目前我国正在实施东数西算战略。在算力发展这个话题下，我谈一些对数据中心“数学”与“算术”的思考。这里的“数学”是指数据的科学，“算术”指的是算力的技术。
要分开：以算为主or以存为主
从2012年到2019年，科技巨头谷歌的算力需求6年间扩大了30万倍，约每三个半月翻一番。它为什么会有这么高的计算需求？人工智能驱动了算力的增长。
以OpenAI于2020 年发布的人工智能语言分析模型GPT-3为例，它的参数规模有1750亿个，有45TB数据，数学模型大小为700GB。微软专门为OpenAI打造的超级计算机，拥有28.5万个CPU和1万个GPU，供OpenAI在上面训练所有的AI模型，训练一次成本约为1300万美元。可见，人工智能的建模对计算能力有很高的要求。
目前算力可以分为基础算力（基于CPU芯片）、智能算力（基于GPU和NPU芯片）和超算算力（基于高性能计算机）。基于GPU/NPU/FPGA等构建的AI智算中心，更适于训练数据、导出模型。训练出数学模型后，后续利用模型对输入数据来计算AI决策结果，这时并不需要太高计算算力。所以通常是用基于CPU的通用计算来做在已知数学模型下的计算任务，可以理解为智算中心的功能主要是算，数据中心的的主要任务是存。
中国信通院数据显示，2021年全球算力分布为，美国占31%，中国占27%，其次是日本、德国、英国等其他国家。其中，美国的基础算力占全球35%，智能算力占15%，超算占30%，而中国这三类分别为27%、26%和20%。
可以看出，美国以基础算力为主，中国则是智能算力超过美国。中国的超算和智能算力中心是以政府为主，基础算力以运营商和互联网企业为主，美国则主要是互联网企业为主。
另外，中国三大电信运营商都做了云计算的能力和业务部署，全球其他运营商都没有此类布局，这与国外有所不同。
要关注：冷数据与热数据
从数据角度，大部分数据可以分为热数据和冷数据。热数据主要是一些需要实时计算的数据，相比之下冷数据不需要实时性。国家的八大算力枢纽，实际上西部主要是定位在处理冷数据和本地的一些热数据；而东部主要是处理热数据。
国际数据公司IDC提出，人类历史上90%的数据都是过去几年产生的，其中50%是短短过去两年产生的。最近产生的数据是热数据，但热数据经过一段时间之后，也会“降温”继而变成冷数据。一项统计认为，冷、温、热三类数据分别占累计数据量的80%、15%和5%，这意味着，冷数据是最多的、主要的。
热数据要求实时计算，但冷数据的需求主要是存储，或者说，对冷数据来讲计算并不是常态，存储是常态。东西部的算力中心，就分别更适合于热数据和冷数据，从这个意义上来讲，东数西算可以说是“东数西存”——主要是存，当然也有计算。
在计算架构上，主要有两种：存算分离、存内计算。
存算分离架构在控制单元指令下从存储器读数据并交到CPU计算，得到的结果再送回存储器。如此往复的I/O通讯，对于热数据的计算来说效率不高。
但存算分离有个优点，存储单元可以不仅服务于单个计算单元，可以同时服务多个服务器的计算，形成一个池化的存储，这样能够支持多云计算，实现较高利用率和低成本、低能耗。而这恰好适用于冷数据，例如可以用云平台建模，用边缘计算训练与仿真。
不过，热数据需快速计算，受限于存算分离I/O瓶颈，且CPU能力受累于存储器访问速度难以发挥，更需要存内计算。存内技术以随机存取存储器（RAM）替代硬盘，在RAM内完成所有运算。现在还有一些阻变存储器和相变存储器等新型非易失性存储器，已经在实验室中取得了突破，但大规模推广目前成本还较高。还有介乎于存内计算和存算分离之间的模式，如近存计算。
总体而言，存算分离适用于冷数据处理，存内计算适用于热数据。举个例子，自动驾驶的数据要在路边甚至在车内同时完成存与算。
