如果我们从历史角度思考,人类社会发展的核心标志有哪些?答案有很多,但其中两个要素必不可少:更便捷的信息传输和更高效的能源利用。
只要能理解这个大前提,再去看最近国外大厂疯狂投资建设数据中心的新闻就不再那么难以置信,其核心就是在抢抓未来世界运行的核心——算力。
一、算力故事:如何理解“算力”?
算力作为当今最“廉价”但也最昂贵的资源之一,本质上就是计算机世界的“运力”——处理信息数据的能力。如何更方便理解“算力”?硬科君给大家讲个故事:
1945年,匈牙利裔数学家约翰·冯·诺依曼正在参与研制世界上第一台电子计算机ENIAC。他发现了一个问题:当时的计算机如果要改变程序,就得重新接线,就像你想让高铁换个路线,就得把铁轨全拆了重铺一样荒谬。
冯·诺依曼提出了一个革命性的想法:为什么不把程序也当作数据,存储在内存里?
这个看似简单的想法,构建了现代计算机的“基建标准”,被称为“冯·诺依曼架构”。它就像是数字世界的城市规划图,包含五个核心部分:
冯·诺依曼架构
1. 运算器(CPU的核心)——相当于工厂车间 这是真正干活的地方,负责执行加减乘除等各种运算。就像工厂流水线上的工人,把原材料(数据)加工成产品(结果)。
2. 控制器(CPU的大脑)——相当于工厂调度中心 它指挥整个系统的运转,决定接下来该做什么。就像调度员,告诉每个工人下一步干什么,什么时候从仓库提货,什么时候把成品送走。
3. 存储器(内存和硬盘)——相当于仓库 这里存放着所有的数据和程序指令。内存像是工厂旁边的临时仓库,随时取用但容量有限;硬盘像是远郊的大型仓库,容量巨大但调取需要时间。
4. 输入设备(键盘、鼠标、摄像头等)——相当于货运进口 把外部世界的信息转化为计算机能理解的数据。就像港口码头,把外面运来的货物卸到仓库里。
5. 输出设备(屏幕、打印机、音响等)——相当于货运出口 把计算结果展示给外部世界。就像工厂的发货区,把生产好的产品送出去。
理解了冯·诺依曼架构这套“基建系统”,算力就好理解了。它就是这套系统的综合通行能力,由三个核心要素决定:
1. 处理器性能——工厂的生产速度 CPU、GPU、AI芯片就像不同类型的工厂。CPU是万能工厂,什么都能干但不快;GPU是专门的组装厂,不太灵活但并行处理能力超强,上千个工人同时作业;AI芯片是为特定任务优化的自动化产线。
衡量指标:每秒能执行多少次运算(FLOPS,浮点运算次数)。你手机的芯片大概是每秒万亿次,而训练ChatGPT的超级计算机集群能达到每秒百亿亿次。
2. 存储带宽——仓库的吞吐速度 工厂生产速度再快,如果仓库供货跟不上,工人只能干等着。内存带宽决定了数据从“仓库”到“车间”的运输速度。这就是为什么高端显卡的显存带宽动辄上千GB/s——AI训练时需要不停地读写海量数据。
衡量指标:每秒能传输多少数据(GB/s)。
3. 系统架构——整个基建系统的协调效率 即使有最快的处理器和最大的带宽,如果调度混乱,整个系统也会堵塞。这就像城市规划,道路设计不合理,再多的车也会堵车。
软硬件协同、任务调度算法、网络拓扑结构,这些都会影响最终的算力输出。这也是为什么谷歌、微软这些公司花费巨资自己设计数据中心,而不只是简单堆砌服务器。
从“算力”到“数字基建”
现在你可以理解了:算力就是数字时代的基础设施建设能力。
你的手机,是一个微型“计算工厂”,算力用来处理拍照、导航、刷视频阿里巴巴的数据中心,是一个超大型“计算工业区”,算力用来支撑淘宝的亿万次交易ChatGPT背后的算力集群,是一个“计算国家”,拥有数万块GPU协同工作
就像工业时代,谁掌握了钢铁产能、发电量、铁路里程,谁就是工业强国。今天,谁掌握了算力,谁就掌握了数字经济的命脉。
而这个“万万亿”级的产业,是如何一步步建立起来的?让我们回到故事的起点。
二、算力简史:从一个房间到改变世界
序章:天才们的战争与梦想(1930s-1940s)
故事要从二战说起。
1936年,一位23岁的英国数学家艾伦·图灵发表了一篇论文《论可计算数及其在判定问题上的应用》。在这篇晦涩的数学论文里,图灵描述了一台想象中的机器——它可以读取纸带上的符号,按照规则进行计算。这就是后来被称为“图灵机”的理论模型,奠定了现代计算机的理论基础。
但图灵的天才想法很快就要接受战火的考验。1939年二战爆发,图灵被英国政府征召,参与破解纳粹德国的Enigma密码机。他设计的“炸弹”机器成功破译了德军密码,据估计使二战至少提前两年结束,拯救了数百万人的生命。这或许是人类历史上第一次,“算力”改变了战争的结局。
此处安利卷福扮演图灵的电影《模仿游戏》
大西洋彼岸,另一个天才正在改写历史。就是那位提出“冯·诺依曼架构”的约翰·冯·诺依曼,他不仅是曼哈顿计划的核心成员,参与了原子弹的研制,还在思考一个更深刻的问题:如何让机器真正成为通用的计算工具?
