新兴算力基础设施技术发展与挑战
摘要
算力基础设施是数字经济时代最为关键的新型基础设施之一。随着人工智能、大数据、云计算等新兴技术的迅猛发展，对算力的需求呈爆发式增长。新兴算力基础设施技术不断涌现，如量子计算、类脑计算、存算一体、边缘计算等，为满足日益增长的算力需求提供了新的途径和解决方案。本文对新兴算力基础设施技术的发展现状进行综述，分析其面临的挑战，并对未来发展趋势进行展望，旨在为相关领域的研究和应用提供参考。
关键词
新兴算力；基础设施技术；量子计算；类脑计算；存算一体；边缘计算
一、引言
在当今数字化时代，数据已成为重要的生产要素，而算力则是对数据进行处理和分析的关键能力。算力基础设施作为支撑数字经济发展的核心底座，其重要性日益凸显。传统的算力基础设施在面对不断增长的复杂计算任务时，逐渐显露出性能瓶颈和能耗问题。新兴算力基础设施技术应运而生，这些技术具有更高的计算性能、更低的能耗以及更强的适应性，能够更好地满足不同领域对算力的多样化需求，推动数字经济向更高质量、更可持续的方向发展。
二、新兴算力基础设施技术发展现状
2.1量子计算
2.1.1原理与优势
量子计算基于量子力学原理，利用量子比特（qubit）的叠加和纠缠特性进行信息处理。与传统计算机使用的二进制比特不同，量子比特可以同时处于0和1的叠加态，这使得量子计算机在某些特定问题上能够实现指数级的计算加速。例如，在密码破解领域，量子计算机能够在极短时间内破解目前广泛使用的基于数学难题的加密算法，而传统计算机则需要耗费数千年甚至更长时间。在优化问题方面，如物流配送路径规划、金融投资组合优化等，量子计算也展现出巨大的优势，能够快速找到全局最优解，而传统算法往往只能得到局部最优解。
2.1.2研究进展
近年来，量子计算领域取得了众多重要突破。在硬件方面，量子比特的制备和操控技术不断提升。例如，谷歌公司的Sycamore量子处理器采用超导量子比特技术，实现了53个量子比特的高精度操控，完成了特定量子计算任务，其计算速度比世界上最快的超级计算机快100万亿倍，展示了量子计算的“量子优越性”。中国科学技术大学潘建伟团队在光量子计算领域成绩斐然，构建了具有76个光子的“九章”量子计算原型机，实现了高斯玻色取样任务的快速求解，等效速度比超级计算机快一百万亿倍。后续又升级为“九章二号”，增加了可操纵的光子数，进一步提升了计算能力。在软件算法方面，新的量子算法不断被提出和优化，如量子模拟算法在化学分子模拟、材料科学研究等领域的应用逐渐深入，能够更准确地模拟分子的结构和性质，为新药研发、新型材料设计提供有力支持。
2.2类脑计算
2.2.1原理与优势
类脑计算旨在模拟大脑的结构和功能，构建具有生物神经系统特征的计算模型和硬件系统。大脑通过神经元之间的电信号和化学信号传递信息，具有高度并行、分布式存储和处理、自适应学习以及强大的容错能力等特点。类脑计算借鉴这些特性，采用神经形态芯片等硬件，能够以极低的能耗实现复杂的感知、学习和决策任务。例如，在图像识别任务中，类脑计算系统能够像人类大脑一样快速识别出物体的特征，即使图像存在部分遮挡、噪声干扰等情况，也能准确判断，并且在处理过程中能耗远低于传统的深度学习计算系统。
2.2.2研究进展
国际上，许多科研团队和企业都在积极开展类脑计算的研究。美国IBM公司研发的TrueNorth芯片，集成了大量的神经元和突触，能够模拟大脑的神经活动，实现对视觉、听觉等信号的实时处理。欧洲的人类大脑计划（HBP）致力于构建大规模的类脑计算平台，通过多学科交叉研究，推动类脑计算技术在医疗、机器人、智能交通等领域的应用。国内，清华大学施路平团队研制的“天机芯”芯片，是全球首款异构融合类脑计算芯片，将神经科学和计算机科学相结合，能够同时支持基于计算机科学的人工神经网络模型和基于神经科学的脉冲神经网络模型，在智能驾驶、智能家居等领域展现出广阔的应用前景。此外，类脑计算在认知科学、心理学等基础研究的推动下，不断完善其理论模型和算法体系，逐渐从实验室研究走向实际应用。
