5月23日，福州市长乐区2000P智算中心在人工智能与数据要素产业生态大会正式发布。
据悉，该项目由福建大数据产业投资有限公司、大名城 以及商汤集团旗下上海商筹科技共同投建，旨在发挥高性能算力资源，加速AI大模型、人工智能技术研发和应用。平台首期已部分香部署港客户业务，成为“港数闽算”试点。（证券时报）
一文读懂智算中心网络
智能算力新时代：网络架构的智慧赋能
人工智能的广泛应用，从图像识别到自然语言处理，对算力的需求呈现多样化和专业化。智能计算中心应运而生，其核心在于集成CPU、GPU、ARM、FPGA等异构架构，以适应各类专用计算任务的挑战。自2020年AI纳入新基建后，中国智能算力的崛起尤为显著，其中长三角地区更是发展迅猛。AI模型训练的矩阵运算密集，异构芯片如GPU的加速能力至关重要；CPU负责交互与同步，深度学习则依赖GPU的强大处理能力，而FPGA和ASIC则在特定场景中展现出高效和定制化的优势。智能训练的分布式特性，对网络提出了严苛的要求。低时延、大带宽和稳定的运维支持是智算中心网络的基石，特别是面对矩阵运算的海量数据传输，网络设计必须优化，以减少静态时延（600ns-1us）和网络跳数，以及动态时延。数据中心网络需支持高效的数据交换，如通过RDMA技术实现低延迟的节点间通信，以保证大规模分布式训练的顺利进行。
弹性扩展和资源利用率的提升是智算中心网络的核心竞争力。大规模节点间的互联，要求高带宽、低丢包率，同时优化处理器间的数据存取效率。智能计算中心的网络架构不仅要支持生产、聚合、调度和释放等多种算力模式，还应实现控制和转发的分离，以提高资源管理效率和算力调度能力。
在智能计算中心的网络设计中，各种架构策略各显神通。CPU为中心的资源管理路线，内存管理的分离与独立扩展，以及无服务器架构的去中心化，都展现出网络在数据中心中的关键角色。例如，Fat-Tree架构（无阻塞，扩展性强）适用于GPU节点，Dragonfly和Torus则提供不同连接模式的灵活性。互联协议如RoCEv2通过PFC技术实现无丢包，但需兼顾负载均衡。然而，RoCEv2在表项空间的限制可能导致性能瓶颈，这时InfiniBand网络的Credit信令机制就显得尤为重要，它通过管理数据传输避免缓冲区溢出，确保网络的高效运行。
设计智算中心网络，必须兼顾低延迟、高可用性、能源效率以及安全性、可靠性。这要求网络架构师在满足高性能需求的同时，还要考虑全面的系统优化。中国信息通信研究院、网络智能云和中国移动等权威机构发布的白皮书及行动计划，为我们提供了宝贵的指导和实践参考。
总而言之，智能算力的崛起推动了网络架构的革新，而高效、灵活的网络设计则是智能计算中心的灵魂。在AI的浪潮中，网络架构的智慧赋能将推动智能计算中心迈向更高层次的效能与效能。
算力可贵,效率价高:智算中心凭啥是筑基新基建的最优解?