1945年6月,冯·诺依曼完成了那份著名的《EDVAC报告书》(First Draft of a Report on the EDVAC),首次完整阐述了“存储程序”的概念。这份报告成为了现代计算机设计的圣经——从那时起到今天,你用的iPhone、笔记本电脑、甚至数据中心里的超级计算机,本质上都遵循着同一套设计原理。
冯·诺依曼和EDVAC
1946年2月14日,在美国宾夕法尼亚大学的地下室里,一个庞然大物轰鸣着启动了。这就是ENIAC(电子数值积分计算机),世界上第一台通用电子计算机(有争议)。它占地170平方米,重达30吨,拥有18000个电子管,每秒能进行5000次加法运算。虽然今天一块智能手表的算力都超过它百万倍,但这个“怪兽”标志着人类正式进入计算机时代。
第一幕:从实验室到车库,硅谷诞生记(1950s-1970s)
但真正让算力起飞的,是一个小小的发明。
1958年,德州仪器的工程师杰克·基尔比在实验室里琢磨着一个问题:能不能把所有电子元件都集成在一块半导体材料上?9月12日,他成功制造出了世界上第一块集成电路。几乎同时,仙童半导体的罗伯特·诺伊斯也独立发明了类似技术。这个不起眼的发明,开启了半导体革命的大门。
1968年,诺伊斯和戈登·摩尔离开仙童半导体,创立了一家名叫Intel(集成电子)的小公司。三年前,摩尔在《电子学》杂志上发表了一个大胆预测:集成电路上的晶体管数量每18-24个月就会翻一番,而成本却会降低一半。这就是后来闻名世界的“摩尔定律”。
很多人以为这只是个技术观察,但摩尔定律的真正意义在于:它成为了整个半导体行业的自我实现预言。接下来的50年里,芯片厂商们拼命追赶这个定律,仿佛不这样做就会被淘汰。算力就这样开始了指数级的狂飙。
1971年,Intel推出了4004处理器,世界上第一款商用微处理器,只有12平方毫米,却集成了2300个晶体管。这块小小的芯片,让计算机从庞然大物变成了可以放在桌面上的机器成为可能。
Intel 4004
这时候,故事转向了加州的一间车库。1976年,两个年轻人史蒂夫·乔布斯和史蒂夫·沃兹尼亚克在车库里组装出了Apple I。第二年,他们推出Apple II,这台配有彩色图形和8个扩展槽的个人电脑,让普通人第一次真正拥有了属于自己的“算力”。
Apple II
但真正的转折点发生在1981年。蓝色巨人IBM决定进入个人电脑市场,推出了IBM PC。更关键的决定是:IBM采用了开放架构,操作系统外包给了一家名叫微软的小公司,处理器来自Intel。这个决定无意中造就了两个帝国——“Wintel联盟”统治了个人电脑市场长达30年。
第二幕:互联网狂飙与云端梦想(1990s-2000s)
1990年代,一个新的故事开始了。
当蒂姆·伯纳斯-李发明万维网时,没人意识到这会带来怎样的算力需求。互联网的崛起意味着,算力不再只是计算,而是要处理全世界的信息流。雅虎、谷歌、亚马逊这些公司开始建造巨大的数据中心,里面塞满了成千上万台服务器,日夜不停地响应着来自全球的请求。
1998年,两个斯坦福的博士生拉里·佩奇和谢尔盖·布林创立了谷歌。他们的搜索引擎需要爬取、索引和搜索整个互联网,这对算力的需求是前所未有的。谷歌开始大规模自己设计服务器和数据中心,在算力基础设施上的投入令人咋舌。
Google 早期主页
