融合計(jì)算是微觀和宏觀視角算力提升策略的總結(jié)，是三個(gè)維度融合（異構(gòu)融合x(chóng)軟硬件融合x(chóng)云邊端融合）的統(tǒng)稱(chēng)，那么融合計(jì)算是如何提出來(lái)的？為什么融合計(jì)算有且僅有三個(gè)維度的融合？

性能和算力

1.1 性能的計(jì)算公式

定性的分析，一個(gè)芯片的性能由三個(gè)維度組成：

維度一，指令復(fù)雜度。理論上，指令復(fù)雜度越高，性能越好。但實(shí)際上，需要考慮系統(tǒng)的通用性，以及目標(biāo)工作任務(wù)的靈活性特征，來(lái)選擇合適的處理器引擎。

維度二，運(yùn)行頻率。運(yùn)行頻率提升，主要是先進(jìn)工藝，以及更復(fù)雜的流水線(xiàn)設(shè)計(jì)。

維度三，并行度。提高并行度比較好理解，并行也主要有同構(gòu)并行、（兩個(gè)處理器的）異構(gòu)并行和（三個(gè)以上）更多異構(gòu)融合的并行。

1.2 算力的計(jì)算公式

算力和性能的區(qū)別在哪里？性能是微觀的算力，算力是宏觀的性能。那么算力和性能之間的聯(lián)系是什么？ 如上圖所示，我們定性分析，可以在性能和算力之間構(gòu)建一個(gè)關(guān)聯(lián)的公式。從上述公式可以看到，宏觀的總算力，由三個(gè)維度的參數(shù)組成：

維度一，單芯片性能。通過(guò)提升單芯片性能的方式，也就是Scale Up的方式提升整體算力。

維度二，芯片的數(shù)量。通過(guò)增加計(jì)算芯片（計(jì)算節(jié)點(diǎn)）的數(shù)量，也就是Scale Out的方式，通過(guò)提升規(guī)模來(lái)提升整體算力。

維度三，算力利用率。如果僅有標(biāo)稱(chēng)算力，而無(wú)法達(dá)到很好的利用率，那也是徒勞。隨著AI的發(fā)展，集群規(guī)模越來(lái)越擴(kuò)大，算力利用率越來(lái)越成為評(píng)價(jià)一個(gè)算力系統(tǒng)能力的關(guān)鍵指標(biāo)。

從微觀到宏觀

2.1 微觀視角的算力提升

2.1.1 如何提升單芯片性能 融合提升單芯片的性能：

一方面是底層采用更先進(jìn)的工藝，以及通過(guò)Chiplet封裝支撐，從而實(shí)現(xiàn)更大的計(jì)算規(guī)模；

另一方面，則是系統(tǒng)架構(gòu)和微架構(gòu)方面的創(chuàng)新，來(lái)實(shí)現(xiàn)單芯片層次更高的性能，這也是算力提升最本質(zhì)的做法。

計(jì)算架構(gòu)的創(chuàng)新則最主要的就是：

從第一代基于CPU的同構(gòu)通用計(jì)算；

以及第二代基于CPU+GPU的異構(gòu)通用計(jì)算；

逐步的走向第三代基于CPUxGPUxDSAs的異構(gòu)融合通用計(jì)算。

2.1.2 如何提升芯片的數(shù)量和落地規(guī)模 芯片的落地，不是簡(jiǎn)單的復(fù)制。國(guó)產(chǎn)算力芯片已經(jīng)有好多家了，甚至一些公司的芯片都已經(jīng)有三到四代了，但仍然銷(xiāo)售不是很順利。底層的原因在于：

生態(tài)的問(wèn)題。國(guó)產(chǎn)芯片（相比NVIDIA CUDA）生態(tài)不夠好。但生態(tài)問(wèn)題如何解決，不在于微觀的一家公司的一個(gè)架構(gòu)和相應(yīng)的私有生態(tài)如何構(gòu)建和繁榮，而在于宏觀的很多公司很多架構(gòu)如何整合（將在加下來(lái)的宏觀視角部分介紹）。

芯片需要足夠多的通用性，需要能夠覆蓋更多的業(yè)務(wù)場(chǎng)景和更多的業(yè)務(wù)迭代。

此外，芯片需要有非常高的I/O能力，確保在更大的規(guī)模下仍能有非常高的東西向通信效率（不耽誤計(jì)算，不影響計(jì)算效率），能夠支持更大規(guī)模的集群計(jì)算。

2.1.3 如何提升芯片的算力利用率 要想提升算力芯片的利用率，那么：

一方面，芯片需要有很好的擴(kuò)展性能力，支持資源切分、池化、和重組；

另一方面，開(kāi)放架構(gòu)，減少多元異構(gòu)算力的架構(gòu)數(shù)量，從而使得更多的算力能夠匯集到統(tǒng)一的算力資源池，從而實(shí)現(xiàn)更大范圍的算力共享，進(jìn)而提升整體的算力利用率。

