绿色AI基准Green500：超级计算机的“油耗排行榜”

可视化演示

动态展示Green500能效榜单排名、HPL Linpack基准测试流程(GEN→FAC→SLV→CHK)、CPU/GPU/加速器架构能效对比、以及十年能效演进趋势四个核心视角。

榜单源起：从“跑得最快”到“跑得最省”

货运车队大比武的场地上，历来有两本成绩册。第一本叫TOP500，记录谁每小时搬出的货箱最多——这是纯性能的比拼，比的是绝对速度；第二本叫Green500，记录谁每升油搬出的货箱最多——这是能效的比拼，比的是成本与自然的责任。同一支车队，要同时面对两本册子的检阅：跑得最快的不一定最省油，最省油的也不一定跑得最远。

技术世界中，这两本成绩册都由国际TOP500组织发布。这个组织每年六月和十一月各更新一次榜单，把全球最强的超级计算机拉出来“公开考试”。TOP500诞生于1993年，而Green500从2007年开始发布，它俩使用的是同一套评测规则：都是让所有超算跑HPL基准，测出实测性能，再记录整机功耗，最后算出能效。区别在于，一个按性能排座次，一个按能效排座次。

之所以会出现两本册子，是因为芯片功耗一路飙升，一台超算动辄消耗几十兆瓦电力，相当于一座小镇的用电量。如果只看速度不看油耗，人类会造出一堆“油老虎”机器。Green500正是把“省油”这件事摆到台面上：把性能和功耗放在同一个天秤上称一称，让绿色概念从口号变成可测算的分数。

回看那场大比武，裁判员举着两份计分牌：一份写着“最快”，一份写着“最省”。聪明的车队老板会同时盯住两块牌子，因为他们知道，长期运营的利润，往往藏在油耗那张牌里。

能效指标：每瓦特能搬多少货

绿榜的“成绩单”该怎么读？类比卡车司机最熟悉的指标——百公里油耗。卡车能拉多少货是运力，烧多少油是成本，两者相除得到“每升油能拉几箱货”。超级计算机的运力叫FLOPS，每秒浮点运算次数；成本叫功耗，单位是瓦特。两者相除，就是Green500用来排名的核心指标：能效比。

FLOPS 是“每秒浮点运算次数”的缩写，可以通俗理解成“每秒搬了多少箱数学货物”。功耗则是整台机器在考试期间从电网实际吃掉的功率，不只包含计算芯片，还包括内存、网络和散热系统这些“后勤车辆”的消耗。把这两个数字放在一起，我们就能回答一个外行也能懂的问题：这台机器每花 1 瓦电，能算多少次浮点运算？

所以绿榜冠军“绿洲号”能效 54.7 GFLOPS/W，就是说它每瓦电每秒能算 547 亿次浮点运算。回到车队比喻：这不是说它总运力最大，而是说它每升油拉的货最多，是节油大赛的头名。

测量基准：一张公平的“考卷”

要让不同厂家的车队比油耗，必须规定同一条路线、同样的载重和同样的驾驶规则，否则“油耗成绩”毫无意义。Green500 使用的这张标准考卷，叫做 HPL（High Performance Linpack），也就是高性能线性方程组求解基准。

HPL 考卷的内容是求解一个超大规模的稠密线性方程组——你可以把这个过程理解成：要求每支车队把一万个货箱按指定顺序从仓库搬装上车，谁都不能挑肥拣瘦。机器需要在这个统一考题下跑出实测性能 Rmax，同时记录整机功耗 P。评卷时，系统会尝试不同规模的方程组（不同的“装货量”），取表现最好的一次作为成绩，这就是 Rmax 的由来。

这张考卷保证了跨系统比较的公平性：不管是美国、日本还是欧洲的超算，都按同一套 HPL 规则应试，再用同一把尺子（能效公式）量出油耗高低。难怪有人说，HPL 是超算界的“驾校科目三”。