与此同时,一个不起眼的领域正在孕育革命。1999年,英伟达推出了GeForce 256,公司CEO黄仁勋将其命名为“GPU”(图形处理单元)。当时,没人想到这个专门用来渲染游戏画面的芯片,会在20年后成为AI时代最炙手可热的算力引擎。GPU的特点是拥有成千上万个小型处理核心,虽然单个核心不如CPU强大,但它们可以并行处理海量数据——这正是AI训练所需要的。
2006年,亚马逊做了一个大胆的决定。为了应对购物旺季的流量波动,亚马逊建立了庞大的IT基础设施,但大部分时间这些设备都在闲置。CTO安迪·贾西想:为什么不把多余的算力租给别人?于是AWS(亚马逊云计算服务)诞生了。
这个看似简单的想法,开创了一个新时代:算力可以像水电一样按需使用,你不需要购买昂贵的服务器,只需要租用云端的计算资源。初创公司可以用很少的钱获得强大的算力,这极大降低了创业门槛。AWS的成功,也让谷歌、微软纷纷跟进,云计算成为了一个万亿级的市场。
第三幕:AI觉醒,算力为王(2010s-至今)
但真正让算力成为“战略资源”的,是AI的崛起。
2012年,多伦多大学的杰弗里·辛顿和他的学生用GPU训练了一个深度神经网络AlexNet,在ImageNet图像识别竞赛中以压倒性优势夺冠。这个事件后来被称为“AI的iPhone时刻”——人们突然意识到,只要有足够的数据和算力,神经网络可以做到不可思议的事情。
黄仁勋敏锐地嗅到了机会。他意识到,GPU天生就是为并行计算而生的,正是训练AI的完美工具。英伟达开始针对AI优化GPU,推出了专门的CUDA编程平台。一夜之间,英伟达从一家游戏硬件公司,变成了AI算力的核心供应商。
2016年3月,一个瘦弱的韩国人坐在棋盘前,面对着一个看不见的对手。他叫李世石,世界围棋冠军。而他的对手,是谷歌DeepMind开发的AlphaGo。五番棋对局,AlphaGo以4:1获胜,震惊世界。
AlphaGo的训练用了1920个CPU和280个GPU,耗时数月。但这只是开始。仅仅一年后,AlphaGo Zero完全通过自我对弈学习,仅用了4个TPU(谷歌自研的AI芯片),3天时间就超越了所有之前的版本。算力的效率提升之快,令人瞠目。
2017年,谷歌的研究人员发表了一篇论文《Attention Is All You Need》,提出了Transformer架构。这个架构日后成为所有大语言模型的基础。但当时很少有人注意到,这篇论文开启的,是一场算力军备竞赛。
大出风头的不止谷歌,“人类一败涂地”的案例也不止发生在围棋界。2017年,实时战略游戏DOTA2世界邀请赛(Ti7)上,OpenAI 第一次在电子竞技比赛中战胜职业选手。虽然在此后的2018年,OpenAI 组织的5V5比赛输给了职业选手,也由此正式“退圈”,但AI展现出的学习能力仍然让人惊叹。更重要的是,OpenAI 也通过比赛,吸引了黄仁勋的注意。
OpenAI Dota团队负责人Greg Brockman表示,根据三打两胜的规则,如果这次AI输掉,那就是他们最后的一次比赛了。
从“游戏”中抽身出来的OpenAI迅速找准了赛道。2018年,OpenAI推出GPT-1,参数量1.17亿。2019年,GPT-2,15亿参数。2020年,GPT-3,1750亿参数。模型规模每次都是指数级增长,对算力的需求也随之暴涨。训练GPT-3需要上万块V100 GPU,耗时数月,成本超过1200万美元。(果然打dota很耽搁事儿!)