2.3存算一体
2.3.1原理与优势
存算一体技术打破了传统计算机中存储和计算分离的架构模式，将存储单元和计算单元融合在一起，减少数据在存储和计算部件之间传输所带来的时间延迟和能耗。在传统架构中，数据从存储设备读取到计算单元进行处理后，再写回存储设备，这一过程中数据传输占据了大量的时间和能耗，成为提高计算效率的瓶颈。存算一体通过在存储单元内直接进行计算操作，极大地缩短了数据访问路径，提高了计算速度和能效比。例如，在人工智能的神经网络计算中，大量的矩阵乘法运算需要频繁地读写数据，存算一体架构能够显著加速这一运算过程，同时降低能耗，对于推动人工智能技术在移动端、物联网设备等资源受限场景的应用具有重要意义。
2.3.2研究进展
在学术研究方面，众多高校和科研机构针对存算一体的架构设计、存储材料、计算算法等方面展开深入研究。在存储材料上，新型的非易失性存储材料如阻变存储器（RRAM）、相变存储器（PCM）等因其具有高速读写、低功耗、高密度存储等特性，成为存算一体研究的热点。基于这些材料构建的存算一体芯片取得了重要进展，例如，一些研究团队已经成功研制出基于RRAM的存算一体芯片，在图像识别、语音识别等任务中展现出良好的性能。在产业界，也有不少企业积极布局存算一体技术。三星、英特尔等国际芯片巨头投入大量资源进行存算一体芯片的研发和产业化。国内的一些企业如寒武纪、平头哥等也在积极探索存算一体技术在人工智能芯片中的应用，推动相关技术从实验室走向市场，逐步实现产业化落地。
2.4边缘计算
2.4.1原理与优势
边缘计算是将计算任务从传统的中心云端向网络边缘的设备或节点迁移，在靠近数据源的地方进行数据处理和分析。其优势在于能够降低数据传输延迟，提高系统响应速度，减少网络带宽压力，增强数据安全性和隐私性。例如，在智能交通领域，道路上的摄像头实时采集大量的视频数据，如果全部上传到云端进行处理，不仅会造成网络拥塞，而且无法满足交通信号实时控制、车辆违规行为快速识别等对时延要求极高的应用场景。通过在边缘侧部署计算设备，如智能摄像头自带计算模块或路边的边缘计算网关，能够在本地快速处理视频数据，及时做出交通决策，实现交通信号灯的智能调控、车辆违章抓拍等功能。同时，由于部分敏感数据在边缘侧处理，无需上传到云端，降低了数据泄露的风险。
2.4.2研究进展
随着5G技术的普及和物联网设备的大量涌现，边缘计算得到了迅猛发展。在硬件方面，各类边缘计算设备不断涌现，从低功耗的微控制器单元（MCU）到高性能的边缘服务器，能够满足不同应用场景对计算能力的需求。例如，英伟达推出的Jetson系列边缘计算模块，集成了强大的GPU计算能力，可用于智能安防、工业自动化、机器人等领域的复杂视觉处理任务。在软件方面，边缘计算的操作系统、容器技术、应用开发框架等不断完善。边缘计算操作系统如华为的OpenEdge、微软的AzureIoTEdge等，能够对边缘设备的硬件资源进行有效管理，支持应用的快速部署和运行。容器技术使得应用能够在不同的边缘设备上实现快速迁移和隔离运行，提高了应用开发和运维的效率。此外，边缘计算与云计算、雾计算等技术的融合也成为研究热点，通过构建云边协同、雾边协同的计算架构，实现计算资源的最优配置和任务的合理分配，进一步拓展了边缘计算的应用范围和性能提升空间。
三、新兴算力基础设施技术面临的挑战
3.1技术层面
3.1.1量子计算
量子比特的稳定性和扩展性是量子计算面临的主要挑战之一。量子比特极易受到外界环境的干扰，如温度、噪声等，导致量子态的退相干，从而影响计算结果的准确性。目前实现的量子比特数量仍然有限，要构建具有实用价值的大规模量子计算机，需要解决如何增加量子比特数量并且保持其稳定性的难题。此外，量子算法的开发相对滞后，虽然已经有一些针对特定问题的高效量子算法，但对于更广泛的实际应用场景，还需要进一步探索和设计新的量子算法，并且实现量子算法与现有计算体系的有效融合。
3.1.2类脑计算
