最近看算力新闻，很容易遇到三个词：通算、智算和超算。它们都离不开芯片、内存、存储、网络和软件系统，但真正要处理的任务差别很大。通算管日常程序能不能稳定跑，智算管模型能不能训练和调用，超算管复杂科学问题能不能算得准。先把任务分清楚，再看硬件，就不会把“多少 P、多少 E”直接等同于某一种算力。
一、通算：承载日常数字系统的“基础算力”
通算一般指通用计算能力，核心是 CPU 加内存、存储、网络和操作系统。手机上的 SoC 芯片运行微信、导航、相机和系统后台服务，笔记本 CPU 运行办公软件，服务器 CPU 支撑网站、数据库、政务系统、企业软件和云主机，本质上都可以归入通用计算。只是日常讨论“通算基础设施”时，更多指数据中心里的 CPU 服务器、存储阵列、网络设备和虚拟化平台。
例如一个政务服务系统，要处理登录、表单、数据库查询、文件上传和权限校验；一家企业的 ERP 系统，要处理订单、库存、财务和审批流。这些任务逻辑复杂、并发稳定性要求高，但不一定需要大量 GPU。它们更依赖 CPU、内存、存储、网络和云平台调度。
所以通算是大多数云服务的底盘。很多单位把业务系统上云，买的首先不是“AI 算力”，而是云主机、数据库、对象存储、备份容灾和安全服务。它们听起来没有大模型那么新，但是真正支撑日常数字系统。
二、智算：面向大模型和 AI 应用的“加速算力”
智算服务的是人工智能任务，尤其是深度学习模型训练、模型推理、AIGC、智能体、自动驾驶、工业视觉、语音识别、推荐系统和医学影像分析等。它的核心设备通常是 GPU、NPU 或其他 AI 加速卡，CPU 仍然重要，但不再是唯一主角。比如 NVIDIA GB200 NVL72 这类系统，把 Grace CPU、Blackwell GPU、NVLink 高速互联、液冷机柜和模型软件栈组合在一起，目标就是大模型训练和实时推理。
模型训练和推理之所以需要智算，是因为神经网络里有大量矩阵运算，适合并行处理。训练阶段要把海量数据反复送入模型，调整数以亿计甚至万亿计的参数；推理阶段则是在用户提问、生成图片、生成视频、调用智能体时，快速跑完模型并返回结果。
因此智算不能只看卡的数量。显存够不够、卡与卡之间通信快不快、存储能不能跟上、调度系统是否稳定、主流模型框架是否适配，都会影响最后能不能真正用起来。很多项目账面上有算力，实际跑不满，问题往往就出在这些环节。
三、超算：面向科学计算和工程仿真的“高端计算”
超算即超级计算，主要用于极大规模的科学计算和工程仿真，例如天气气候预测、流体力学、材料设计、生命科学、药物筛选、核物理、航空航天、汽车碰撞仿真和城市复杂系统模拟。它追求的是在高精度数值计算中，把庞大的计算任务拆分到成千上万个计算节点上协同完成。
超算通常重视双精度浮点性能、低延迟高速网络、并行文件系统和大规模任务调度。它处理的问题往往不是“给用户生成一段文字”，而是“模拟一个台风路径”“计算一个材料分子结构”“求解飞机气动模型”。这些任务要求结果可复现、误差可控、精度可靠，因此超算长期服务于科研院所、高校、工程企业和国家级科学装置。
从硬件看，超算并不是固定用某一种芯片。有的超算以 CPU 为主，有的使用 CPU 加 GPU/加速器。美国 Frontier 使用 AMD EPYC CPU 和 AMD Instinct MI250X 加速器，El Capitan 使用 AMD MI300A APU；新一期 TOP500 第一的中国“灵晟”则被公开报道为 CPU 架构路线。它们和智算中心的差别不只在芯片型号，更在系统设计目标：超算强调高精度科学计算、节点间低延迟通信、并行文件系统和长期批处理任务；智算中心更强调低精度矩阵计算、显存、模型并行、推理吞吐和大模型框架适配。
