泛在算力：智能社会的基石.pptxVIP

;最后，在算力上的投入将推动科技创新，促进经济发展，;执行摘要;《泛在算力：智能社会的基石》立场文件;亦将遇到3大挑战和1个问题的影响，政府在其中需要积;力输出能力会遇到瓶颈效应,导致随核心数量增长的算力无法被完全使用o瓶颈效应指的是当芯片与存储介质间的总线带宽无法与CPU计算能力相匹配时，便会产生传输的数据量小于CPU可处理的数据量，导致CPU算力输出能力受限。在CPU与存储介质间存在着总线，CPU通过总线从存储介质中调度数据进行处理。而随着芯片核心数的增加，CPU计算能力也随之增加，但存储介质与芯片之间的总线带宽与芯片核心数量的增速存在差异（核心原因在于理论上核心数越多，其对内存等存储介质的并发请求数也越多，相应存储介质的总线带宽需要被多核心共享，导致处理

器数据处理时间与存储器访问时间的差距更加突出，瓶颈效应越发严重），导致了多核芯片算力无法得到全量发挥，算力散失效应明显。在操作系统限制方面，主要来自与操作系统设计时并未对多核处理器进行针对性设计，导致大量算力被浪费。由于多核处理器内部有多个核心，因此存在任务分配、调度、仲裁以及平衡负载等问题。所以，多核之间的任务调度是充分利用多核处理器性能的关键，目前的以Windows.Linux为代表等主流操作系统所采用的

全局队列调度任务调度算法仍然针对于8-16核主流芯片优化。操作系统对大于32核的处理器的高效任务运行缺少优化，难以满足超多核心处理器的数据实时处理的要求，导致多核处理器的算力大量闲置，无法有效利用多核处理器多核心算力。在串行计算任务限制方面,并不是所有的程序及任务都是可以被并行化切割的，导致该类任务天然难以

充分利用多核处理器算力。在实际情况中，大量任务的运算过程存在前后依赖关系，即下一次运算依赖上_次的结果。这种计算任务只能采取串行计算，多核心芯片无法在此场景下发挥其并行计算优势。以典型的RTS游戏场景（实时

战术游戏）为例，玩家所操纵单位的每一次动作、效果都是基于上一次的操作信号输入、受打击情况等计算得出，没有这些先决的计算结果，完全无法进行后???的演算。在这种场景下对任务进行并行化没有意义，无法充分利用为并行计算而设计的多核芯片的性能。

2）从功耗方面来看，随着核心数量增加，单位算力所需功耗显著提升，在算力需求显著增加且单设备承载功耗有限的条件下，需要通过“网络化”算力对缺口进行补充

随着多核处理器的核心数量增加，其单位算力所需要消耗的功耗亦在显著增加，而在单设备功耗无法持续增长的

前提下，通过堆核实现设备算力增长的方式必然会达到瓶颈。导致部分算力需求缺口需要通过“网络化”算力补充。以英特尔两款相同14纳米制程工艺、3.6GHz相同主频的芯片为例，8核的i7-9700k相较6核的i5-8600k单位算力

功耗从1.11W/GFLOPS上升％至1.23W/GFLOPS。然而，在电池技术与散热技术不取得突破性进展的前提下，单设备所能承载的功耗有限，无法满足算力需求的不断提升，需要通过其他方式对算力需求进行补充。以分布式计算为代表的“网络化”算力存在形式应运而生。“网络化”算力是指通过网络传输手段将分布在不同位置的算力进行连接以实现分布式计算。在单设备功耗有限但算力需求持续提高的背景下，可以通过此种形式对算力需求缺口进行有效补充。;以智慧工厂场景为例，物联网技术对算力的核心拉动方式主要有3点：

1）随地、随形：215亿台物联网设备大范围的普及将推动整体算力快速增长。以智慧工厂场景为例，其包括的物联

网设备有红外传感器，光电传感器，超声波传感器等，需要以华为Boudica1502324为代表的物联网芯片提供算力支撑。到2025年，应用在工业物联网相关领域上的智能设备将达到137亿台，其余物联网设备分布在家庭、电

网等多种不同类型的场景下。;2）针对计算中心的GPU、FPGA、ASIC芯片，由于更为适用于AI大规模神经网络并行运算场景于近年逐步兴起，因此CPU市场透率较低，仅安装于部分计算中心服务器中。GPU,FPGA,ASIC芯片在当下服务器市场的透率

分别为41.7%、20.4%以及1.6%33,同时各品类内不同芯片类型性能相近，因此无需切分价格区间分群进行估算，故在GPU领域采用NvidiaTelsaP4,在FPGA领域采用IntelStratix10GX/SX，在ASIC领域采用海思Ascend910型号芯片作为演算基础。

2.1.2针对边缘端算力，5G+MEC、CDN、路由器服务器、智能监控节点、工业物联网边缘服务器设备是核心的关注对象，应基于这几种产品形态分别展开算力水平的估算

对边缘端算力的估算，首先需要明确边缘计算设备在网络中的位置及部署形式（如图2.5）。边缘计算由智能家居、智能医疗、智能