类脑计算面临着对大脑工作机制理解不够深入的问题。尽管神经科学在不断发展，但人类对大脑的认知仍然存在许多未知领域，这导致类脑计算模型和算法的构建缺乏足够的理论支撑。同时，类脑计算硬件的性能和可靠性有待提高，目前的神经形态芯片在计算精度、存储容量等方面与实际应用需求还有一定差距，并且芯片的制造工艺复杂，成本较高，限制了其大规模应用。此外，如何将类脑计算技术与传统计算技术有机结合，实现优势互补，也是亟待解决的问题。
3.1.3存算一体
存算一体技术在计算精度和可靠性方面面临挑战。由于存算一体采用的新型存储材料的物理特性存在一定的随机性和不稳定性，导致计算过程中可能出现误差，影响计算结果的准确性。同时，在大规模集成和量产过程中，如何保证芯片的良率和可靠性也是一个难题。此外，存算一体的编程模型和开发工具尚不完善，传统的编程方式难以直接应用于存算一体架构，需要开发专门的编程模型和编译器，以方便开发者充分利用存算一体的优势进行应用开发，这增加了应用开发的难度和成本。
3.1.4边缘计算
边缘计算面临着设备异构性和资源有限性的挑战。不同厂商生产的边缘设备在硬件架构、操作系统、通信协议等方面存在差异，这使得边缘计算系统的集成和管理变得复杂。而且边缘设备通常资源有限，如计算能力、存储容量和能源供应等，难以支持复杂的计算任务和大规模的数据处理。此外，边缘计算与云计算之间的协同机制尚不完善，如何在保证数据安全和隐私的前提下，实现云边之间高效的数据交互和任务协同，需要进一步研究和优化相关的技术和架构。
3.2产业层面
3.2.1量子计算
量子计算产业目前处于发展初期，产业链尚不完善。量子计算硬件设备的研发和生产主要集中在少数科研机构和企业手中，缺乏成熟的供应链体系，导致设备成本高昂，限制了其应用推广。同时，量子计算的应用场景还需要进一步拓展和挖掘，目前主要集中在科学研究、密码学等领域，对于广大的企业用户和普通消费者来说，量子计算的实际应用价值尚未充分体现，市场需求有待培育。此外，量子计算行业缺乏统一的标准和规范，不同厂商的量子计算产品在接口、性能指标等方面存在差异，不利于产业的规模化发展和应用的互联互通。
3.2.2类脑计算
类脑计算产业面临着市场认知度较低的问题。由于类脑计算是一种新兴技术，许多企业和用户对其原理、优势和应用场景了解有限，导致市场推广难度较大。同时，类脑计算的产业化应用还面临着成本效益的考量，目前类脑计算产品的研发和生产成本较高，但在实际应用中所带来的效益可能在短期内无法体现，这使得企业在投入和应用类脑计算技术时较为谨慎。此外，类脑计算产业缺乏龙头企业的引领和带动，产业生态建设相对滞后，上下游企业之间的协同合作不够紧密，限制了产业的快速发展。
3.2.3存算一体
存算一体产业在产业化过程中面临着技术成熟度和市场接受度的双重考验。一方面，虽然存算一体技术在实验室取得了一定成果，但距离大规模商业化应用仍有一段距离，技术的稳定性、可靠性和兼容性等方面还需要进一步验证和优化。另一方面，市场对于存算一体产品的认知和接受程度较低，传统的计算架构已经在市场上占据主导地位，用户对于采用新的存算一体架构存在顾虑，担心其与现有系统的兼容性以及应用迁移的成本。此外，存算一体产业的发展需要大量的资金投入用于技术研发、生产线建设和市场推广，对于企业的资金实力和融资能力提出了较高要求。
3.2.4边缘计算
边缘计算产业面临着市场竞争激烈和盈利模式不清晰的问题。随着边缘计算市场的逐渐兴起，众多企业纷纷涌入，市场竞争日益激烈，导致产品同质化现象严重，企业利润空间受到挤压。同时，目前边缘计算的盈利模式尚未明确，虽然在一些特定行业和应用场景中取得了一定的应用，但如何通过有效的商业模式实现可持续盈利，仍然是企业面临的难题。例如，边缘计算服务的收费标准难以确定，是按照计算资源使用量、数据传输量还是其他指标进行收费，尚未形成统一的行业共识。此外，边缘计算产业的发展还受到政策法规和安全监管等外部因素的影响，如何在合规的前提下开展业务，也是企业需要考虑的重要问题。
3.3人才层面
3.3.1量子计算
