数字经济时代，信息成为经济发展的新资源，算力成为千行百业数字化转型的新动能。从日常刷脸打卡到未来智能汽车发展，再到探寻未知世界……我们生活的方方面面在不知不觉中已经和算力紧密结合。

高效刷脸按需匹配算力资源

日常刷脸打卡已经不是什么新鲜事了，但是如何有效、合理调度算力资源来完成人脸识别值得我们思考。以刷脸为例，假设我们要求在1秒内识别人脸，将员工身份、电话等信息以图片形式输出并标记时延。性能配置高的云平台A和相对来讲性能配置一般的云平台B都可以用于完成人脸识别任务，但是在按需匹配算力资源的大前提下，刷脸任务将如何完成？

针对计算任务的算力调度是关键。当用户业务处于闲时，用户业务部署到资源池B进行处理即可满足时延要求，无须调度高性能资源池A的资源；当用户业务处于忙时，资源池B无法在1秒内对人脸数据进行处理，此时需要将用户业务调度到高性能资源池A，利用NFVO（网络功能虚拟化的编排引擎）在资源池A进行业务网关和处理虚拟机的部署。由于资源池A可以提供更低的时延和更多的算力，能够满足忙时的业务需求，从而将时延重新降低到1秒以内。

车轮上的数据中心

对于未来智能汽车的构想，业内有一种说法是“A Data Center on Wheels”，即“车轮上的数据中心”。这形象地描述了在智能汽车发展方面飞速增长的算力需求，一辆汽车的算力级别甚至可以和数据中心的算力比肩。

自动驾驶每提高一级，算力就增加一个数量级。自动驾驶的级别越高，所需传感器越多，捕获的数据量越多、精度越高，就越依赖更高的算力支撑。根据数据，L2级别大概需要2TOPS的算力，L3 需要24TOPS，L4 需要320TOPS，L5 需要4000TOPS以上的算力。TOPS（Tera Operations Per Second），即每秒钟可以运算多少万次，在自动驾驶场景下，可以理解为每秒能识别多少帧的摄像头数据。

这些庞大的算力用在了什么地方呢？一是摄像头和传感器。随着自动驾驶的安全性、精准性要求越来越高，摄像头像素越来越高，传感器数目增加，捕获的数据量剧增，需要更高的算力处理数据。二是决策算法。目前嵌入高级别自动驾驶的感知算法超过20个，所需的算力水平会随着场景复杂化程度增加而提高。三是域控制器趋于集中。从自动驾驶域、智能座舱域、车身域、底盘域、整车控制器5个域“浓缩”跨越到一个中央集中式处理器，提供更强的感知数据融合能力以及控制执行能力需要更强的算力支撑。四是预埋算力，未来通过OTA（空中下载技术）持续升级软件。

全球互联搜寻地外文明

SETI@home是一项利用全球联网的计算机共同搜寻地外文明（Search for Extraterrestrial Intelligence，SETI）的科学实验计划，由美国加州大学伯克利分校创立，中心平台设立在伯克利空间科学实验室。该项目的目标有两个，第一个是要证明分布式计算概念的可行性和实用性；第二个是以科学方法分析、探索地球以外的智慧生命。

参与者可以通过运行一个免费程序下载并分析从射电望远镜传来的数据来加入这个项目。SETI@home程序在用户的个人计算机上，通常在屏幕保护模式或后台模式下，利用多余的处理器资源来运行，不影响用户正常使用计算机。

虽然目前并未找到来自地外文明信号的相关证据，但是在分布式计算方面，SETI@home无疑是一次非常成功的算力连接实验，集世界各地之算力探寻地外文明。根据数据，自1999年5月17日开始正式运行至2004年5月，该项目在世界各地拥有近500万参与者，积累了近200万年的CPU运行时间，进行了近5×10^21次浮点运算，处理了超过13亿个数据单元。

仅凭一台或是几台设备来处理巨量数据，在当下飞速发展的时代是不现实的，利用闲置算力把泛在的闲置算力有效聚合、互联成网，灵活按需匹配到合适的计算任务，将为整体算力规模的提升提供有益探索。

来源：人民邮电报