在新基建浪潮下，人工智能正成为经济增长的新引擎，各行各业正开启智能化升级转型。 算力在其中扮演了重要角色，是国家未来竞争力的集中体现。 然而，随着海量数据的快速增长和模型的日益复杂，算力不足和效率不高的问题日益凸显。 算力诚可贵：数据、算法需要更多算力支撑。 众所周知，在人工智能发展的三要素中，无论是数据还是算法，都离不开算力的支撑，算力已成为人工智能发展的关键要素。 IDC发布的《数据时代2025》报告显示，2018年全球产生的数据量为33ZB (1ZB=1万亿GB)，到2025年将增长到175ZB，其中，中国将在2025年以48.6ZB的数据量及27.8%的占比成为全球最大的数据汇集地。 另据赛迪顾问数据显示，到2030年数据原生产业规模量占整体经济总返铅答量的15%，中国数据总量将超过4YB，占全球数据量30%。 数据资源已成为关键生产要素，更多的产业通过利用物联网、工业互联网、电商等结构或非结构化数据资源来提取有价值信息，而海量数据的处理与分析对于算力的需求将十分庞大。 算法上，先进模型的参数量和复杂程度正呈现指数级的增长趋势。 此前 Open AI 发表的一项研究就显示，每三到四个月，训练这些大型模型所需的计算资源就会翻一番（相比之下，摩尔定律有 18 个月的倍增周期）。 2012 至 2018 年间，深度学习前沿研究所需的计算资源更是增加了 30 万倍。 到2020年，深度学习模型对算力的需求达到了每天百亿亿次的计算需求。 2020年2月，微软发布了最新的智能感知计算模型Turing-NLG，参数量高达到175亿，使用125POPS AI计算力完成单次训练就需要一天以上。 随后，OpenAI又提出了GPT-3模型，参数量更达到1750亿，对算力的消耗达到3640 PetaFLOPS/s-day。 而距离GPT-3问世不到一年，更大更复杂的语言模型，即超过一万亿参数的语言模型SwitchTransformer即已问世。 然而，算力不能快速增长，我们将不得不面临一个糟糕的局面：当规模庞大的数据用于人工智能的训练学习时，数据量将超出内存和处理器的承载上限，整个深度学习训练过程将变得无比漫长，甚至完全无法实现最基本的人工智能。 效率价更高：环境与实际成本高企，提升效率迫在眉睫。 在计算工业行业，有个假设是“数字处理会变得越来越便宜”。 但斯坦福人工智能研究所副所长克里斯托弗•曼宁表示，对于现有的AI应用来说却不是这样，特别是因为不断增加的研究复杂性和竞争性，使得最前沿模型的训练成本还在不断上升。 根据马萨诸塞大学阿默斯特校区研究人员公布的研究论文显示，以常见的几种大型 AI 模型的训练周期为例漏慧，发现该过程可排放超过 磅二氧化碳，几乎是普通 汽车 寿命周期排放量的五倍（其中包括 汽车 本身的制造过程）。 例如自然语言处理中，研究人员研究了该领域中性能取得最大进步的四种模型：Transformer、ELMo、BERT和 GPT-2。 研究人员在单个 GPU 上训练了至少一天，以测量其功耗。 然后，使用模型原始论文中列出的几项指标来计算整个过程消耗的总能量。 结果显示，训练的计算环境成本与模型大小成正比，然后在使用附加的调整步骤以提高模型的最终精度时呈爆炸式增长，尤其是调整神经网络体系结构以尽可能完成详尽的试验，并优化模型的过程，相关成本非常高，几乎没有性能收益。 BERT 模型的碳足迹约为1400 磅二氧化碳，这与一个人来回坐飞机穿越美洲的排放量相当。 此外，研究人员指出，这些数字仅仅是基础，因为培训单一模型所需要的工作还是比较少的，大部分研究人员实践中会从头开发新模型或者为现有模型更改数据集，这都需要更多时间培训和调整，换言之，这会产生更高的能耗。 根据测算，构建和测试最终具有价值的模型至少需要在六个月的时间内训练 4789 个模型，换算成碳排放量，超过 磅。 而随着 AI 算力的提升，这一问题会更加严重。 另据 Synced 最近的一份报告，华盛顿大学的 Grover 专门用于生成和检测虚假新闻，训练较大的Grover Mega模型的总费用为2.5万美元；OpenAI 花费了1200万美元来训练它的 GPT-3语言模型；谷歌花费了大约6912美元来训练 BERT，而Facebook针对当前最大的模型进行一轮训练光是电费可能就耗费数百万美元。 