当AI狂奔撞上“三堵墙”,计算正在彻底重构

当 ChatGPT 写出百万字长文、文生视频技术秒出大片、自动驾驶测试车辆穿梭街巷，我们以为是 AI 变得更聪明，其实是背后的计算体系正在发生颠覆性变革。

过去几十年，我们习惯了摩尔定律带来的稳定升级：晶体管数量每两年翻一番，电脑越来越快，手机越来越强。但今天，这套逻辑正在悄悄失效。晶体管逼近原子极限，功耗墙、内存墙、通信墙层层堵路，单靠挤牙膏式升级，再也满足不了爆炸式增长的算力需求。

真正的变局，不是更快，而是彻底重构。

芯片越做越小，算力却越来越“贵”？

你有没有注意到一个奇怪的现象：手机芯片从 5nm 升级到 3nm，跑分确实涨了，但日常使用几乎感觉不到差别？苹果 A17 Pro 的晶体管数量比 A16 多了近 30 亿，可 CPU 性能提升只有10% 出头。成本却翻了不止一倍——5nm 芯片设计成本约 5亿美元，3nm 已经逼近 10 亿美元。

问题出在哪儿？摩尔定律的“免费午餐”吃完了。

过去，制程升级自动带来性能翻倍、功耗减半。现在，每前进一步都要靠 FinFET、GAAFET、EUV 光刻这些硬骨头技术。有一个扎心的数据：当工艺到 7nm 时，内存与CPU间数据搬运的功耗已经占到芯片总功耗的 63.7%。大部分电都花在“搬东西”上，真正“算”的反而没多少。

这就是第一堵墙：功耗墙。

一块 CPU 打天下，为什么不够用了？

试试用 CPU 跑一个 AI 大模型，你会发现速度慢如蜗牛，而且大量计算单元闲置，换 GPU，速度瞬间拉满，为什么？

计算任务的本质已然改变：传统办公、网页浏览依托串行运算逻辑，恰好契合 CPU 的架构优势；而 AI 训练以海量矩阵运算为核心，天生适配并行计算模式。旗舰 CPU 仅有数十个核心，GPU 却具备数千乃至上万个计算单元。通用算力难以承载专用负载，这正是异构计算快速兴起的核心根源。

今天的数据中心里，早已不是 CPU一统天下。GPU 扛 AI 训练，DPU 卸载网络和存储，NPU 做端侧推理，FPGA 做灵活加速。一块芯片打天下的时代已然落幕，多元异构的芯片协同模式，成了算力时代的新标配。

举个例子：英伟达的 DGX 服务器，里面有 8 张 H100 GPU、2 颗 Intel CPU，还有专门处理网络和存储的 BlueField DPU。它们各司其职，像一支分工明确的战队。GPT-4 的每一次回答，背后可能是上万颗这样的芯片在几秒内协同完成的。

数据搬运，正在吃掉超 60% 的功耗？

聊到功耗，还有一个更扎心的数字。引用英特尔的实验数据：7nm 芯片下，数据搬运的功耗高达 35pJ/bit，占芯片总功耗的 63.7%。

什么意思？你充 100 度电进数据中心，有 63 度都花在把数据从内存搬到 CPU、再从 CPU 搬回内存的路上。真正用于计算的，只有 37 度。

这就是第二堵墙：内存墙。

怎么破？一个颠覆性的思路是：让计算发生在数据身边，而不是把数据搬给计算。这叫存算一体。

三星已经在 HBM 内存里嵌入了计算单元，能效比直接翻倍。清华大学团队近年做出了基于忆阻器的存算一体芯片，能在芯片上直接完成机器学习训练，能耗比传统架构相差一个数量级。存算一体将率先在端侧 AI（如智能手表、耳机）落地，未来再向大算力场景渗透。

