什么是“算力网络”
开门见山，到底什么是计算网络？
计算网络不是特定的技术，也不是特定的设备。从宏观上来说，是一种理念，一种思想。从微观上看，还是一种网络，结构和性质完全不同。
计算网络的核心目的是为用户提供计算资源服务。但其实现模式不同于传统的“云计算通信网络”模式，而是将计算资源完全“整合”到通信网络中，以更整体的形式提供最符合用户需求的计算资源服务。
因此，有人把计算网络称为“作为计算机的网络”。
你面前的东西就像一个力计算器。你不需要关心背后是什么，你只需要知道它一定会给你提供最符合你需求的计算资源。
计算与网络的关系演进
单独看前面一段，会有点晕。接下来，我们从网络的起源说起。
在关于计算能力的文章里，我给大家讲了计算能力的发展，其实就是计算机的发展。
事实上，网络的发展与计算机密切相关。(这里所说的网络指的是数据通信网，不是语音电话网。下同。)
20世纪60年代，为了使美国大学的大型计算机能够传输数据，创建了阿帕网(ARPANET)(也称为“阿帕网”，互联网的前身)。
Apa。它连接了美国中西部的四所大学。
20世纪70年代，早期的局域网技术(以太网，TCP/IP协议)应运而生，服务于高校和科研机构的计算机之间的通信。
网络的出现，除了使点对点(用户对用户)的信息交换成为可能，更重要的是因为3354使一些复杂而高端的计算能力可以为普通用户所用。
在那个年代，用户PC的计算能力非常弱，能做的事情非常有限，内容资源非常少(硬盘的存储容量非常小)。
通过网络，用户可以与机房(数据中心)建立连接，访问机房内的服务器，共享服务器的CPU和存储。
力量的集中和共享
对于复杂和困难的计算任务，也可以借助网络将它们分配到不同的计算机上，共同完成计算任务。这就是网格计算，是分布式计算的一种形式。
20世纪80年代以后，网络的数量和规模增加了。于是，人们组建了连接各个地区的骨干网，最终形成了全球互联网。
小网络变成大网络，这就是互联网。
借助全球互联网，承载计算资源的机房可以做大做强，为更多用户提供计算服务。这个机房变成互联网数据中心(IDC)。
进入21世纪后，基于互联网数据中心，为了更好地管理大量的服务器(以及用廉价的服务器实现高性能、高可靠性的计算任务)，亚马逊、谷歌等公司率先做出了云计算。
云计算的核心是虚拟化技术。说白了就是所有的计算资源，比如CPU、内存、硬盘、显卡等。成为“资源池”，可以灵活分配，分发给用户。
虚拟化技术将物理资源分解成虚拟资源。
在网络方面，巨大的变化正在同时发生。
起初，网络的重点是传输速率、容量和覆盖范围的提高。毕竟用户多了，数据中心多了，互联网厂商多了，对带宽的需求也会增加。想让用户访问更快，体验更好，就必须让“水管”加粗。
在此期间，光通信和移动通信发展迅速。使用光纤可以大大扩展通信带宽。有了移动通信，随时随地都可以实现通信接入。
到2010年，我们的通信网络基本实现了人与数据中心的物理连接。
画枣不容易，转载请注明出处。
此时，随着云计算和大数据技术的出现和成熟，通信技术的核心任务开始发生变化。3354通信的连接对象开始从人扩展到物，互联网开始从消费扩展到产业(工业制造、交通物流、银行金融、教育医疗等。).