量子计算是一个高度跨学科的领域，涉及量子力学、计算机科学、数学等多个学科知识。目前，既精通量子力学原理又具备计算机编程和算法设计能力的复合型人才极度短缺。高校和科研机构在量子计算人才培养方面的体系尚不完善，课程设置和教学方法有待改进，导致人才培养的数量和质量无法满足产业快速发展的需求。此外，量子计算领域的人才竞争激烈，国际上一些发达国家和知名企业通过优厚的待遇和良好的科研环境吸引了大量优秀人才，进一步加剧了人才短缺的局面。
3.3.2类脑计算
类脑计算需要既懂神经科学又熟悉计算机技术的跨领域人才。然而，由于神经科学和计算机科学分属于不同的学科领域，学科之间的交叉融合不够深入，导致这类跨领域人才的培养难度较大。在高校教育中，缺乏专门针对类脑计算的跨学科专业设置和课程体系，学生难以系统地学习和掌握类脑计算所需的知识和技能。同时，类脑计算领域的研究和应用相对较新，行业内的实践经验积累不足，不利于人才的快速成长和能力提升。
3.3.3存算一体
存算一体技术的人才需求涵盖芯片设计、计算机体系结构、软件开发等多个方面。目前，相关专业人才在市场上供不应求，尤其是具备存算一体架构设计和应用开发经验的人才更是稀缺。企业在招聘和培养存算一体人才方面面临较大困难，一方面，高校在相关专业课程设置上未能及时跟上技术发展的步伐，毕业生的知识结构与企业实际需求存在差距；另一方面，存算一体技术更新换代较快，企业需要不断投入资源对员工进行培训，以提升其技术水平和业务能力，但这在一定程度上增加了企业的运营成本。
3.3.4边缘计算
边缘计算涉及网络通信、计算机技术、物联网等多个领域，需要具备综合知识和技能的复合型人才。目前，这类复合型人才的供给无法满足市场需求，导致企业在开展边缘计算业务时面临人才瓶颈。在人才培养方面，存在教育内容与实际应用脱节的问题，高校和培训机构培养的人才往往缺乏实际项目经验，难以快速适应企业的工作要求。此外，边缘计算行业的快速发展使得人才需求不断变化，企业需要不断引进和培养新的人才，以满足业务发展的需要，这对企业的人才管理和储备提出了更高的要求。
四、新兴算力基础设施技术发展趋势
4.1技术融合创新
量子计算、类脑计算、存算一体、边缘计算等新兴算力基础设施技术将呈现融合发展的趋势。例如，量子计算与传统计算技术相结合，形成量子-经典混合计算架构，利用量子计算的优势解决特定的复杂问题，同时借助经典计算的稳定性和通用性进行辅助计算和结果验证。类脑计算与边缘计算融合，能够使边缘设备具备更强大的智能感知和决策能力，像具有类脑智能的边缘摄像头可以更高效地识别复杂场景中的目标物体，并且根据环境变化实时调整检测策略。存算一体技术与其他新兴技术融合，为数据密集型应用提供更高效的计算解决方案，在人工智能大模型训练中，将存算一体芯片与高性能GPU协同使用，能够进一步提升计算效率和降低能耗。这种技术融合创新将创造出更具性能优势和应用价值的新型算力基础设施。
4.2应用场景拓展
随着新兴算力基础设施技术的不断发展和成熟，其应用场景将得到进一步拓展。在医疗领域，量子计算可用于复杂的蛋白质结构预测和药物分子设计，加速新药研发进程；类脑计算有助于构建更智能的医疗诊断系统，模拟医生的思维过程进行疾病诊断；存算一体技术可应用于医疗影像数据处理，提高影像分析的速度和准确性；边缘计算则能实现医疗设备的实时数据监测和分析，如可穿戴设备在患者身边实时处理健康数据，并及时向医生发送预警信息。在金融领域，量子计算用于优化投资组合、风险评估和金融衍生品定价；类脑计算帮助金融机构构建智能风控系统，更好地识别和防范金融风险；存算一体和边缘计算用于金融交易数据的快速处理和分析，满足高频交易对低延迟和高吞吐量的要求。此外，在能源、交通、教育等众多领域，新兴算力基础设施技术也将发挥重要作用，推动各行业的数字化转型和智能化升级。
4.3产业生态完善
