这两年，算力可以说是大模型领域一个重要概念。在大模型的新闻报道和大咖演讲中，总会出现它的身影。
那么，究竟什么是算力？今天，就给大家简单一下。
什么是算力
算力的字面意思，大家都懂，就是计算能力（Computing Power）。
更具体来说，算力是计算系统（如电脑、服务器、数据中心等）处理信息和执行计算的能力。
在我们的生命过程中，每时每刻都在进行着计算。我们的大脑，就是一个强大的算力引擎。
大部分时间里，我们会通过口算、心算进行无工具计算。但是，这样的算力有点低。如果将计算机的算力比作学生的解题速度，那么一个拥有强大算力的计算机就像一个解题极快的高中生，而算力较弱就像一个解题较慢的小学生。
比如某个机房承载 1300P 或 2500P 的算力，那么这个算力是如何计算的？
算力的通常单位是 TFLOPS，即每秒1千万亿次浮点运算，是 10 ^ 15 。1PFLOPS 等于 1000 TFLOPS，这个 PFLOPS 取业内通用标准，一张显卡出厂是 FP16，在实际训练一个模型时，模型精度是有限的，显卡要运行这个模型，必须支持这个模型所运行的精度。
比如 DeepSeek-V3-Base（671B）的一次完整训练消耗约2.778M H800 GPU小时，需要公式：
所需GPU数量 = 总FLOP ÷ (单GPU算力 × 训练时长 × 效率系数)
算力的分类
云计算和数据中心之所以会出现，是因为信息化和数字化的不断深入，引发了整个社会强烈的算力需求。
通常，我们将算力分为两大类，分别是通用算力和专用算力。
通用算力：像瑞士军刀一样，能够灵活处理各种各样、不可预测的计算任务
专用算力：像厨房的打蛋器一样，为特定类型的计算任务量身定制，在该领域内效率极高。
大家应该都听说过，负责输出算力的芯片，就有分为通用芯片和专用芯片。
像x86这样的CPU处理器芯片，就是通用芯片。它们能完成的算力任务是多样化的，灵活的，但是功耗更高。
而专用芯片，主要是指FPGA和ASIC。
FPGA，是可编程集成电路。它可以通过硬件编程来改变内部芯片的逻辑结构，但软件是深度定制的，执行专门任务。
ASIC，是专用集成电路。顾名思义，它是为专业用途而定制的芯片，其绝大部分软件算法都固化于硅片。
ASIC能完成特定的运算功能，作用比较单一，不过能耗很低。FPGA，介于通用芯片和ASIC之间。
智能计算这个，我们需要重点说一下。
AI人工智能是目前全社会重点关注的发展方向。不管是哪个领域，都在研究人工智能的应用和落地。
人工智能的三大核心要素，就是算力、算法和数据。
因此，GPU更合适处理计算密集型、高度并行化的计算任务（例如AI计算）。
这几年，因为人工智能计算的需求旺盛，国家还专门建设了很多智算中心，也就是专门进行智能计算的数据中心。
应用场景与典型案例
大模型训练
大模型采用 Transformer 架构（并非所有），Tranfformer 是一种基于自注意力机制的深度学习模型，最早由谷歌在2017年的论文中提出。相较于传统的RNN和CNN，Transformer具有并行计算、长距离以来建模和扩展性的优势。
区块链与能源领域
2025年，比特币挖矿全网算力达 831 EH/s（每秒 831亿亿次哈希运算），矿企通过迁移至电价 0.035 美元的阿联酋，实现能源套利。
科学研究与工业制造
-
中国天河系列超算在基因测序领域加速疾病研究 -
Frontier 超算模拟核反应堆内部反应，帮助优化能源利用效率
结语
算力是如此重要的资源，但事实上，我们对算力的利用仍然存在很多问题。
比如算力利用率问题，以及算力分布均衡性问题。根据IDC的数据显示，企业分散的小算力利用率，目前仅为10%-15%，存在很大的浪费。
摩尔定律从2015年开始放缓，单位能耗下的算力增速已经逐渐被数据量增速拉开差距。我们在不断挖掘芯片算力潜力的同时，必须考虑算力的资源调度问题。
那么，我们该如何对算力进行调度呢？现有的通信网络技术，能够满足算力的调度需求吗？