互联网行业开始兴起，物联网也开始兴起，从而打开了整个人类社会从010年到59000年的大门。
数字化转型
在数字时代，一切都围绕数据展开。
专家们大笔一挥，将一切信息化、数字化、网络化定义为“挖掘数据价值”、“创造数字财富”、“发展数字经济”。
以云计算、大数据、人工智能为代表的IT技术更名为 第一阶段：云网协同。以通信技术为代表的通信技术更名为算力。它们成为数字化转型最重要的工具。(存储资源也叫“存储力”，但一般属于计算力的范畴。)
数据挖掘过程
在这个时代，所有的计算机硬件和软件都被抽象出来，成为和水、电一样的资源，称为“计算资源”。
所有应用，比如看剧、玩游戏、办公自动化、AR/VR等。也统称为“计算应用”，享受“计算服务”。
计算已经成为重要的生产力，全社会都需要它。
但是，计算能力和电有很大的区别。——电是能量，只要接上电网就可以用。然而，计算能力有不同的属性和类型。不同的用户，不同的场景，对计算能力有不同的需求。
换句话说，联接力。
关于计算能力的文章中提到，计算能力有不同的类型，比如通用计算能力、超级计算能力和智能计算能力。
比如我玩吃鸡，就需要游戏算法和图形渲染。结果，你提供的是智能计算能力。合适吗？
再比如，我搞路灯的物联网，控制路灯的开关。这是一个非常简单的手术。结果你给我提供了昂贵的超级计算能力，给我安排了天河一号。这样合适吗？
再比如，我为比特币挖矿，你为我提供x86 CPU的一般计算能力，所以挖矿效率极低。这样合适吗？
明显不合适。
有人要性能强的计算能力，有人要响应快(低延迟)的计算能力，有人要价格低的计算能力.单靠云计算无法灵活满足用户的不同需求。
算力是存在多样性的
另一方面，网络(通信运营商)也有强烈的合作意愿。
原因如下：
1.传统网络过于封闭，设备商的控制技术一旦选定，很难替代。以云计算为代表的IT技术强调开源、池化、软件化、软硬件解耦。作为甲方，运营商可以掌握更多的主动权。
2.传统网络虽然属于通信范畴，但也是使用计算能力的。在路由交换领域，在核心网领域，其实计算能力是主要因素，设备本身就是“类x86服务器”。为了提高设备的运行效率，需要将通信网络信息化和软件化，这样可以简化网络的运行和维护，实现容量的灵活扩展。
3.运营商是网络运营的主体，但是网络铺设的时候只能是“管道”，不能触及用户的数据，也不能触及用户的业务。比商务流量包更赚钱。运营商不想被边缘化。因此，他们希望以网络为资本，参与云市场的竞争，分享蛋糕。
4.国内运营商左手有网，右手有云。但是，运营商的云更依赖于设备商。搞云网合作，可以通过云卖网，也可以边卖边学，增加对云的掌控，国内外都不吃亏。
于是，2010年左右，云和网开始打破壁垒，进行第一阶段的合作。此时的Yunhe.com属于“初恋”，双方依然强调尊重
当时SDN主要是针对承载网的。承载网路由器的管理功能和转发功能剥离，管理功能集中。这样就相当于制作了网络软件，可以随时下达指令。
SDN，网络被拆除。
NFV怎么样？主要是针对核心网。它将云技术引入网络，将通信网络单元由专业设备改为通用x86设备，网络功能由虚拟机实现，变得更加开放和灵活。
NFV，将网元的功能从物理设备迁移到虚拟设备(云服务)
其实无线接入网(基站)上是有云化的。天线不能云化(一直收发信号)，基带操作处理可以云化。所以，有Open RAN，vRAN，C-RAN等。限于篇幅，不多介绍。
SDN和NFV是将云引入通信网络的技术和概念，相当于用云改造网络。
从云端的角度，我也从网络端得到了“好处”。这个重要的“福利”是于是，算力这边，想到了网络的配合。。
有了网，云发现它可以沿着网“流动”。它将中央云的一部分计算能力下沉，放在通信网络的各个层面，更加贴近用户，能够满足用户对低时延计算能力的需求。