对此，Facebook人工智能副总裁杰罗姆•佩森蒂在接受《连线》杂志采访时认为，AI科研成本的持续上涨，或导致我们在该领域的研究碰壁，现在已经到了一个需要从成本效益等方面考虑的地步，我们需要清楚如何从现有的计算力中获得最大的收益。 在我们看来，AI计算系统正在面临计算平台优化设计、复杂异构环境下计算效率、计算框架的高度并行与扩展、AI应用计算性能等挑战。 算力的发展对整个计算需求所造成的挑战会变得更大，提高整个AI计算系统的效率迫在眉睫。 最优解：智算中心大势所趋，应从国家公共设施属性做起。 正是基于上述算力需求不断增加及所面临的效率提升的需要，作为建设承载巨大AI计算需求的算力中心（数据中心）成为重中之重。 据市场调研机构Synergy Research Group的数据显示，截至到2020年第二季度末，全球超大规模数据中心的数量增长至541个，相比2015年同期增长一倍有余。 另外，还有176个数据中心处于计划或建设阶段，但作为传统的数据中心，随之而来的就是能耗和成本的大幅增加。 这里我们仅以国内的数据中心建设为例，现在的数据中心已经有了惊人的耗电量。 据《中国数据中心能耗现状白皮书》显示，在中国有 40 万个数据中心，每个数据中心平均耗电 25 万度，总体超过 1000 亿度，这相当于三峡和葛洲坝水电站 1 年发电量的总和。 如果折算成碳排放则大概是 9600 万吨，这个数字接近目前中国民航年碳排放量的 3 倍。 但根据国家的标准，到2022年，数据中心平均能耗基本达到国际先进水平，新建大型、超大型数据中心的 PUE（电能使用效率值，越低代表越节能）达到 1.4 以下。 而且北上广深等发达地区对于能耗指标控制还非常严格，这与一二线城市集中的数据中心需求形成矛盾，除了降低 PUE，同等计算能力提升服务器，尤其是数据中心的的计算效率应是正解。 但众所周知的事实是，面对前述庞大的AI计算需求和提升效率的挑战，传统数据中心已经越来越难以承载这样的需求，为此，AI服务器和智算中心应运而生。 与传统的服务器采用单一的CPU不同，AI服务器通常搭载GPU、FPGA、ASIC等加速芯片，利用CPU与加速芯片的组合可以满足高吞吐量互联的需求，为自然语言处理、计算机视觉、语音交互等人工智能应用场景提供强大的算力支持，已经成为人工智能发展的重要支撑力量。 值得一提的是，目前在AI服务器领域，我们已经处于领先的地位。 近日，IDC发布了2020HI《全球人工智能市场半年度追踪报告》，对2020年上半年全球人工智能服务器市场进行数据洞察显示，目前全球半年度人工智能服务器市场规模达55.9亿美元（约326.6亿人民币），其中浪潮以16.4%的市占率位居全球第一，成为全球AI服务器头号玩家，华为、联想也杀入前5（分别排在第四和第五）。 这里业内也许会好奇，缘何中国会在AI服务器方面领跑全球？以浪潮为例，自1993年，浪潮成功研制出中国首台小型机服务器以来，经过30年的积累，浪潮已经攻克了高速互联芯片，关键应用主机、核心数据库、云数据中心操作系统等一系列核心技术，在全球服务器高端俱乐部里占有了重要一席。 在AI服务器领域，从全球最高密度AGX-2到最高性能的AGX-5，浪潮不断刷新业界最强的人工智能超级服务器的纪录，这是为了满足行业用户对人工智能计算的高性能要求而创造的。 浪潮一直认为，行业客户希望获得人工智能的能力，但需要掌握了人工智能落地能力和技术的公司进行赋能，浪潮就可以很好地扮演这一角色。 加快人工智能落地速度，帮助企业用户打开了人工智能应用的大门。 由此看，长期的技术创新积淀、核心技术的掌握以及对于产业和技术的准确判断、研发是领跑的根本。 至于智算中心，去年发布的《智能计算中心规划建设指南》公布了智能计算中心技术架构，基于最新人工智能理论，采用领先的人工智能计算架构，通过算力的生产、聚合、调度和释放四大作业环节，支撑和引领数字经济、智能产业、智慧城市和智慧 社会 应用与生态 健康 发展。 通俗地讲，智慧时代的智算中心就像工业时代的电厂一样，电厂是对外生产电力、配置电力、输送