万卡集群，连不起来就是一堆废铁？

大模型公司现在比的不是谁有更多GPU，而是谁能把 GPU 真正连起来用。

训练一个 GPT-4 级别的模型，需要 1.2 万张 A100 跑将近 2个月。这 1.2 万张卡分布在几千台服务器里，每秒钟要交换几十 GB 的梯度数据。如果芯片间的互联带宽不够，通信延迟就会把训练时间拉长好几倍。

这就是第三堵墙：通信墙。

英伟达之所以能在 AI 时代一骑绝尘，不光是 GPU 强，更因为它的 NVLink 和 InfiniBand 生态把互联做到了极致。NVLink 第五代带宽高达 1.8 TB/s，相当于在一秒内传完 30 部蓝光电影。而普通服务器用的 PCIe 5.0，不到它的十分之一。

两种扩展模式：Scale-up（纵向扩展）和 Scale-out（横向扩展）。前者把几十张卡绑成一台超级计算机，适合超大模型训练；后者把成千上万台服务器连成集群，适合海量数据并行。两者缺一不可。

从“算得快”到“算得巧”，计算正在换赛道。

去年 9 月，DeepSeek V3.2 引入稀疏注意力机制（DSA），长文本推理速度提升了 2‑3 倍，API 调用成本直接腰斩，输出价格低至 3 元/百万 tokens。

它不是靠堆更多 H100，而是靠算法和架构上的“巧劲”。这让很多人重新思考一个问题：算力堆砌是不是到顶了？

这说明一个趋势：计算创新的重心，正在从硬件供给侧转向应用需求侧。过去是英特尔做出更强的 CPU，软件再去适配它。现在是 AI、自动驾驶、数字孪生这些应用倒逼芯片和系统做出改变。

比如自动驾驶要求毫秒级决策、高可靠，通用 GPU 搞不定，就得做专用 ASIC。边缘计算要求超低功耗，存算一体就有了用武之地。工业数字孪生需要实时物理仿真，光计算和类脑计算正在探索这个方向。

你看得见的 AI 奇迹，背后是看不见的算力重构。

清华大学团队研发的DrugCLIP筛选方法，24小时就能完成10万亿次配对评估，构建了目前已知最大规模的蛋白—配体筛选数据库，过去科研人员花大量时间才能筛一个靶点，现在AI一天干完十年的活。这不是生物学自己开挂了，是计算给了它新武器。

再看AI气象模型，在台风预报中表现惊艳，路径误差率创下历史新低。到了2026年，国产AI大模型——盘古、风乌、疾风已经全面进入业务化运行。这些模型在计算效率上更是颠覆性的：推理速度比传统数值模式提升4个数量级以上，计算资源消耗降低99%以上。

从实验室到工厂，东北制药的智能灯检机，给每瓶药品拍72张照片，毫秒级成像与智能判读，不合格品自动剔除。更重要的是，人眼会累，AI不会，它能在运行中持续学习，越用越“聪明”。

天气预报更准了，新药研发更快了，工厂产线更聪明了——所有这些“变好”的背后，都是一场计算技术的全面重构。从芯片、存储、互联的底层变革，到计算范式、计算模式、应用场景的升级换代，算力不再是一串抽象数字，而是这个时代真正的核心生产力。

《计算大变局》这本书，正是帮你看清这场重构的全景地图。它不是教你写代码的手册，而是帮你理解：为什么摩尔定律失效了？为什么 GPU 成了硬通货？为什么存算一体、量子计算、光计算会成为下一轮竞争的焦点？在这个算力即国力的时代，不懂计算，就看不懂未来。

内容提要

本书从计算技术的演进历程出发，系统梳理计算领域从底层硬件到顶层应用的变革脉络，呈现其整体技术变革图景。全书以“变”为主线，围绕计算要素、计算模式、计算范式与计算应用等多个维度展开深度剖析，既涵盖芯片、存储、互联等技术的演进进展，也探讨从云计算、异构计算到存算一体等计算模式的演进跃迁，并前瞻性研判智能计算、前沿计算等计算范式的发展方向。同时，本书在应用落地层面紧密结合自动驾驶、工业智能等前沿领域的典型场景，直面计算技术规模化应用过程中的安全、能耗等现实挑战，展望未来发展趋势，旨在为科研院所、产业界、科技从业者及广大技术爱好者提供一幅清晰完整的计算技术演进图谱。