近几年，超算和智算的边界确实在靠近。AI 可以帮助科学计算加速建模和参数搜索，新型超算系统也会配置 AI 加速能力，用于训练科学大模型、气象大模型和材料大模型。这里的融合，不是把超算简单改名成智算，而是在高性能计算体系里增加 AI 任务能力。
四、三者怎样区分：看任务、芯片和调度方式
| 类型 | 主要任务 | 典型硬件 | 关注指标 |
|---|---|---|---|
| 通算 | 手机 App、电脑软件、网站、数据库、云主机、政务系统、企业软件 | CPU/SoC、内存、存储、通用网络、操作系统 | 稳定性、并发、存储可靠性、业务连续性 |
| 智算 | 模型训练、模型推理、AIGC、智能体、工业视觉、自动驾驶 | GPU、NPU、AI 加速卡、HBM 显存、高速互联 | 低精度矩阵计算、显存、卡间互联、推理吞吐、单位 Token 成本 |
| 超算 | 气象、材料、生命科学、流体力学、航空航天、工程仿真 | CPU 或 CPU+GPU/加速器节点、低延迟网络、并行文件系统 | 双精度性能、并行效率、任务调度、科学计算精度 |
所以看一座数据中心或一个云平台，除了看“有多少算力”，还要看这些资源跑什么任务，配套网络、存储、软件栈和运维是否跟得上。同样是服务器，支撑企业网站和支撑大模型训练，架构设计完全不同；同样是 GPU，做图片生成推理和做科学模拟，也会有不同的调度策略和成本结构。
五、P 和 E 是什么：它们不是智算专属单位
P 和 E 说的是 FLOPS 的数量级。1P FLOPS 是每秒千万亿次浮点运算，1E FLOPS 是每秒百亿亿次浮点运算。它们可以用于描述智算，也可以用于描述超算，理论上也能描述通算设备的浮点性能；只是不同场景关注的精度和指标不一样。
智算新闻里常见 FP16、BF16、FP8、FP4，重点是低精度矩阵计算，因为大模型训练和推理更关心吞吐、显存和能效。超算排名常看 FP64 双精度持续性能，因为气象、材料和工程仿真更关心数值精度和可复现性。通算当然也有 FLOPS，但买通算资源时通常不拿 P、E 当核心指标，而是看 CPU 核数、主频、内存、存储、网络、虚拟机规格和业务可用性。
六、从“灵晟”登顶看超算与智算融合
前几天，新华社报道，中国“灵晟”超级计算机系统在新一期全球超级计算机 TOP500 榜单中位列第一，持续双精度性能达到 2.19EFlops。EFlops 表示每秒百亿亿次浮点运算，双精度性能则是科学计算中非常关键的指标，因为气象、材料、工程仿真等任务需要较高数值精度。
这条新闻的重点不只是“排名第一”。它提醒我们，大模型很热，但气候预测、材料研发、生命科学和大型工程设计，仍然需要超算的高精度并行计算能力。很多科学问题不是生成一段答案就结束，而是要在严格物理模型、数学方程和实验数据之间反复计算。
未来几年，各类算力会越来越多地接入同一张网络，但分工不会消失。一个地方真正需要建设的，不是一个听起来最大的概念，而是让不同算力各归其位，并且能被企业和科研机构实际调用。
资料来源与口径
- NVIDIA：GB200 NVL72，用于智算系统中 CPU、GPU、高速互联和大模型推理场景说明。
- Oak Ridge National Laboratory：Frontier 超算硬件事实，用于 CPU+GPU 超算系统示例。
- Lawrence Livermore National Laboratory：El Capitan 硬件概览，用于 AMD MI300A 超算系统示例。
- 新华社：“灵晟”超级计算机系统登顶 TOP500，用于“灵晟”2.19EFlops 持续双精度性能数据。