算力作为驱动技术进步的“燃料” 成为一种新兴“能源”

近日，全球知名科技公司、显卡制造商NVIDIA GeForce官方推特发布公告称：“PC玩家，让我们的GPU一起加入工作吧。加入我们，用闲置的GPU算力支持Folding@Home项目，以对抗新冠病毒。”号召发出后，网民纷纷响应，表示愿意通过共享算力的方式为新冠病毒研究贡献一份力量。

Folding@home是一个研究蛋白质折叠、误折、聚合及由此引起的相关疾病的分布式计算工程，是目前世界上最大的分布式计算项目。2月27日，其宣布加入新冠病毒研究，向全球发出号召，呼吁更多志愿者加入其中，贡献自己的闲置算力，帮助寻找新冠肺炎的突破口。

什么是算力共享?

所谓算力共享，是指依托建立的网络信息中心，运用云端分布式计算技术实现网络算力的互联共享，以达成用户数据分析目的的分析计算方式。以Folding@home的研究为例，肺部感染是在病毒表面的蛋白质与肺细胞上的受体蛋白质结合时产生的，研究人员需要通过收集刺突蛋白摆动并折叠而成的所有形状，研究其与ACE2受体间的相互作用，来帮助开发治疗抗体。显然这样的收集工作需要耗费大量的计算能力，因此Folding@home通过算力共享的方式来满足其在科研过程中产生的算力需求。

实际上，助力研究新冠病毒并非是算力共享的首次应用。在疫情暴发前，算力共享就已经有过一些成熟的应用。例如2002年建立的号称能够帮助普通人的电脑实现和外星文明“第五类接触”的“BOINC算力地球”项目。参与项目的C端用户通过允许BOINC在闲置时调用个人的CPU和GPU计算能力，来支持数学、医学、天文学、气象学等各个领域的科学研究。英国牛津大学就曾使用BOINC的算力来预测未来100年全球气候变化。BOINC支援过的最大项目，是美国加州大学伯克利分校发起的，搜索外星智能生物的计算资源共享计划SETI@HOME。该项目通过分析位于波多黎各阿雷西博天文台和望远镜，以及位于维吉尼亚州的绿岸天文望远镜所搜集到的无线电信号，来寻找外星高等智能生物存在的证据，自启动至今，吸引了全世界超过500万个用户。

国内也有团队正在探索共享算力方面的应用，如共享算力平台项目Pekka，它试图在标准链之上建立数以万计日活跃用户的共享算力应用，将用户的闲置计算机共享到Pekka平台，以此来满足一些用户对租用闲置算力的需求。为最大化利用闲置算力，Pekka同时设计了加密货币的开采，这意味着，在Pekka平台出租计算机的用户在算力未被租用的情况下可以保底获得基本挖矿收益。

算力应用的不同形式

随着大数据时代的到来，算力在数字经济时代成为一种重要的生产力。在新兴科技不断突破的过程中，算力作为驱动技术进步的“燃料”，成为一种新兴“能源”。算力的提升驱动了多种新兴技术的快速跃变，包括AI、5G网络、图形计算和虚拟货币等。

共享算力是分布式计算的一种，分布式计算是一种与集中式计算相对的计算方法，是利用互联网上计算机中央处理器的闲置处理能力来解决大型计算问题的一种计算科学。在计算机技术高度发达的今天，有些应用需要使用巨大的计算能力才能完成，如果采用集中式计算，需要耗费相当长的时间。分布式计算这种将应用分解成许多小的部分、分配给多台计算机进行处理的工作模式，可以节约整体计算时间，大大提高计算效率。由此可见，共享算力本质上是对闲置算力的最大化利用，通过调动和集中闲置算力资源，来满足用户对大算力的使用需求，是共享经济在计算机领域的创新突破。

伴随大数据、云计算、物联网的快速发展，算力的使用也在不断创新。在算力共享兴起的同时，边缘计算技术也在逐步走进大众视野。如果说算力共享是将闲置算力调动起来以解决大型计算机问题的技术，边缘计算则是通过把计算、存储、带宽、应用等资源放置在网络的边缘侧，以减小用户端传输延迟和带宽限制的技术。