第一章引言：变革的序曲 7

1.1 与人类文明同期起步 7

1.2 冯氏体系拉开现代计算大幕 13

1.3 庞大复杂的计算技术体系 20

1.4 指引计算技术创新变革的重要定律 24

1.1.1. 摩尔定律 24

1.1.2. 登纳德缩放定律 29

1.1.3. 阿姆达尔定律 32

1.1.4. 安迪-比尔定律 34

第二章计算要素之变 36

2.1 多元创新的计算芯片 36

2.1.1. 中央处理器CPU 37

2.1.2. 人工智能芯片 53

2.1.3. 数据处理芯片DPU 70

2.1.4. 芯片制造 74

2.1.5. 先进封装 84

2.2 分级协同的多样化存储技术 99

2.2.1. 以架构和工艺创新提升密度与速率的DRAM内存 103

2.2.2. 以三维多层为升级主路径的NAND闪存 108

2.2.3. 面向更优性能与存储密度表现的新型存储探索 111

2.3 深化融合的互联体系 114

2.3.1. 卡内互联 115

2.3.2. 卡间互联 116

2.3.3. 服务器间互联 118

第三章计算模式之变 124

3.1 由单机计算到多机集群 124

3.1.1. 峰值运算性能持续突破的超算 125

3.1.2. 通过按需扩展创新服务模式的云计算 132

3.2 由同构计算到异构计算 133

3.2.1. 由多核、多芯到多节点的同构计算 134

3.2.2. 由协同加速到多样架构的异构计算 135

3.3 由存算分立到存算一体 144

3.4 由云端分立到云端协同 147

第四章计算范式之变 150

4.1 通用计算与智能计算 150

4.1.1. 以矩阵与向量计算等为代表的并行计算能力 151

4.1.2. 以多机多卡协同为代表的大规模计算能力 157

4.1.3. 算力设施的智能化升级正日益深化 165

4.2 经典计算与前沿计算 170

4.2.1. 重点领域围绕产业化落地需求持续突破 172

4.2.2. 智能化成为非经典计算应用探索的重要方向 183

第五章计算应用之变 188

5.1 持续引领科学研究范式变革 188

5.1.1. 从实验到仿真的飞跃 189

5.1.2. AI驱动的科研新范式 192

5.2 赋能自动驾驶缔造出行革命 195

5.3 加速工业制造数智升级跃迁 199

第六章计算挑战之变 203

6.1 安全与隐私 203

6.1.1. 前所未有的挑战 203

6.1.2. 多样化的安全计算技术探索 205

6.2 能耗与散热 206

6.2.1. 复杂多样的能耗现状 207

6.2.2. 多维进展的应对举措 209

第七章凡是过往，皆为序章 213

7.1 发展动能由供给驱动到需求牵引 213

7.2 创新模式由单点突破到系统耦合 217

7.3 产业合作由分工细化到深度协同 221

后记：我国计算发展历程回顾 223

█来源 | 信通社区

初审 | 张一晨

复审 | 胡艺

终审 | 李强

信通社区

中国工信出版传媒集团信通传媒图书业务，聚焦工业和信息化领域前沿技术与创新应用，服务高水平科技自立自强，以优质的知识产品服务科技强国、制造强国、航天强国、网络强国、数字中国，发挥信通传媒书刊互动优势，持续出版相关领域的学术专著、主题读物、经管图书、科普精品、专业教材等知识产品。

信通社区的图书先后荣获中国出版政府奖、中华优秀出版物、中国好书等重磅奖项，入选中宣部主题出版重点出版物、“十三五”/“十四五”国家重点出版物规划、国家出版基金、国家科学技术学术著作出版基金等重要出版项目。