西部以处理冷数据为主，但也需要处理当地的热数据，冷热数据是否需要分别采用不同的存算架构？这也是值得研究的问题。
要厘清：PUE与IT能效
现在数据中心都喜欢强调 PUE。PUE是数据中心能耗占IT系统能耗之比，反映了制冷系统的水平，但并非能衡量IT系统的能效。
衡量碳使用效率的指标是CUE，能更直观地反映数据中心的节碳水平。PUE与CUE在常规电力方面是等效的，但在使用“绿电”时，即使数据中心PUE很高，CUE也可以很低。因此，PUE低并不代表不耗能，因为IT系统也有能耗的。
据统计，数据中心IT系统的能耗中，服务器约占50%，存储系统约占35%，网络通信设备约占15%。数据中心需要7×24小时工作，但连续工作并不是连续计算，一般来讲，很多数据中心计算的时间占比不高，但是数据“睡觉”的时候也耗能——此时存储系统的能耗成为主体。所以麦卡锡报告称，数据中心大部分电能是用于维持服务器的，服务器大部分时间仅用于存储，约只有6%~12%用来计算。所以，降低存储的能耗非常重要。
要降低能耗，首先考虑冷数据存储，有人建议采用磁带代替磁盘。据估计100PB的数据存储如果全部用硬盘，10年的存储成本要1641万美元；而如果这些数据100%用磁带来代替，存储成本可下降73%。
目前磁带存储正被越来越多的科技公司所接受和应用。比如百度智能驾驶已全面开始使用磁带存储，对比之前的存储系统，整体成本下降了85%。
但对于热数据，人们希望越快越好，就用闪存来代替磁盘。它不但速度快，能效也好，但目前成本还比较高。
还有一种改进能效的办法是数据预处理。不是所有数据都是有用的，我们需要去掉一些无效值，如空格、有缺失的数据、过期数据等。另外，可以通过数据压缩算法把数据优化，还有合理安排数据存储的位置和调度，以比较精确地找出数据所存的位置，这样也可以减少能耗。
对“东数西算”的思考
东数西算使得算力设施的布局超越了数据中心枢纽的范畴，虽然设想东部与西部互为冷热数据的配对，但东部西部间应如何配比？
我注意到广东省关于数据中心规划，设计省内算力占70%，省外算力占30%。这与冷数据占比80%的客观情况有出入。按理说，省外多数是冷数据，冷数据占80%，但省外算力只有30%，这显然不能满足需要。或者，是不是可以理解为，80%的冷数据是指存储容量，而不是算力的比例？所以这是个问题。
另外在市场经济条件下，东西部的存算比例理应“配对”，但是，谁去管它们之间的存算匹配？如果任由各自独立的设计，怎么能做到容量最佳利用？这里也存在问题。因此，在“东数西算”推进过程中，需要进一步加强东部和西部算力枢纽、数据中心的协同。
同时，同一数据中心枢纽或集群内部也有很多比例需要优化。数据中心枢纽内有多个数据中心，每个数据中心内部又有多个业主：有腾讯建的、阿里建的，有电信建的，也有联通、移动建的，各建各的，各种各样，基本没有协商。那么，怎么协调它们的能源、土地、电力等的供应？怎么建立共享机制，以实现枢纽内各数据中心所需的能源与网络资源集约化，提升利用率？目前还没有这种机制。为此，需要建立“东数西算”跨域数据中心能力的协调，避免存、算资源不匹配。总之，“东数西算”还需要“懂数细算”。
此外，每一个数据中心还需要设计算力、存力和网络能力的合理比例以及相应的灾备比例。这是要跟冷热数据、大文件小文件数据是有关联的，不能“一刀切”。
从长远来看，数据中心越大型、能效越好，但也忌一步到位：一般而言，CPU的能力一年半就要换代，若超前建设，实际上是浪费的。Gartner认为，到2025年75%的数据要在边缘处理，只有25%的数据会送到云计算中心或数据枢纽上。如何协同边缘与中心云的算力比例？也是需要认真研究的命题。所以，关于数据中心的“数学”和“算术”，还有很多需要深入研究的内容，算力对我们来讲还是一个比较新的东西，我们要善于从实践中学习创新。