这个计算能力可以在你的路由器里，可以在大楼的弱电机房里，可以在基站机房里，也可以在区县市的各级机房里。反正到处都是。
边缘计算=计算力下沉
边缘计算彻底颠覆了传统的“非端到云”的计算架构，使得计算资源成为“云、边、端”三级模型，相互协作为用户提供所需的计算服务。
于是开始出现“计算能力无处不在”的说法。
在云协作时代，云可以调动网络(“云调网”)，网络也可以配合云。如SDN前面所说，网络是由软件定义的，网络的功能成为平台上的一个选项。操作云的时候可以调用网络的功能，点击一个按钮就可以配置网络。“云网协同”
云协作的出现揭示了整个ICT行业的变革方向。它的初步成就也鼓励了运营商、设备供应商和云计算服务提供商。
几年后，大家一致认为，光有云和网络的协作是不够的，应该全面融合。就这样MEC边缘计算出道了。
这种变化的根本原因其实是数字化转型的浪潮。随着数字化的深入，数据越来越大。特别是以数据为中心的人工智能业务的广泛应用，加剧了全社会对计算能力的需求。
为了满足对计算能力的迫切需求，必须加快云和网络的融合。
在这个阶段，因为边缘计算的出现，云计算已经不能单独代表计算能力，于是与“云”相关的词逐渐变成了“计算”。(智能计算和超级计算的强势崛起，也让“计算”这个词更强大，更引人注目，更有代表性。)
另一方面，互联网彻底失去了与计算能力平起平坐的资格，开始加速与计算能力的“融合”。其实坦白说，是计算力的“融合”。
融合是这个阶段的行动，融合的最终目标当然是计算和网络的完全融合。也就是未来要实现计算和网络的融合。
整合后的“网”，即—— 第二阶段：云网融合。
你了解整个过程吗？网上概念之所以这么复杂，是因为三大运营商，加上华为等设备商，特别喜欢取名字，炒作概念，而且还互相不肯承认和统一。所以媒体上的名字很多。其实很多名词意思都是一样的。
造字方面，运营商真的很纠结。
那些“1 2 3”的，还有ABCDE之类的，更大。
还有李网的几个英文名。例如：
计算能力网络
CFN(计算第一网络)。
CFN(计算力量网络)。
CAN(计算感知网络)。
目前，CF
小早君在本文开头就说过，计算力网络的存在意义就是为用户提供最合适的计算力资源服务。
这个合适，就是计算力类型匹配，计算力规模合适，计算力性价比高。
“云网融合”
目前摩尔定律已经逐渐进入瓶颈，单个芯片提升计算能力的空间越来越窄，成本越来越高。在单点计算能力无法持续翻倍的情况下，解决计算能力不足的唯一办法就是盘活现有的计算能力资源。
计算跟不上数据的增长(图片来自数字科技)
换句话说，让计算能力流动起来，精准服务用户，提高计算能力的利用率，比简单的把计算能力堆起来，死芯片工艺更有价值。
今年非常流行的“东方算东西，西方算东西”，就是对计算力网络概念的一次实践。
东部对计算能力的需求高，而西部的计算能力成本低(温度低，制冷成本低，能源便宜)。从而借助强大的通信网络基础设施，将低延迟要求的计算能力迁移到西部地区，实现更完美的计算能力性价比。
那么，计算能力网络是一种什么样的架构呢？它基于哪些底层技术？其——计算能力路由、计算能力调度、计算能力交易三大特性是如何实现的？目前，计算力网络的标准进展如何？
且看下集：“算力网络”。
网络渲染是什么意思呀
让我们正式看看什么是可微分渲染。
微渲染不仅包括普通的正向渲染过程，还包括反向渲染过程。众所周知，正向渲染是由游戏资源生成图像的过程，而反向渲染是由渲染结果导出游戏资源的过程。当然，这种理解是片面的，但是现在，为了便于我们理解，我们可以这么说。
我们来看看上图。普通的渲染可以看作是一个非常复杂的函数F，它的输入X包括相机位置，方向，物体的顶点位置，纹理，材质参数等等。f的输出就是渲染结果y。
