创新力是现代战争的战斗力。随着认知域作战等新的作战样式浮出水面，“制认知权”已成为未来作战的新高地。从技术视角看，“制认知权”集中体现为“算力＋数据＋算法”的综合较量，“算力等于战力、算法就是战法、软件定义战争”将成为智能化战争的鲜明特征，“谁的算力更强，谁就能占据制胜先机”成为新的战争制胜规律。面对认知域的新挑战，传统计算范式和存储模式将如何发展？计算系统如何在优化迭代中获得更高能力？带着这些问题，记者采访了复旦大学计算机科学技术学院张为华教授。
智能计算将成为新的计算范式
当今世界，诸多具有主动认知能力的智能化装备纷纷亮相，“忠诚僚机”无人机、“黄貂鱼”无人加油机、卫星机器人、“网络空间飞行器”、“自适应雷达对抗”等项目纷纷涌现。在“云-边-端”环境下，各种智能设备环绕在人们周围，成为了连接人脑认知与信息系统的桥梁和纽带。但是，当前的计算体系架构在“人—机—物”的高效协同时，缺乏并行管理架构，计算效率低、耗能大，无法满足万物互联场景下复杂多变的应用需求。同时，因为各种智能设备、智能应用爆发式增长，带来数据量的“爆炸式”增长，带来对计算能力的“指数级”需求。根据国际数据公司IDC的预测，2025年全球数据总量将达到175ZB。面对如此巨大的计算需求，传统计算范式已经难以“承受之重”。以超算为例，实际计算效率仅为峰值速度的15%左右。强大的计算资源因为没有得到有效利用，难以在认知对抗的强烈需求下发挥应有的作用
计算+数据=人工智能（蒋金虎 提供图片）
如果将智能计算看作是工厂中的一个产品，那么存储便是原料池，而算力则是生产线。张为华教授介绍道，智能技术的迅速发展对算力提出了更高要求：从数据存储角度看，海量的参数需要从海量的训练数据中去学习，这要求底层系统必须具备大规模数据存储能力；从算力的角度来看，随着数据规模的不断提高，智能算法在分析数据时所需要的计算量也越来越大，这要求底层系统必须具备大规模数据计算能力；从软硬件协同的角度来看，智能算法需要快速运算，智能系统需要在多平台中快速部署，这要求底层系统必须加快智能系统的代码执行速度，利用软硬件协同工具链提升智能算法的运算速度，提高智能系统的部署效率。业内普遍认为，智能计算、软硬件协同将是新的计算范式，计算机已从传统的“冯诺依曼”体系架构下“通用算力”向智能化的“专用算力”转变，基于智能算法的软硬件协同计算技术将催生新的发展范式，以实现计算体系架构从单纯的工具型“旧算力”向智能型“新算力”蜕变，从新维度延伸人类的能力范围。
智能计算新范式的基础是高可靠存储
张为华教授指出，数据存储是智能计算的基础。智能计算对数据存储提出了高性能、高可靠放入新需求。所谓高性能，就是适应人类智能特点，解决高并发、实时性的问题，“脑筋要能急转弯”。所谓高可靠，就是大大降低数据丢失风险，智能计算需要的存储要具备“非易失性”，不能出现“短路”“失忆”现象。
位于郑州的网络安全科技馆展出的脑机计算平台（王丹玉 提供图片）
但是，传统的存储设备无法提供高性能的数据访问。例如，机械硬盘的随机访问速度仅为内存设备的十万分之一。今天，各种新型快速存储设备不断涌现，与传统的存储设备相比，它们在顺序访问和随机访问方面的性能有了极大的提高，这降低了智能系统读取数据和写入数据的请求延迟。这就好把使用最频繁的原材料，放在距离车间最近的地方，工厂就能够更快地加工产品，从而缩短了生产周期。同时，智能计算通常按照小批量、随机访问的方式读取数据，这也需要构建新的数据存储系统。
存储设备金字塔 （贺巩山 提供图片）
在数据的可靠性方面，传统的内存设备具有易失性的特点。比如，一旦断电，存储在其中的数据就会丢失，并且无法恢复，相当于人脑出现了“断片”现象。而新型设备拥有断电恢复能力，当突然停电时，会启用内置电源，从而避免数据丢失。为了保证智能计算的数据可靠性，人们在存储架构方面也引入了数据冗余技术。一是多副本技术，将原始数据复制多份，分别存储在不同的机器中。如果某台机器中的某个存储设备发生了故障，只需要从其他的节点中将数据复制过来，就可以恢复丢失的数据。二是纠删码技术，将原始数据切分为大小相同的数据块，而后进行编码排序、制定一个“门牌号码”，如果部分数据块发生故障，可以通过“门牌号码”、通过“左邻右舍”的帮助，找回丢失的那些数据。新型的持久化存储设备和各种各样的数据冗余技术，让智能计算所依赖的数据存储更加可靠。