2.2 宏觀視角的算力提升

2.2.1 如何提升單個(gè)節(jié)點(diǎn)的性能 從宏觀角度，單節(jié)點(diǎn)的性能提升，則主要是如何把更多異構(gòu)融合架構(gòu)的計(jì)算能力充分的用起來(lái)：

首先，是需要一個(gè)更加綜合的異構(gòu)融合計(jì)算框架，既包括CPU的工具鏈，也有GPU、AI，以及其他如網(wǎng)絡(luò)、存儲(chǔ)、視頻、安全等領(lǐng)域的加速計(jì)算框架，還需要這個(gè)異構(gòu)融合計(jì)算框架，支持異構(gòu)協(xié)同和跨異構(gòu)應(yīng)用遷移。

第二，則是更復(fù)雜的計(jì)算架構(gòu)和算力調(diào)度。在通算時(shí)代，一個(gè)物理的計(jì)算機(jī)，通常具有四類(lèi)資源：CPU、內(nèi)存、網(wǎng)絡(luò)和存儲(chǔ)；在異構(gòu)計(jì)算時(shí)代，則是CPU、內(nèi)存、網(wǎng)絡(luò)、存儲(chǔ)和加速器。而在異構(gòu)融合時(shí)代，則是CPU、內(nèi)存、網(wǎng)絡(luò)、存儲(chǔ)，以及更多種不同領(lǐng)域的加速器。那么，如此復(fù)雜的計(jì)算架構(gòu)模型，如何資源切分、池化和重組，以及如何同架構(gòu)調(diào)度，以及實(shí)現(xiàn)跨架構(gòu)調(diào)度，都是需要深入考慮的事情。

2.2.2 如何提升芯片的數(shù)量和落地的規(guī)模 宏觀視角下，芯片的數(shù)量提升，主要是如下幾個(gè)層次：

最基礎(chǔ)的就是集群規(guī)模的擴(kuò)大，這需要高性能網(wǎng)絡(luò)，更高的帶寬，更低的延遲。

接下來(lái)，就是跨集群管理和跨集群調(diào)度，這就需要更復(fù)雜的網(wǎng)絡(luò)和更高層次的算力調(diào)度。

再接下來(lái)，就是要實(shí)現(xiàn)跨數(shù)據(jù)中心的算力整合，這也就是目前火熱的算力網(wǎng)絡(luò)關(guān)注的范疇，有非常大的技術(shù)挑戰(zhàn)和商業(yè)上的挑戰(zhàn)。

再接下倆，那就是要跨云邊端，實(shí)現(xiàn)云邊端融合計(jì)算，挑戰(zhàn)會(huì)更大。

2.2.3 如何提升算力利用率 宏觀視角看算力利用率提升，主要是兩塊，承上啟下：

啟下。承載計(jì)算的芯片類(lèi)型越來(lái)越多，多元異構(gòu)問(wèn)題凸顯，這是目前算力整合不得不面對(duì)的現(xiàn)實(shí)困難。芯片（或引擎）的類(lèi)型有很多，每一張類(lèi)型還有很多不同的架構(gòu)，這些不同類(lèi)型不同架構(gòu)的芯片是一個(gè)個(gè)孤島，如何把這些孤島連成一體，是一個(gè)非常重要的事情。未來(lái)，開(kāi)放計(jì)算架構(gòu)會(huì)是一個(gè)不得不走的選項(xiàng)，逐漸的從目前各家芯片公司各自為政私有架構(gòu)的模式，過(guò)渡到開(kāi)放架構(gòu)的模式，讓芯片的架構(gòu)逐漸收斂。

承上。相比芯片側(cè)的問(wèn)題，計(jì)算芯片所支撐的上層業(yè)務(wù)軟件側(cè)的問(wèn)題相對(duì)較少。行業(yè)存在開(kāi)源軟件生態(tài)，這是目前絕大部分業(yè)務(wù)客戶(hù)的共識(shí)，這也減少了很多底層硬件的適配難度。但這幾年，這個(gè)問(wèn)題有所惡化：隨著AI發(fā)展，NVIDIA GPU和CUDA一家獨(dú)大，大家不得不在NVIDIA的封閉體系下工作。這不利于行業(yè)的競(jìng)爭(zhēng)，也不利于算力成本的下降。理想的情況是：行業(yè)形成開(kāi)源開(kāi)放的計(jì)算軟硬件生態(tài)，開(kāi)源軟件定義開(kāi)放硬件；算力中心，不對(duì)任何硬件平臺(tái)有依賴(lài)，不需要為生態(tài)溢價(jià)付費(fèi)，僅需要為功能和性能付費(fèi)即可。

需要注意的是，宏觀和微觀，以及算力提升的三個(gè)維度，是彼此交叉關(guān)聯(lián)的。這里的很多策略，可能會(huì)同時(shí)影響兩個(gè)甚至三個(gè)維度，甚至“按下葫蘆浮起瓢”也是有可能的。實(shí)際的算力優(yōu)化工作，需要仔細(xì)分析應(yīng)對(duì)。