本图中，上半部分为拟合效果图，下半部分为地面真实效果图。输入x_opt和x_gt，分别代表优化和基本事实。他们可以在渲染函数f后分别得到y_opt和y_gt。在我们定义了屏幕空间的可微损失函数之后，就可以得到它们之间的差值Z，得到y_opt的偏导数。
如果渲染函数f可微，我们可以求出y_opt对x_opt的导数，最后用链式法则求出z对x_opt的偏导数。
当这些参数集的导数得到后，整个问题就变成了一个优化问题。可以通过梯度下降和其他优化算法来优化目标函数，以获得最优参数集。此外，可以将各种神经网络添加到系统的上游和下游，用于各种应用。
具有可区分的渲染。对上述问题的统一解决方法，其实就是先渲染高质量的图片A，再渲染Lod图片B，在屏幕空间找到它们之间的差异损失，然后找到待拟合参数的梯度，通过梯度下降算法找到参数的最优解。实际上，有各种各样的损失函数。要拟合的参数包括模型、材质参数、贴图，甚至着色器函数。
所以剩下的核心问题就是如何让渲染变得可区分。当然，广义的渲染包括光栅渲染、光线追踪渲染、神经渲染等等。今天只能讨论光栅渲染。
与正向渲染过程不同，逆向渲染需要导出大量参数，这是一个难题。例如，一个1024*1024的映射具有大约10的6次方的参数。对于如此大量的参数推导，普通的有限差分算法肯定是行不通的。
然而PyTorch和Tensorflow中的自动微分技术却无能为力，因为它们是为线性代数和神经网络计算而设计的。普通的神经网络应用程序只产生数百个计算密集型操作，如矩阵向量乘法或卷积。但是渲染计算会产生巨大的计算图形，计算负载不均衡，对性能和内存来说太多了。我们将详细介绍如何解决这些问题并实现一个高效的光栅化可微分渲染器。
\ U3000 \ U30002不同渲染管道的实现
以下将按此顺序介绍，首先是可微分渲染流水线的顶层架构，然后是可微分GPU模拟的实现，即如何让光栅化器可微分。接下来是可微分着色器编译器的实现，因为除了光栅化器，着色器也是游戏的重要组成部分，它也需要可微分。最后简单介绍一下下层引擎资产服务器，它负责将引擎游戏资产提供给我们的可微分光栅化器进行拟合和学习，并将结果转化为游戏资产。
首先我们来看看可微分渲染流水线的整体结构，主要包括分布式训练单元和可微分GPU模拟。
训练单元客户端封装并提供场景、素材、动画等数据，配置各种学习策略。
Mythal Core提供核心差分光栅化器。在当前版本中，我们在CUDA/C上实现了完整的高性能正反向渲染流程，GPU版本的性能完全满足资产辅助生产业务例程的要求。其中，光栅化、插值、纹理采样、着色器等部分的核心支持区分。
另外，我们也在追求计划的标准化。因此，我们将mythal的渲染核心封装成一个符合vulkan驱动标准，适配vulkan 1.2 API接口的虚拟GPU。
让我们关注一下Mythal Core的设计和实现。
对于Mythal的渲染核心来说，首先我们面临的是“易于分布式部署和高性能”这两个需求。我们参考了大量的移动GPU设计理念，以及许多现代GPU硬件和商用GPU仿真软件的优秀解决方案。最后通过基于分层瓦片的栅格化构建整个栅格化过程。
在这种层次结构下，一方面可以用宁滨、瓦片等不同粒度组织和部署任务，非常适合未来灵活的部署需求。另一方面，基于tile的结构对缓存更加友好，便于我们在设备上更好地利用L1缓存。
其实我们也是。这种层级结构和CUDA对L1缓存的强大控制，意味着在每一个阶段，数据在计算前都以“生产者”和“消费者”的模式上传到L1缓存，后续实际计算时访问的大量数据都固定在芯片的缓存中。同时，分层可以使每一层的任务划分粒度更小，这也意味着可以方便地利用warp级别的高性能同步机制。最后，我们支持当代GPU硬件上的许多重要功能，以满足高性能目标的需求。右边的列表显示了HTBR的一些重要特征。