算力是什么：从 CPU 到智算中心

新闻里常说的算力到底指什么？本文从 CPU 的串行处理讲起，解释并行计算为什么能支撑 AI，介绍智算中心的构成，并说明为什么互联与存储同样是决定效率的瓶颈，以及算力通常如何被交付使用。

从一个人干活到一群人协作

CPU 擅长处理逻辑复杂、分支繁多的任务，像一位能力全面的工程师，能把一件复杂的事从头到尾处理清楚。但深度学习的核心运算是把大量数字做重复性的乘加，这类工作不需要复杂判断，只需要在极短时间内完成海量重复动作，更适合交给成千上万个简单单元一起做。

这就是并行计算的思路：与其让一个核心跑得更快，不如让许多核心同时工作。AI 训练之所以高度依赖并行，是因为模型参数与训练数据规模庞大，单卡往往需要数周甚至更久。把任务拆分到成百上千张加速卡上协同完成，才使大规模训练在可行时间内完成。

算力不只看芯片

把算力等同于有多少张卡是常见的误解。完整的能力由几部分共同决定：单卡的算力与其利用率、卡之间的互联带宽、存储系统能否及时供给数据、集群调度能否把任务合理分配，以及散热供电能否支撑长时间满载运行。任何一环成为短板，整体效率都会下降。

这也解释了为什么大规模训练强调有效算力，即真正被用在计算上的比例。卡越多，卡间通信与同步的开销越大，故障概率也越高，因此集群需要检查点保存与任务恢复机制。衡量一个集群好不好用，实际跑通一个完整训练任务所需的时间，往往比理论峰值更有说服力。

智算中心在做什么

智算中心可以理解为专门为 AI 负载设计的数据中心集群。除了大量加速卡服务器，它还包括高速互联网络、分布式存储、制冷与供电系统，以及调度平台与开发工具。近年来液冷、余热回收、就近接入低碳电力等做法被越来越多地采用，用于应对高密度机柜带来的散热与能耗压力。

对使用者来说，智算中心通常以算力服务的形式提供：按卡时或按任务计费，配套训练框架与环境。理解这一点有助于看清产业分工——有的机构负责建设与运营，有的负责模型研发，有的负责把能力包装成应用。算力本身是一种基础设施，而非最终产品。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。