算力时代，算能（SOPHGO）的算力芯片/智算板卡/服务器选型

数字经济时代，算力成为支撑经济社会发展新的关键生产力，全球主要经济体都在加快推进算力战略布局。随着大模型持续选代，模型能力不断增强，带来算力需求持续增长。算力对数字经济和GDP的提高有显著的带动作用，根据IDC、浪潮信息、清华大学联合发布的数据显示，计算力指数平均每提高1点，数字经济和GDP将分别增长3.5‰和1.8‰。

算力是芯片单位时间里处理数据的能力，算力越高，单位时间里处理的数据量越大，作为新质生产力的重要代表的智能算力网络，正在推动社会进步和经济发展。以1000 亿参数的大模型为例，预训练、推理、调优三个环节的算力总需求约18万PFlop/s-day，对应需要 2.8 万张 A100 等效的 GPU 算力。

图1：常见算力单位

根据工信部数据，我国在用数据中心机架总规模超过810万标准机架，算力总规模位居全球第二，达到了230EFLOPS，就是每秒230百亿亿次浮点运算，预计到2025年，我国算力总规模将突破300EFLOPS，由GPU、TPU、NPU带来的智能算力占比将达到35%。罗兰贝格的预测，从2018年到2030年，自动驾驶对算力的需求将增加390倍，智慧工厂需求将增长110倍，主要国家人均算力需求将从今天的不足500 GFLOPS，增加20倍，变成2035年的10000 GFLOPS。目前算力正加速向政务、工业、交通、医疗等各行业各领域渗透，未来算力产业将成为我国经济增长的重要引擎之一。

图2：AI算力芯片种类

GPU（Graphics Processing Unit）是一种主要用于图形渲染和加速图形处理任务的专用处理器，具备大量核心和高度并行的架构，特别适合处理图形渲染、影像处理和科学计算领域，因其在处理各种 AI 任务方面的多功能性而闻名，包括训练深度学习模型和执行推理操作。 而以CPU提供算力，适合复杂逻辑运算，比如大多数通用软件。

TPU：张量处理器（Tensor Processing Unit）是Google为机器学习定制的专用芯片（ASIC），专为Google的深度学习框架TensorFlow而设计，由于相比GPU牺牲了处理器的通用型，可快速高效地执行张量运算，因此在特定任务中TPU的性能表现更佳。例如，在 V100 GPU 上使用 BERT 模型处理一批 128 个序列需要 3.8 毫秒，而在 TPU v3 上则需要 1.7 毫秒。