什么是百亿亿次级计算？
百亿亿次级计算是指能够以每秒至少 1 百亿亿次（10¹⁸）浮点运算速度进行计算的高性能计算 (HPC) 系统。在传统的 HPC 环境中，这种性能水平是使用双精度 (FP64) 浮点运算来衡量的，比每秒运行 10¹⁵ 次浮点运算的千万亿次级系统提高了 1000 倍。
百亿亿次级性能通常使用标准化的基准测试方法进行验证，例如高性能LINPACK (HPL)，该方法测量整个系统持续的FP64吞吐量。虽然一些人工智能平台使用较低精度格式（例如FP8或FP4）来衡量“百亿亿次级”性能，但这些指标反映的是不同的工作负载特征，无法与传统的基于FP64的百亿亿次级系统直接比较。
百亿亿次级计算不仅仅是速度上的一个里程碑，它更体现了系统架构的转变。百亿亿次级系统不再依赖单个强大的处理器，而是利用数十万乃至数百万个计算核心进行大规模并行处理。这些环境结合了中央处理器（ CPU ）、图形处理器（ GPU ）和其他加速器，将工作负载高效地分配到大型集群中。
百亿亿次级计算支持人工智能（AI）模型训练、气候建模、基因组研究和高级科学模拟等高要求工作负载。要达到这种性能水平，需要高带宽内存。 ultra低延迟互连、可扩展存储和节能设计。百亿亿次级系统旨在平衡机架和数据中心规模下的性能、功耗和散热限制。
为什么百亿亿次级计算如此重要
百亿亿次级计算之所以重要，是因为现代计算工作负载的扩展速度已经超过了传统架构的支持能力。人工智能工作负载、科学模拟和大规模数据建模都需要前所未有的并行处理能力、内存带宽和系统协调能力。
虽然 AI 训练通常利用降低精度的格式来最大限度地提高吞吐量，但传统的 HPC 应用需要持续的双精度 (FP64) 性能，以确保数值准确性、稳定性和科学有效性。
人工智能模型训练
训练大规模人工智能模型需要可扩展的深度学习基础设施，通常需要数千个GPU在同步并行集群中运行。随着模型参数增长到数千亿甚至数万亿，计算、内存和互连性能将成为瓶颈。百亿亿级基础设施能够提供支持基础模型、大型语言模型和高级推理流水线所需的吞吐量和可扩展性。
科学模拟与工程
物理学、材料科学、航空航天和能源研究领域的高级模拟依赖于在分布式系统中执行的高精度浮点计算。百亿亿次级计算使研究人员能够以更高的分辨率和精度对复杂系统进行建模，从而减少对物理原型的需求并加速创新周期。
气候与环境建模
气候建模需要分析庞大且不断更新的数据集。更高的计算分辨率可以提高预测精度，并实现更精细的环境模拟。百亿亿次级系统使得处理以前难以实现的尺度的大气、海洋和地理空间数据成为可能。
基因组学和生命科学
基因组测序和分子建模会产生海量数据集，需要高性能的并行处理能力。百亿亿次级系统通过显著减少计算瓶颈，支持更快的基因组组装、药物发现模拟和精准医疗研究。
国家研究与战略计算
各国政府和研究机构依赖百亿亿次级计算来执行关键任务，包括能源安全、先进材料开发和国家研究计划。这些工作负载需要持续的性能、系统可靠性以及专为极高计算密度而设计的基础设施。
百亿亿次级系统的基础设施挑战
设计百亿亿次级性能系统需要的不仅仅是增加节点数量。这类环境依赖于密集的GPU加速，以及在针对极致并行性优化的异构架构中与CPU协同工作。在这种规模下，互连性能与处理器性能同等重要。 Ultra延迟、高带宽的网络架构必须同步集群中数十万个核心，同时最大限度地降低通信开销。内存带宽和容量也必须同步扩展，采用高带宽内存技术和分布式内存模型来支持持续的数据传输。