智算中心和超算中心的区别
智算中心和超算中心的区别介绍如下：
1、服务领域不一样
云数据中心、智算数据中心和超算数据中心是当前计算机领域中比较重要的研究方向。它们虽然都属于数据中心的范畴，但是服务领域和技术体系不同。
云数据中心是一种基于云计算技术的数据中心模式，旨在为用户提供高效、灵活、安全的计算服务。
云数据中心通常由多个物理服务器组成，通过网络连接形成一个虚拟化的计算环境。用户可以根据自己的需求，随时申请并使用云数据中心中的计算资源。与传统的数据中心相比，云数据中心具有更高的可扩展性和灵活性，可以快速响应用户的需求变化。
智算中心主要研究人工智能、机器学习等领域，旨在通过大规模数据训练模型，实现智能化应用。
智算中心通常需要处理大量的数据，因此对计算能力的要求非常高。为了提高计算效率，智算中心通常会采用分布式计算的方式，将数据分散到多个计算节点上进行处理。此外，智算中心还需要具备高效的数据存储和管理功能，以便快速地检索和分析数据。
超算数据中心则主要研究高性能计算、大规模科学计算等领域，旨在解决一些需要大量计算资源的问题。
例如，在气象预报、地震模拟、分子动力学等领域中，需要进行大规模的数值模拟和计算。为了实现这些任务，超算中心通常采用并行计算的方式，将任务分配给多个计算节点进行计算。与智算中心不同的是，超算中心的计算任务通常比较单一，不需要进行复杂的数据处理和分析。
2、技术体系不一样
从技术体系上看，云数据中心、智算数据中心和超算数据中心的区别主要体现在以下几个方面：
基础架构要求不同：云数据中心的基础架构通常包括服务器、存储系统、网络设备和数据中心管理系统等，注重可扩展性、灵活性和可靠性；智算中心的基础架构通常包括Al芯片、高性能算力机组、大规模存储系统和高速网络设备，注重AI特定的计算需求；超算中心的基础架构通常包括数千个高性能计算机节点、存储系统和网络设备，注重计算性能、存储能力和网络带宽。
服务领域不同：云数据中心主要是提供各种类型的计算服务，智算中心主要研究人工智能、机器学习等领域，而超算中心主要研究高性能计算、大规模科学计算等领域。
计算方式不同：云数据中心通过虚拟化技术将多个物理服务器组成一个虚拟化的计算环境。智算中心通常采用分布式计算的方式，将数据分散到多个计算节点上进行处理，而超算中心则采用并行计算的方式，将任务分配给多个计算节点进行计算。
数据处理和分析能力不同：由于服务领域不同，云数据中心、智算中心、超算中心在数据处理和分析方面的能力也有所不同。智算中心通常需要处理大量的数据，因此对数据存储和管理功能的要求比较高;超算中心则需要具备高效的数据存储和管理功能，以便快速地检索和分析数据;而云数据中心则需要提供多种数据处理和分析工具，以满足不同用户的需求。
总之，云数据中心、智算中心和超算中心虽然都属于数据中心的范畴，但是它们的服务领域和技术体系不同。在选择使用哪种类型的数据中心时，需要根据具体的应用场景和需求来进行选择。
3、分布式电源是必然发展趋势
然而，无论是在云数据中心，智算中心，还是超算中心，分布式电源将是未来发展的必然趋势。
首先，无论是在智算中心，还是在超算中心，都需要处理大规模的数据和复杂的计算任务，对计算资源和存储空间的需求极大，分布式电源可以实现电力的高效利用，降低数据中心的能耗，提高能源利用效率，从而降低运营成本。
其次，无论是在云数据中心，智算中心，还是超算中心，业务需求会随着业务的发展和应用场景的改变而不断变化，分布式电源可以根据实际需求进行逐步扩容，提高数据中心的运行效率，降低前期投资压力。
再次，云数据中心、智算中心、超算中心对供电系统的可靠性要求极高，因为停电或电力故障可能导致正在运行的任务中断，造成严重的数据损失。分布式电源系统具有较高的可靠性，可以在单个机柜故障时保证数据中心的整体稳定运行。
最后，应对高峰负载方面，无论是智算中心，还是超算中心，在处理大规模数据时均会产生高峰负载，对电网造成极大的压力，分布式电源系统天然具备灵活、弹性等特点，可以应对大规模数据产生的高峰负载，保证数据中心在高峰时段的稳定运行，减轻电网压力。