影响因素：油耗从哪儿来

同样是重型卡车，为什么有的百公里油耗 30 升，有的要 60 升？答案藏在发动机、散热器、货物和路线里。超级计算机的能效差异，同样由四个关键因素决定。

第一个因素是硬件架构。通用 CPU 像普通皮卡，什么活都能干但效率不高；GPU 和专用加速器（如 TPU）则像专门拉集装箱的重卡，在特定计算上每瓦特干活更多。所以近年绿榜前排几乎全被 GPU 集群包揽。第二个因素是散热方案。风冷像开着车窗吹风，简单但费电；液冷像给发动机加装高效水冷系统，冷却泵功耗更低，整体能效自然更高。第三个因素是负载特性，HPL 考卷是“满载走高速”，而真实的 AI 训练负载时稀疏计算和通信等待，像是“市区走走停停”，能效往往大幅缩水。第四个因素是系统规模：车队越大，调度和互连的“后勤油耗”也越高，这也是为什么很多千万亿次超算的能效并不如小规模原型机。

在芯片层面，功耗的来源可以用一个经典公式刻画：

所以想降低车队油耗，不能只在“载重”上做文章，发动机、散热、路况三管齐下才能见效。这也解释了为什么绿榜冠军的答案从来不是“把机器关了”，而是“用更聪明的方式用电”。

历届冠军：绿榜上的明星车队

绿榜发布十几年来，冠军车队换了一茬又一茬，每一届都像赛车场上的新技术发布会。近几年的榜单特别有意思：它呈现出一幅“性能王”与“省油王”分道扬镳的画面。

先说“先锋号”（Frontier），这台部署在美国橡树岭国家实验室的超算，既是 TOP500 榜首，又长期占据 Green500 前列，能效约 52.2 GFLOPS/W。它采用 AMD EPYC 处理器加 MI250X GPU 的混合架构，配合液冷散热，说明了“高性能+高能效”并非不可兼得。接着是“绿洲号”（Venado），一台基于 NVIDIA Grace Hopper 架构的超算，以约 54.7 GFLOPS/W 的能效登顶绿榜，它的秘密是把 CPU 和 GPU 用高速 NVLink 融合在一起，减少数据搬运的浪费。

另一个典型案例是日本的“富士号”（Fugaku）。它曾在 TOP500 性能榜上夺得第一，理论峰值极高，但在 Green500 上能效只有约 15.6 GFLOPS/W，排名远不如前。这台机器用的是 ARM 架构 CPU，没配大量 GPU 加速器，虽然通用计算能力强，但在“每瓦性能”这项指标上被 GPU 集群远远甩开。这台“性能巨兽”成了绝佳对照：跑得最快的车，不一定是最省油的车。

榜单上的故事告诉我们，Green500 更像一面“后视镜”——它照出每个时代的技术路线选择。当芯片企业比拼峰值算力时，绿榜用油耗数据把“效率优先”的声音推到了台前。

优化策略：车队省油四板斧

看完冠军车队，你是不是也想知道自家车队怎么省油？Green500 揭示的优化思路可以总结成四板斧：换发动机、装智能油门、改水冷、练好驾驶技术。

第一斧：硬件选型。在购买或自研超算时，优先选择每瓦性能更高的 GPU、专用 AI 芯片或低功耗 ARM 处理器。这就好比淘汰老旧大排量发动机，换成单位载重油耗更低的新引擎。第二斧：功耗管理。DVFS（动态电压频率调节）技术允许系统在负载低谷时自动降压降频，负载高峰再拉满性能。这相当于给卡车装了定速巡航和智能节油模式，高速时全速前进，市区慢慢溜。第三斧：液冷散热。用冷板或浸没式液冷替代传统风冷，冷却本身消耗的电力大幅下降，整机功耗随之降低。第四斧：调度优化。通过负载均衡、进程绑定和空闲节点休眠，让计算任务尽量集中在最节能的节点上，减少“空车烧油”的浪费。