在如此高的密度下，电源供应和散热限制成为决定性的设计因素。机架的功率需求可达数十千瓦甚至更高，这就要求采用先进的机架级架构、弹性电源分配和集成冷却策略。计算密度、能源效率和散热管理必须作为一个统一的系统进行设计，以确保性能的持续性和可预测的运营成本。因此，实现百亿亿次级计算能力是一项系统级挑战，需要紧密协调的计算、网络、内存、存储和冷却基础设施，并且这些基础设施必须能够从机架扩展到数据中心。
液冷在百亿亿次级计算环境中的作用
随着百亿亿次级系统的计算密度不断提高，机架功耗已超出传统风冷散热的实际极限。支持人工智能和科学计算工作负载的GPU加速集群，每个机架的功耗可超过数十千瓦，由此产生的热负荷仅靠气流无法有效散发。在这种高密度下保持性能稳定，需要更有效的散热方法，能够在更高的热设计功耗（TDP）水平下，同时确保系统可靠性。
由于液冷解决方案具有卓越的散热效率，它已成为百亿亿次级计算环境的关键推动因素。直接液冷方案，包括芯片级直接冷却方案，能够从源头去除热量，从而降低热阻并提高能源效率。在大规模应用中，基于液冷的散热管理能够支持更高的机架密度，并在持续高负载下提供更稳定的性能，这使得先进的冷却架构成为现代百亿亿次级计算基础设施的必备要素。
百亿亿次级计算 vs. 超大规模计算 vs. 高性能计算
百亿亿次级（Exascale）特指计算性能规模。百亿亿次级系统能够提供至少每秒 1 exaflop（即 10¹⁸ 次浮点运算）的性能。它是衡量计算吞吐量的指标。
相比之下，超大规模指的是数据中心的规模。超大规模环境旨在通过水平可扩展的基础设施来支持海量用户、工作负载或分布式服务。该术语并非指计算性能，而是指架构规模和运行能力。
同样，高性能计算（HPC）最好被定义为一种工作负载类别。HPC涵盖计算密集型应用，例如科学模拟、建模和大规模分析。百亿亿次级系统代表了HPC能力的最高层级。
基础设施平台如何支持百亿亿次级部署
百亿亿次级系统依赖于专为极高密度、带宽和效率而设计的基础设施平台。高密度GPU系统、机架级集成和高速互连架构使大型集群能够作为协调的计算环境运行。先进的散热架构和优化的电源供应支持在高机架功率水平下保持持续性能。
专为高密度 GPU 加速和先进冷却架构而设计的基础设施平台构成了百亿亿次级技术的基础，从而能够从研究机构到企业 AI环境进行可扩展部署。
常见问题
- 百亿亿次级计算和量子计算有什么区别？
百亿亿次级计算指的是利用CPU和GPU实现至少一次百亿亿次浮点运算性能的传统高性能计算系统。量子计算则利用量子比特和截然不同的原理来解决传统系统无法高效处理的特定数学问题。 - 百亿亿次级计算之后会是什么？
继百亿亿次级计算之后，下一个理论上的里程碑是泽亿亿次级计算，其每秒可执行10²¹次浮点运算。要达到这一水平，需要在处理器效率、内存架构、互连带宽和数据中心供电等方面取得重大突破。 - 百亿亿次级系统消耗多少电力？
根据架构和效率的不同，百亿亿次级系统通常需要数十兆瓦的设施电力。为了在大规模计算中保持可持续的性能，管理如此巨大的电力消耗需要先进的配电系统、高效的组件以及优化的冷却策略。 - 企业能否部署百亿亿次级系统？
虽然国家实验室运行着规模最大的百亿亿次级系统，但企业也可以部署百亿亿次级基础设施。大规模人工智能训练集群和先进的研究环境正通过密集型GPU加速和可扩展的机架级架构，日益接近百亿亿次级性能。