、高效、可信的泛在算力網絡必須要解決的癥結。下一個 10 年，算力將如同水電煤等基礎資源，滲透進人類生產生活的點滴，成為智能社會運行的核心要素。泛在的算力為各行各業帶來的效率提升能夠釋放出新的生產力，從而推動社會經濟的發展。機器與設備因泛在算力網絡的存在獲得更高的輸出效能，人類的工作負擔將得到進一步的減輕，從而有機會從事更多富有創造力的工作。泛在算力是大勢所趨，雖道阻且長，但行則將至?！八懔σ讶怀W絡化的方向演進。未來，算網融合下的泛在算力將成為推動數字經濟與智能社會發展的主引擎?！?王曉東 天翼云解決方案部總經理泛在算力 無處不在的算力網絡22科學復興先進計算加

41、速科學突破科技發展呈螺旋上升之勢，永不停滯。底層學科的突破不斷擴張著人類認知的邊界。在知識的版圖之上，科學家與工程師們建造了科技應用結晶的高樓。高樓之下，正是計算技術灌溉的基石。站在高樓之上，人類得以再次瞭望更廣闊的遠方。計算能力的每一次革新都助推著科技的發展。邁入算力時代，以量子計算、光計算為代表的先進計算將為人工智能等工具搭載全新的引擎，加速人類科學復興。723科學的突破不僅僅需要敏銳的觀察力、豐富的想象力、嚴謹的推理能力，更需要強大的計算能力。從手稿紙上基于人類智力的演算，到圖靈機代替人腦進行機器運算，再到基于大數據的機器學習和逐漸工具化的量子計算，人類每一次計算能力的革新都助推著科技的

42、發展。邁入算力時代，以量子計算、光計算為代表的先進計算技術將為人工智能等工具搭載全新的引擎，加速人類科學復興。過去二十年，隨著算力的不斷提升，人工智能系統正變得足夠強大。AI 除了可以應用于解決現實世界的問題，更能為科學發現本身帶來突破。當下，人工智能已經成為科學研究人員的得力工具，開啟了眾多全新的科學探究領域，并不斷促成跨學科的合作。趨勢 七如果說數學是物理學的正確描述語言，那么 AI 在生物學中也扮演著類似的角色。由于長鏈氨基酸的三維扭曲、折疊和交織，蛋白質結構預測成為困擾生物學界 50 余年的難題。2022 年 12 月，人工智能公司 DeepMind 發布 AlphaFold2，這是一

43、種能將蛋白質的形狀預測到接近原子尺度的 AI 工具。AlphaFold2 的預測結果，幫助了人類進一步闡明蛋白質的作用，也為了解癌癥和新冠肺炎等重大疾病提供了寶貴的參考。雖然 AlphaFold2 預測人類蛋白質的覆蓋率很高，達到了 98.5%，但在某些生物制藥或疾病治療領域，對氨基酸的結構精度需要真正達到原子級別。從這個角度看，AlphaFold2 還有很多的提升空間。與此同時，AlphaFold2 模型在運行時，仍需要耗費幾個小時甚至一整天。未來，隨著 AI 加速器的不斷進步和先進計算技術的引入，人工智能底層的算力將會迎來更大的騰躍，彼時的 AlphaFold2將會以更高的功率、更精的準度

44、，幫助人類擴張已知蛋白質的數據庫，并為靶向藥物的快速研發和迭代貢獻計算的膂力?？茖W復興 先進計算加速科學突破0400080001200011121314151617181920AI in 計算生物學領域論文數量數據來源：Web of Science年份24除了應用于生物學領域，AI 在物理和數學的突破中也扮演著重要的角色。2022 年 2 月，DeepMind 公布 AI 應用于核聚變的成果，提供了一種全新的控制等離子體的智能方法。雖然距離核聚變的商業化還至少需要 20 年，但 DeepMind的嘗試無疑加快了通往可控聚變反應堆的進度。機器學習工具也被多位科學家證實能夠幫助計算數學常數和發現數

45、學規律。二十一世紀以來，量子計算處在高速發展期，而量子計算機的能力也已經達到了可以用來進行廣泛技術研究的階段。來自美國多所知名大學的 Q4Q 團隊就一直致力于用量子計算加速科學研究。Q4Q 團隊的目標是在量子計算發展的基礎之上，利用量子算法和軟件包來重建經典計算機難以實現的物理系統的量子模擬。量子模擬能夠為預測分子和固體的電子和振動光譜提供前所未有的準確性，以此在能源科學、制藥科學、材料制造等領域產生巨大影響。目前，團隊研究的方向包括固體的能帶結構、分子電子/振動的特性等。接下來，Q4Q 團隊將進一步探究周期性系統的量子模擬，推動量子計算在選定材料和分子性質方面的應用。趨勢 七先進計算不僅能顯

46、著提升科研的效率，更是科學領域創造力的倍增器?？茖W突破離不開人類的創造力，而創造力的本質是對知識的重新組合。大腦的時空復雜性賦予了人類創造力，使得我們能夠在無數的組合中抓住靈光一現。面向更復雜、更多維信息的先進計算技術，能夠用秩序馴服混沌，讓思維的源泉從一川從入海走向百川赴海，進而加速人類知識海洋的聚積。當“Computing for Everything”從口號變為現實，當“無窮大謎題”被解開，當創造力也可以被創造.人類終將坐上算力的相位加速器，在科學復興的時代背景下，努力追趕宇宙膨脹的光錐?！拔覀儗⒖吹揭环N全新的科學復興，這些 AI 技術將繼續變得更加復雜，并被應用到廣泛的科學領域?！?Demis HassabisDeepMind CEO科學復興 先進計算加速科學突破*Source: Will Douglas Heaven. (2022.02).DeepMinds AI can control superheated plasma inside a fusion reactor. MITTR