边缘计算的诞生与物联网密不可分，在物联网的应用背景之下，数据在分布上具有分散性的特征，用户对设备响应时间和安全性也有更高的要求。从目前来看，互联设备产生的海量数据和前所未有的复杂性已经超出了网络和基础架构的能力范围，将设备生成的所有数据发送到集中式数据中心或云端会导致带宽和延迟的问题。边缘计算就是在传统云计算模式面临带宽和延迟两大瓶颈的背景下应运而生的。边缘计算利用存在于网络边缘上的计算和存储资源，在网络的末端为用户提供服务，由于数据不会通过网络传输到云端或数据中心进行处理，延迟将显著减少，能够带来更好的用户体验。边缘计算在支持移动计算与物联网应用方面，具有明显的优点：

一是极大缓解网络带宽与数据中心压力。有数据显示，随着物联网的发展，2020年全球的设备将会产生600ZB的数据，但其中只有10%是关键数据，其余都是临时数据无需长期存储。边缘计算可以充分利用这个特点，在网络边缘处理大量临时数据，从而减轻网络带宽与数据中心的压力。

二是保护隐私数据，提升数据安全性。随着智能家居的普及，许多家庭在屋内安装网络摄像头，如果直接将视频数据上传至云数据中心，会增加泄露用户隐私数据的风险。边缘计算模型为这类敏感数据提供了较好的隐私保护机制。用户的源数据在上传至云数据中心之前，首先利用近数据端的边缘结点直接对数据源进行处理，可以实现对一些敏感数据的保护与隔离。这种方法可以显著降低隐私泄露的风险。

算力共享与边缘计算应用的现实痛点

算力共享与边缘计算在技术上都有着各自的优势，但若将这两项技术投放到市场中去仍然面临着许多现实尴尬。

首先，用户的参与动力不足。算力共享需要大量拥有闲置算力的PC端用户的积极参与。社会中的闲置算力资源虽然庞大，但用户在共享闲置算力时所需付出的代价可能会让参与用户望而却步。比如共享算力需要电脑持续运行，保持满负载运行，设备的耐久性和寿命可能会因此打折扣。如果没有足够的动力驱使，算力共享很难调动起社会中大多数人的积极性。

其次，传统的云计算尚不能很好地支持基于分布式节点的计算，致使规模惊人的闲置算力与存储资源难以得到有效的释放。若要将共享资源效率最大化，必须依靠具备强大技术能力的平台，这在一定程度上限制了共享项目的扩张。比如虚拟化技术，多核CPU和拥有大量核数的GPU出现，让计算机性能得到数量级提高的同时，也加大了共享的部署难度，很容易造成GPU密集型负载的性能混乱和资源浪费，这就需要通过虚拟化来对丰富的计算资源进行抽象和模拟，在令算力达到原生GPPU/CPU性能的同时，让成千上万个应用相互之间没有干扰。

在边缘计算方面，美国韦恩州立大学计算机科学系教授施巍松在《边缘计算：现状与展望》一文中提到，在技术上，云计算中心和边缘设备之前的调度是目前边缘计算待解决的问题。云计算中心与边缘设备间的调度分为两种方式：自下而上和自上而下。自下而上是在网络边缘处将边缘设备采集或者产生的数据进行部分或者全部的预处理，过滤无用数据，以此降低传输带宽;自上而下是指将云计算中心所执行的复杂计算任务进行分割，然后分配给边缘设备执行，以此充分利用边缘设备的计算资源，减少整个计算系统的延迟和能耗。任务是否可拆分可调度、调度应该采取什么策略、哪些任务需要调度等是设计调度程序时需要考虑的问题。如何设计和实现一种有效降低边缘设备任务执行延迟的动态调度策略是一个需要解决的问题。

此外，在边缘计算和垂直行业的合作方面，需要减少与行业标准间的隔阂。在边缘计算系统的设计中，未来需要与行业标准靠近，减少隔阂。例如，在针对自动驾驶汽车的研究中，自动驾驶任务的完成需要使用到智能算法、嵌入式操作系统、车载计算硬件等各类计算机领域知识，这对于计算机从业人员而言是一个机遇，因此许多互联网公司投入资源进行研究。然而，若想研制符合行业标准的汽车，仅应用计算机领域知识是完全不够的，还需要对汽车领域专业知识有较好的理解，如汽车动力系统、控制系统等，这就需要与传统汽车厂商进行紧密合作。

总之，无论是在算力共享还是边缘计算中，算力都作为一种资源在未来的技术发展中扮演着重要的角色。创新算力应用模式，进一步释放现有的算力资源，解决人类共同面临的难题，在数字时代为广大用户带来更好的消费体验，还需要广大社会成员和全行业的共同努力。

(作者：人民网新媒体智库 张力、施美彤)