智能计算新范式的核心是高效能计算硬件
张为华教授认为，智能计算有两个特点。第一个特点是多应用场景兼容，能够根据认知域对抗需求，全方位模拟真实环境的智能化终端连接设备，将用户反馈的信息转发到智能计算中心进行统一处理。第二个特点是增加性能功耗比，随着大数据和智能系统的发展，数据规模迅速膨胀，计算复杂度也越来越高，功耗也越来越大。据世界半导体联盟测算，如果没有技术变革，未来的能源到2035年仅能满足信息基础设施所需。摩尔定律和登纳德缩放定律带来的“免费的午餐”正在逐渐失效，传统的CPU、GPU架构已经不能满足智能系统算力在这两个方面的需求。
认知、信息系统和先进计算 （贺巩山 提供图片）
为了解决多场景兼容问题，科学家们提出了超异构的计算硬件设计，针对各种不同的应用场景设计专门的异构芯片，并对异构架构进行平行扩展。这就类似于不断增加新的定制工具，使得车间可以快速生产各种类型的产品。为了解决性能功耗比问题，科学家们提出了“晶上计算系统”的新范式。传统异构平台都是独立芯片，片上需要额外的面积来支持存储和通信，不但效率低，而且功耗大。为了解决这个问题，科学家们把一个大的计算系统封装在一个大晶圆上，“计算不出圈”，一个晶圆就是一部台式机。同时引入超融合设计的技术，这就好比建造一个大的车间流水线，上道工序加工好的零件直接传给下一个，减少中间储存、运送过程的开销。大晶圆、超融合的设计集成了更多的晶体管，从而可以将多种异构加速引擎、存储设备以及智能网卡融合在一个芯片上。这种方式不仅可以极大地提高芯片的算力，还能够保证在异构加速引擎之间进行高效的数据传输。据介绍，特斯拉公司即将发布的Hardware4.0自动驾驶芯片，就是采用大晶圆、超融合、超异构的方式，大大提升了芯片的性能功耗比，将为大量的业务场景提供更加可靠、更加绿色的算力保证。
超异构和超融合的计算硬件设计 （孔庆灿 提供图片）
智能计算新范式的关键是软硬件协同优化
好马配好鞍，好船配好帆。高可靠的存储、高效能的硬件如果要形成智能化的计算，需要进行软硬件的协同优化，通过软硬件的优化适配，使整个计算系统形成“1+1>2”的效应，把沉睡在“系统”深处的算力唤醒，大幅提升计算效能。智能计算的发展主要对软硬件协同有两个需求，一是提高代码的开发效率，缩短应用的开发周期，降低人力的投入成本；二是提高代码的生成和执行效率，让同样的程序运行的更快更流畅。
软硬件协同优化的构想 （孔庆灿 提供图片）
实现软硬件协同优化，需要“三大利器”。一是工具链，针对不同的领域提供统一的抽象接口，针对多应用、多领域定制计算资源和存储资源，让更多的用户、更加方便的利用好底层硬件的算力。二是优化库，能够通过跨架构的统一编程模型来支持超异构芯片的发展。三是编译器，实现不同应用在特定硬件上的特定优化。如今，编译器的层次越来越多：最上层可以针对不同领域提供领域专用语言，帮助开发人员快速编写高效代码；中间层会支持不同粒度的优化方式，提供自动调优机制；最下层可以针对多种硬件平台进行专门优化和代码生成。编译后的应用能够充分利用存储资源和计算资源，保证了应用的高效执行。
张为华教授指出，未来认知域与智能系统之间的耦合度将越来越高，二者之间的交互活动将会产生无法预计的数据量，对存储、算力、场景兼容性的要求越来越高。解决这些难题的核心还是要推动计算范式的变革，实现在软硬件协同计算、协同优化方面的压强突破、自主创新。第一，硬件系统将进一步向超异构、超融合和存算通信等多维一体的方向发展，从而实现更高的处理效率、数据访问性能和计算功耗比。第二，软硬件协同设计工具链将成为软硬件协同创新和优化的核心，为灵活适配更多、更复杂的场景，软件定义的因素将会越来越多。第三，系统软件需要高效地管理各种硬件资源，提供高可扩展性，支持多种资源属性和场景的有效隔离。第四，要有更加完备的跨平台、跨架构的编译技术，以便支持智能系统在不同平台中的快速部署，同时有效兼容已有生态。“无计算不智能”，智能计算新范式的优势如何转化为认知对抗的胜势，还需要人们继续突破软硬件协同计算中的诸多瓶颈问题，以大幅提高计算的效能。
本文首发光明日报客户端，全媒体记者蔡侗辰，通讯员贺巩山。
