南宫NG28

近期，高机能推算与人为智能协同创新国际论坛（HACI 2026）在丽江进行
。这场汇聚400多位全球顶尖院士、专家及产业精英的高级别盛会，聚焦超智融合前沿议题
。

香港中文大学（丽江）校长讲座教授、络书智算首席科学家陈子忠受邀出席，并颁发题为《超等推算机机能、靠得住性与功耗之间的内涵关联》的演讲，从算法层面沉新审视了超算能效问题，并提出一个主题判断：机能、功耗与靠得住性之间的“不成能三角”，并非铁律
。

以下为凭据陈子忠教授演讲内容整顿：

一、超等推算机的功耗有多沉要？

今天的超算有多费电？ 

“美国超等推算机Frontier一年电费两千多万美元，Aurora靠近四千万美元，甚至维持ChatGPT运行所需的算力折算玉成年电费也要两千万美元”
。

芯片的功耗与频率的三次方成正比——频率翻倍，功耗变八倍，这就是为什么最近二十年各人烧毁高频单核，转向低频多核
。功耗不仅直接决定运营成本，更造约着机能的进一步提升，同时还会影响系统的不变性和靠得住性
。因而，节能早已不是环１暧，而是算力能否持续突破的硬性门槛
。

二、传统节能伎俩的困境：系统看不懂工作，只能盲调

此刻最常用的节能伎俩是动态电压频率调整（DVFS）
。 

道理很单一：在一个多工作并走运行环境中，把某些工作的频率降下去并不会影响整体工作的实现功夫，但频率降低却能省电
。

但问题在于，频率必须在职务起头前就设好
。系统层面不知路这个工作要跑多久、后面有没有空闲，所以只能“盲调”
。

这些缺失的关键信息（工作推算量、依赖关系、空闲窗口）其实就暗藏在算法的结构中
。

三、算法提前规划：谁必须快，谁能够慢

我们给出的法子是：不让系统瞎猜，而是让算法提前算明显——哪些工作必须跑得快，哪些工作能够慢慢来
。

任何一个大推算工作，都能够拆成好多幼工作
。这些工作之间有先后挨次，画出来像一张流程图
。这张图里有一条“主链条”，必须一个接一个实现、中央不能停的工作，我们称为关键蹊径，这条蹊径决定了整个推算要花多长功夫
。其他的工作能够慢一点，不影响整体进度
。

我们沉新设计推算的流程图，精确预测出每个幼工作要花多久、空闲有多宽
。而后区别对待：

• 关键蹊径上的工作：维持甚至提高频率，让推算更快

• 非关键工作：安心降低频率，进入节能模式

尝试了局批注，在好多经典的利用法式里，使用传十足计步骤预测空闲时段的误差在10%以上，我们基于算法特点的步骤误差在0.16%-0.96%，大幅提升了对工作运行时长和空闲时长的预测正确度，从而能够正确分配每个工作运行时的硬件频率，降低利用法式的功耗
。

四、降压更节能，但容易犯错怎么办？

在维吃斓率的同时降压比单纯降频更节能，但电压太低芯片容易犯错，并且是法式不报错，了局却是错的
。这叫软谬误，很难防
。

若何用很低的成本检测甚至纠正软谬误？我们开发了基于算法的容错（ABFT）——通过校验和来捉拿推算中的谬误
。

推算前先存好每行每列的总和，我们证了然在表积版矩阵乘法运算中，每次循环实现后，这个校验关系仍旧成立，若是不成立，注明推算犯错了
。更进一步，我们用了双沉校验和，除了通常加和，再加一个“带权沉的加和”，这样不仅能检测有没有错，还能精确定位错在哪里，并算出正确的值，且开销远低于传统步骤
。

最优决策来自算法层面的深刻理解

机能、功耗、靠得住性从来不是单选题，它们相互影响但齐全能够共同优化
。系统级的优化有它的天花板，真正能带来突破的是算法级的精准预庞转—看懂工作依赖图，找准关键蹊径，用好校验，这些才是撬动底层效能的真正杠杆
。