融合計(jì)算

隨著AI大模型以及AI+場(chǎng)景對(duì)算力的需求猛增，算力中心建設(shè)成本也水漲船高，算力網(wǎng)絡(luò)（實(shí)現(xiàn)算力共享）逐漸流行。同時(shí)許多AI+終端的場(chǎng)景，算力需求猛增，從云端和邊緣端“借”算力的云邊端融合計(jì)算模式，成為了終端算力提升的一個(gè)重要方式。 算力系統(tǒng)相當(dāng)復(fù)雜，算力提升成為了一個(gè)龐大的系統(tǒng)工程。立足于最核心的芯片硬件和相關(guān)軟件，從微觀到宏觀，基于上面分析的算力提升的背景知識(shí)，提出了“融合計(jì)算”的概念。希望通過(guò)“融合計(jì)算”的全方位的整合優(yōu)化，來(lái)實(shí)現(xiàn)算力最優(yōu)的性能和成本。

融合計(jì)算，其實(shí)就是微觀和宏觀視角算力提升策略的總結(jié)，是三個(gè)維度融合（異構(gòu)融合x(chóng)軟硬件融合x(chóng)云邊端融合）的統(tǒng)稱(chēng)：

X軸，芯片維度，異構(gòu)融合，Scale Up，提升單芯片性能。通過(guò)異構(gòu)融合計(jì)算，把各類(lèi)異構(gòu)算力的價(jià)值發(fā)揮到極致。

Y軸，計(jì)算堆棧維度，軟硬件融合，提升算力利用率。通過(guò)核心的算力調(diào)度系統(tǒng)中間件，實(shí)現(xiàn)承上啟下，向上對(duì)接開(kāi)源軟件，向下對(duì)接多元異構(gòu)算力，實(shí)現(xiàn)多元異構(gòu)算力的協(xié)同和融合，從而最大化算力資源的利用率。

Z軸，集群擴(kuò)展維度，云邊端融合，Scale Out，提升芯片數(shù)量。通過(guò)增加集群規(guī)模，同時(shí)實(shí)現(xiàn)跨算力中心、跨不同云運(yùn)營(yíng)商、跨云邊端融合的計(jì)算。

融合計(jì)算和多算融合的關(guān)系

融合計(jì)算，是從宏觀和微觀的角度，實(shí)現(xiàn)更底層更本質(zhì)的提升性能和降低成本。而通算、智算和超算，則要更上層一些，是計(jì)算面向不同業(yè)務(wù)要求所做的定向性能和成本的調(diào)整。

隨著智算中心的發(fā)展，目前行業(yè)中出現(xiàn)了通算，智算和超算的融合的發(fā)展趨勢(shì)。但實(shí)際的做法，有待商榷。把CPU通算集群、GPU智算集群，以及存儲(chǔ)集群，以及超算集群，放置到一個(gè)算力中心里，就是多算融合嗎？顯然不是。

多算融合，必然是需要一套體系，能夠統(tǒng)一通算、智算和超算，有統(tǒng)一的資源切分重組，有統(tǒng)一的資源池，有統(tǒng)一的算力調(diào)度，有統(tǒng)一的上層算力服務(wù)，才能稱(chēng)之為多算融合：

首先，是要構(gòu)建統(tǒng)一的計(jì)算機(jī)模型。通算一般是CPU+標(biāo)準(zhǔn)網(wǎng)卡，而智算是CPU+GPU+高性能網(wǎng)卡，而超算則是CPU+GPU+高性能網(wǎng)卡+內(nèi)存一致性加速，存儲(chǔ)則是CPU+更多的存儲(chǔ)I/O。不管咋樣，可以通過(guò)我們前面講到的計(jì)算模型來(lái)統(tǒng)一，不管是哪種計(jì)算，都是CPU+加速卡+內(nèi)存+網(wǎng)絡(luò)+存儲(chǔ)的統(tǒng)一的計(jì)算模型。

然后是資源的池化。通過(guò)云計(jì)算的虛擬化和容器的機(jī)制，實(shí)現(xiàn)資源的切分、池化和重組，可以組合出符合要求的不同類(lèi)型的計(jì)算實(shí)例。

目前，計(jì)算集群已經(jīng)成為主流的計(jì)算方式。通過(guò)VPC，可以在公共算力服務(wù)的多租戶(hù)場(chǎng)景為用戶(hù)構(gòu)建專(zhuān)屬的通算的、智算的或超算的計(jì)算集群。

融合計(jì)算，是更底層更本地算力優(yōu)化問(wèn)題，它存在于軟硬件協(xié)同層次，通過(guò)全方位的各種融合，實(shí)現(xiàn)算力的最佳效果：同算力條件下，成本更優(yōu)；同成本下，算力更高。

融合計(jì)算，是云計(jì)算未來(lái)發(fā)展最大的創(chuàng)新方向，通過(guò)融合計(jì)算，夯實(shí)算力底座，支撐云計(jì)算繼續(xù)往前發(fā)展。再以云計(jì)算為基，構(gòu)建出面向通算、智算和超算等不同場(chǎng)景的算力服務(wù)。