查看原文
其他

《2022中国算力服务市场发展研究报告》|亿欧智库

雷小寒 亿欧智库 2023-07-06

这是一个算力领跑的时代。


算力指通过CPU、GPU、FPGA、ASIC等各类计算芯片设备处理数据,实现特定结果输出的计算能力,可以通过每秒可处理的信息数据量来衡量算力的强弱。现阶段,根据使用设备和提供算力强度的不同,算力可分为基础算力、智能算力与高端算力三大类,本报告中算力服务研究范围以智能算力、高端算力为主。 


2020年我国算力总规模达到135EFlops,全球占比约为31%,保持55%的高速增长,高于全球增速约16个百分点,未来我国算力规模仍将持续扩大,三类算力服务的结构也将继续发展优化。


中国数字经济规模持续增长:国务院在“十四五”数字经济发展规划中明确提出,“到2025年,数字经济核心产业增加值占GDP比重达10%”。同时据机构预测,2025年中国数字经济规模有望超过60万亿。


中国生产数据要素喷涌而出:据报告数据,2018年中国产生了约7.6个ZB的数据,2025年这一数字将增至48.6ZB,且数据生产量约占世界数据总量的28%,或将超越美国成为世界第一大数据生产国。由此可见,未来数据的收集、存储、管理、使用的难度及价值均会呈现质的飞跃。


数字经济的蓬勃增长与海量数据的管理使用,对算力供给提出更高要求。智能计算中心、一体化大数据中心等算力基础设施纷纷出现,而算力服务作为核心供给形态之一应运而生,成为数字时代的核心信息新底座。


从底层算力融合释放,到软硬一体的全栈能力加持,以及性价比兼具,才能真正推动普惠算力。目前使用高端及智能算力用户可分为三大类:前沿算力用户,中小微用户及具有鲜明特色的部分用户。第一类用户工作可对接高端计算中心完成,后两者的需求受制于对接门槛与算力类型, 难以与传统计算中心匹配;如自建机房与数据中心,效率及性价比相对低。因此,合适、优秀的算力服务平台,成为了提升效率的最优选。


此外,人工智能领域的大模型训练对算力依赖较强,开发者及企业对算力的多样性、易用、经济、效率有较高要求,同时建议配备专业的运维团队。因此,平台服务的形式相比自建要更适宜,可以让更多人以高效简洁的方式使用到匹配的算力。




《2022中国算力服务市场发展研究报告》内容摘要:



算力资源分布不均、数据传输难度大、各地计算中心间缺乏任务协同与资源流通



从资源调度视角来看,呈现出明显的算力资源分配不均与供需不平。首先区域间算力资源供需还未平衡,尽管地方积极布局算力基础设施,但目前供需矛盾还较为突出。其次海量数据传输困难,算力的即时调度难度大,各算力中心间也缺少任务协同和资源流通共享,导致跨广域数据交互效率低


区域资源分布不均,加大基础资源调度难度:

东部地区大规模数据中心大,但能耗指标紧张、电成本高;西部地区可再生能源丰富,但网络宽带小、跨省数据传输费用高, 无法有效承接东部需求,在资源分布侧加大了算力调度难度。


大型算力数据传输依靠传统运输方式,算力即时调度与应用难度大:

面临数据时延不敏感、单通道传输带宽有限、通道宽带数量有限等问题,导致算力传输延迟,传输费用高昂等问题。例如石油勘探行业,具有数据量大、并行任务较多、网络体系复杂等特点,对于勘探数据的精确度和丰富度需求相当之高,同时要求高精度承载力的网络和设备,对于不少计算中心而言都难以独立供给。


大多数中小型企业缺乏专有算力平台:

平台用户间算力资源衔接较难,缺少标准化、体系化。为了保证科研机构、国家项目等的执行优先级,算力中心对市场用户关注度不足。




缺乏统一的跨网技术标准与服务标准,算力资源度量衡的标准化滞后,导致多样算力与多元场景匹配充满挑战



从顶层设计视角来看,目前算力领域标准化的进程相对较慢。技术侧,尚未对算力度量、算力感知、算力路由、算力编排、算力分发、作业需求等形成统一共识,导致精确判断、匹配需求难度大,易造成资源的错配或浪费。服务运营侧,亦需在用户管理、策略管理、定价策略等层面搭建标准化运营运维团队,方能实现算力服务的标准化发展。


缺乏统一的技术标准与服务标准,导致算力调度与按需分配难度较大:

无法准确、量化描述算力供需体量。 计算资源呈多样化。例如CPU、GPU各类专用芯片产生的诸多类型算力,同时在精度、形态等方面也有诸多差异,尚未形成标准度量衡用于标准化交易。


算力分配错位,加重资源分布不均:

缺乏标准度量衡,将影响算力供给侧精准衡量、判断需求,从而导致供需错位(出现资源浪费与资源短缺较难缓解),长期将会加重资源分布不均。 


对于众多人工智能训练、工业生产企业而言,巨大的算力支撑是其生产发展的基础,供需错位一定程度上,给其进一步发展带来周期拖延与应用落地拖延。




异构计算作为“多样复杂计算任务处理”的底层支撑,面临 着融合管理等关键性技术难点



从技术架构视角来看,随着算力需求不断攀升,单一计算类型与架构处理器无法应对多类型、多样性数据处理任务,异构计算应运而生,在提 升计算性能同时降低功耗成本。


异构计算的优势较为显性,但目前待突破的技术瓶颈也不少。尤其是在未来在多个数据中心或智算中心互联互通的场景下,如何实现计算架构间的有机融合至关重要。




以下是报告节选正文内容


扫码加入社群获取完整报告




文章不错,点个在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存