然后是2022年11月30日,那个改变一切的日子。ChatGPT发布,五天百万用户,两个月破亿。人们排队体验这个会聊天、会写作、会编程的AI,但没人看到背后:OpenAI为此搭建的超级计算集群,微软为其投资的数十亿美元,以及英伟达股价在接下来一年里暴涨的300%。
算力,突然成了最稀缺的资源。英伟达的H100 GPU一卡难求,黑市价格炒到了原价的数倍。所有科技巨头都在疯狂采购芯片、建设数据中心。马斯克订购了1万块H100,Meta计划到2024年底拥有35万块H100。这场算力军备竞赛的规模,已经可以和当年的太空竞赛相提并论。
2025年,黄仁勋成为了硅谷最炙手可热的人物。英伟达市值突破4万亿美元,超过微软和苹果,成为全球市值最高的公司。这个穿着标志性黑色皮夹克的华裔CEO,手握着全球AI发展的命脉——因为几乎所有的大模型训练,都离不开英伟达的GPU。
市场研究机构预测,到2030年,全球AI算力市场规模将超过5000亿美元,而整个数据中心和云计算市场更是将达到“万万亿”级别。算力,已经从一个技术概念,变成了一个庞大的产业。
三、中国算力崛起:从追赶到并跑
艰难起步:从“银河”到“天河”
当全球算力产业在狂飙突进时,中国也在书写自己的故事。
1983年,长沙的初冬,国防科技大学的一间实验室里,一群科学家围着一台庞大的机器欢呼雀跃。这台被命名为“银河一号”的巨型计算机,运算速度达到每秒1亿次,让中国成为继美国、日本之后第三个能够独立研制亿次级计算机的国家。
项目负责人慈云桂在回忆录里写道:“那个年代,西方对中国实行严密的技术封锁。想买一台小型机都不行,更别说超级计算机了。我们只能靠自己。”
但银河一号只是开始。接下来的几十年里,中国在超级计算机领域投入了大量资源。1997年,“银河三号”问世;2009年,“天河一号”在天津安家;2010年,“天河一号A”以每秒4700万亿次的运算速度登顶全球超算500强榜首。
这是中国超算第一次站上世界之巅。外国人惊呼:“中国制造的超级计算机是世界上最快的。”这不仅是技术突破,更是一个信号:在算力这个关键领域,中国已经有能力和美国正面竞争了。
2016年,神威·太湖之光再次登顶,而且用的是完全国产的“申威26010”处理器。这意味着,即使没有美国的芯片,中国也能制造出世界最强的超级计算机。
"神威·太湖之光"超级计算机
政策驱动:新基建与东数西算
但从业者都很清楚,仅仅在超算领域领先是不够的。真正的算力竞争,在云计算、在AI、在数据中心。
2015年,《中国制造2025》将集成电路产业列为重点突破领域。2020年,“新基建”政策明确提出要大力发展数据中心、5G、人工智能等算力基础设施。这不是简单的产业规划,而是国家战略。
2021年,一个更宏大的计划启动了:“东数西算”工程。在这场算力竞赛中,一批中国企业正在崛起。无论是芯片战场,还是云端巨头,亦或是三大运营商下场自己干的基础设施,算力都是当下最为火热的赛道。
详见硬科君昨日推送 算力版图2025:从电力文明到算力文明
从图灵的理论设想,到冯·诺依曼的架构蓝图,从ENIAC的轰鸣启动,到摩尔定律的预言,再到黄仁勋手中的GPU,算力用不到80年的时间,从一个科学概念变成了万万亿级的产业,变成了大国博弈的焦点。
今天,当我们用ChatGPT生成一篇文章,刷抖音看到精准推荐的视频,或是在淘宝上看到“猜你喜欢”的商品时,背后都是无数数据中心里成千上万块芯片在日夜运算。算力已经像空气一样无处不在,像水电一样不可或缺。
但这个故事还远未结束。
如果说冯·诺依曼架构定义了过去70年的计算范式,那么下一个70年会是什么样?
量子计算正在突破经典计算的极限。近日,2025年诺贝尔物理学奖授予约翰·克拉克、米歇尔·H·德沃雷和约翰·M·马蒂尼斯三名量子物理学家。虽然量子计算离大规模商用还很遥远,但它代表的是一种全新的计算范式——不再基于0和1的二进制,而是利用量子叠加和纠缠态进行计算。
光子计算也在快速发展。用光信号代替电信号进行计算,速度可以提升几个数量级,能耗大幅降低。中国在这个领域也有布局,清华大学、中科院等机构都在进行相关研究。
脑机接口更是令人遐想。如果人脑能够直接与计算机连接,“算力”的定义可能会被彻底改写。马斯克的Neuralink、Facebook的脑机接口项目,都在探索这个方向。
而在这些前沿领域,中国能否不再受制于人,甚至实现引领,就取决于今天我们的每一步选择。是继续在传统路径上追赶,还是在新赛道上换道超车?是满足于应用层的创新,还是下决心攻克底层的硬科技?这些问题的答案,将决定中国在下一个时代的位置。
算力的历史告诉我们:技术的突破往往发生在最不经意的地方。图灵在纸上画出的机器模型,冯·诺依曼写下的那份报告,基尔比在实验室里捣鼓出的集成电路,黄仁勋为游戏玩家设计的GPU——当时没人能预见,这些看似不起眼的创新,会如何改变世界。
下一个改变世界的算力突破,也许正在某个大学的实验室里酝酿,也许正在某个创业公司的车库里诞生,也许就在某个工程师的灵光一闪之间。
而在这个瞬息万变的时代,唯一不变的或许就是:谁拥有更强的算力,谁就拥有更大的可能。
中国股票配资网上提示:文章来自网络,不代表本站观点。