为推动新兴算力基础设施技术的产业化发展，产业生态的完善至关重要。在量子计算产业中，随着技术的逐渐成熟，将吸引更多上下游企业参与到产业链的构建中。量子硬件制造商将不断提升量子比特的质量和数量，降低设备成本；软件开发商会专注于开发更多实用的量子算法和应用程序，满足不同行业的需求；同时，量子计算服务提供商将搭建量子计算云平台，为用户提供便捷的量子计算服务。在类脑计算产业，龙头企业将发挥引领作用，整合神经科学研究机构、芯片制造商、软件开发商、系统集成商等各方资源，共同打造类脑计算的产业生态。通过建立开源社区、举办技术竞赛等方式，吸引更多开发者参与类脑计算的应用开发，促进技术的快速迭代和应用的广泛推广。存算一体产业将围绕存算一体芯片构建完整的产业生态，包括芯片设计工具提供商、芯片制造企业、封装测试企业、应用开发商等。企业之间加强合作，实现从芯片设计到应用落地的全流程协同创新，推动存算一体技术在人工智能、物联网等领域的大规模应用。边缘计算产业将形成由边缘设备制造商、边缘计算服务提供商、应用开发商、网络运营商等组成的产业生态。网络运营商为边缘计算提供网络支持，边缘设备制造商不断推出高性能、低功耗的边缘计算设备，边缘计算服务提供商整合各类资源，为应用开发商提供一站式的边缘计算解决方案，应用开发商则根据不同行业需求开发丰富多样的边缘计算应用，各环节相互协作，共同推动边缘计算产业的繁荣发展。
4.4政策支持与国际合作
新兴算力基础设施技术作为战略性前沿技术，受到各国政府的高度重视，政策支持将持续加强。各国政府将加大对新兴算力技术研发的资金投入，设立专项科研基金，鼓励高校、科研机构和企业开展产学研合作，加速技术创新和成果转化。例如，在量子计算领域，许多国家制定了长期的发展战略，如美国的《国家量子倡议法案》，为量子计算研究提供了大量资金支持，并推动量子信息科学在国家安全、经济发展等方面的应用。在类脑计算方面，一些国家出台政策鼓励神经科学与计算机科学的交叉研究，促进类脑计算技术在医疗、教育等领域的应用示范项目开展。在存算一体和边缘计算领域，政府也会通过税收优惠、产业补贴等政策，引导企业加大研发投入，推动相关技术和产品的产业化进程。同时，新兴算力基础设施技术的发展具有全球性特点，国际合作日益重要。各国科研人员和企业将在技术研发、标准制定、应用推广等方面开展广泛合作。例如，在量子计算领域，国际上的科研团队共同开展量子算法、量子纠错等关键技术的研究，共享研究成果，加速技术突破。在类脑计算方面，不同国家的神经科学研究机构和企业通过国际合作项目，深入研究大脑的工作机制，推动类脑计算技术的发展。在存算一体和边缘计算领域，国际标准化组织将促进各国在技术标准、接口规范等方面的统一，打破国际间的技术壁垒，推动全球产业的协同发展。这种政策支持与国际合作的趋势将为新兴算力基础设施技术的发展创造良好的外部环境，加速其在全球范围内的推广和应用。
五、结论
新兴算力基础设施技术如量子计算、类脑计算、存算一体、边缘计算等，代表了未来算力发展的重要方向。这些技术在各自的领域内取得了显著进展，展现出巨大的应用潜力，为解决传统算力无法满足的复杂问题提供了新的途径。然而，它们也面临着技术、产业和人才等多方面的挑战。从技术层面看，需要克服量子比特稳定性、类脑计算对大脑机制理解不足、存算一体的精度和可靠性以及边缘计算的设备异构性等问题；在产业方面，存在产业链不完善、市场认知度低、竞争激烈和盈利模式不清晰等困境；人才层面则面临着跨学科复合型人才短缺的难题。未来，新兴算力基础设施技术将朝着技术融合创新、应用场景拓展、产业生态完善以及政策支持与国际合作加强的方向发展。通过各方共同努力，攻克技术难题，完善产业生态，培养专业人才，新兴算力基础设施技术有望在推动数字经济发展、促进各行业数字化转型和智能化升级等方面发挥关键作用，为人类社会的发展带来深远影响。因此，持续关注和深入研究新兴算力基础设施技术具有重要的现实意义和战略价值。
参考文献
[1]AruteF,AryaK,BabbushR,etal.Quantumsupremacyusingaprogrammablesuperconductingprocessor[J].Nature,2019,574(7779):505-510.