在功耗管理上，DVFS 之所以有效，数学根源还是那个功耗公式。如果把电压和频率同时降下来，能量消耗会呈现这样的关系：

这四板斧组合使用，效果远大于单一优化。好比优秀车队队长，既选了好车，又配了省油驾驶数据系统，还建了高效的维护站，每一滴油都被花在刀刃上。

实践应用：绿榜照亮AI机房

Green500 的价值远不止一台超算的荣誉，它更是一张“绿色路线图”，指引着 AI 时代的机房建设。今天的 AI 训练，尤其是大语言模型的预训练，电费账单高得惊人。就拿训练一个千亿参数模型来说，动辄耗电上百万千瓦时，电费达千万元级别。算一笔账：同样的训练任务，用 50 GFLOPS/W 的高能效机器，比用 15 GFLOPS/W 的旧机器，电费可能相差好几倍。这正是 Green500 在 AI 领域最直接的应用——把每瓦性能当作训练成本的标尺。

数据中心运营者也把 Green500 理念引入日常：建立每台节点的“能效档案”，时刻监控哪些节点的电在“空转”；引入类似 HPL 的标准化评测，验证新采购硬件的真实能效；用液冷改造老旧机房，把 PUE 从 1.4 压到 1.1 以下。在“双碳”目标下，绿色算力评级甚至开始影响数据中心的选址与电力配额申请。

对 AI 从业者而言，Green500 就像一本“购车指南”。架构师选型时，翻开绿榜看哪些 GPU 平台的能效更高；运维工程师巡检时，把能效指标纳入告警系统；MLOps 团队在成本审计时，用能效公式核算每轮训练的碳排与电费。每个决定背后，都有一根看不见的“油耗尺子”。

当世界计算需求持续膨胀，绿色不再只是环保口号，而是实打实的竞争力。下一次你看到一份超算榜单，不妨多看一眼它的“油耗栏”——那里藏着未来十年计算的胜负手。

AI 应用场景

Python 演示

#!/usr/bin/env python3"""绿色AI基准Green500: 能效评估计算器从每瓦特能搬多少货的思路出发,输入各超级计算机的实测性能与功耗, 输出能效排行榜"""  def evaluate_efficiency(flops, power):    """计算能效 = 实测性能(FLOPS) / 功耗(W), 返回 GFLOPS/W"""    return flops / power / 1e9  def rank_machines(machines):    """模拟Green500: 按能效从高到低排序, 返回榜单行列表"""    rows = []    for m in machines:        eff = evaluate_efficiency(m["flops"], m["power"])        rows.append((m["name"], eff, m["flops"], m["power"]))    rows.sort(key=lambda r: r[1], reverse=True)    return rows  if __name__ == "__main__":    machines = [        {"name": "绿洲号", "flops": 1.75e18, "power": 3.2e7},        {"name": "先锋号", "flops": 1.19e18, "power": 2.27e7},        {"name": "富士号", "flops": 4.42e17, "power": 2.83e7},        {"name": "镜湖号", "flops": 3.09e17, "power": 2.38e7},    ]    print("=" * 46)    print("Green500 能效排行榜(模拟)")    print("=" * 46)    for i, (name, eff, flops, power) in enumerate(rank_machines(machines), 1):        print(f"第{i}名  {name}")        print(f"  能效 {eff:.2f} GFLOPS/W  "              f"性能 {flops:.3e} FLOPS  功耗 {power:.3e} W")

1. def evaluate_efficiency(flops, power):定义能效计算函数，对应正文中的公式“能效 = 实测性能 ÷ 功耗”
2. flops / power / 1e9用除法算出每瓦浮点性能，再除以十亿换算成易读的 GFLOPS/W 单位
3. rows.append((m["name"], eff, ...))把每台机器的名字、能效、原始数据打包成一行，方便排序
4. rows.sort(key=lambda r: r[1], reverse=True)按能效从高到低排序，这一步就是 Green500 排名的核心逻辑
5. enumerate(rank_machines(machines), 1)从 1 开始编号，输出“第 1 名、第 2 名……”的榜单格式
6. f"能效 {eff:.2f} GFLOPS/W"用格式化字符串输出两位小数的能效值，让结果直观可读

常见误区

面试题