[2]CaoY,ChenY,ChenZ,etal.Hardware-efficientvariationalquantumeigensolverforsmallmoleculesandquantummagnets[J].PhysicalReviewA,2019,98(4):042327.
[3]DengF,WangX,ZhangQ,etal.A62-qubitsuperconductingprocessortowardsuniversalquantumcomputing[J].arXivpreprintarXiv:2008.08571,2020.
[4]SchmittE,HermannsM,HukeJ,etal.Towardsaneuro-inspiredcomputingarchitectureforenergy-efficientspikingneuralnetworks[J].FrontiersinNeuroscience,2017,11:591.
[5]DaviesM,VenkataramaniS,SrinivasanN,etal.Loihi:Aneuromorphicmanycoreprocessorwithon-chiplearning[J].IEEEMicro,2018,38(1):82-99.
[6]BenjaminB,ChandrasekharanA,ThakorN,etal.TheNeurogridplatformforlarge-scaleneuralsimulations[J].FrontiersinNeuroscience,2014,8:219.
[7]LiuS,LinY,LiX,etal.A65nm48KB480MACs/cycle1.38TOPS/Wconvolutionalneuralnetworkprocessorwithin-memorycomputing[J].IEEEJournalofSolid-StateCircuits,2017,52(11):3007-3019.
[8]KimJ,LeeS,ParkJ,etal.A65nm48KB480MACs/cycle1.38TOPS/Wconvolutionalneuralnetworkprocessorwithin-memorycomputing[J].IEEEJournalofSolid-StateCircuits,2017,52(11):3007-3019.
[9]SatapathyS,RaghunathanA.Edgecomputing:Asurvey[J].ACMComputingSurveys(CSUR),2020,53(5):1-38.
[10]BonomiF,MilitoR,ZhuJ,etal.FogcomputinganditsroleintheInternetofThings[C]//ProceedingsofthefirsteditionoftheMCCworkshoponMobilecloudcomputing.2012:13-16.
[11]StojmenovicI,WenS.Edgecomputing:Visionandchallenges[J].IEEEInternetofThingsJournal,2018,5(1):637-646.
[12]潘建伟，陆朝阳，刘乃乐等。量子计算研究进展[J].中国科学：物理学力学天文学，2020,50(7):741-755.
[13]渠鹏，纪兴龙，陈嘉杰等。通用类脑计算系统研究[J].计算机科学技术学报，2024,39(1):4-21.
[14]施巍松，孙辉，曹杰等。边缘计算：现状与展望[J].计算机研究与发展，2017,54(5):907-924.
转载本文请联系原作者获取授权，同时请注明本文来自陈金友科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3525898-1491420.html?mobile=1
收藏
