谷歌雲的gpu算力

㈠ 算力涵蓋gpu+cpu+fpga和各種各樣的asic專用晶元嗎

是的，算力可以涵蓋 GPU、CPU、FPGA 以及各種各樣的 ASIC 專用晶元。
GPU（圖形處理單元）是一種專門用於處理圖形和視頻的晶元，常用於游戲、視頻編輯、人工智慧等領域。
CPU（中央處理器）是計算機的核心處理器，負責執行計算機程序中的指令。
FPGA（可編程邏輯門陣列）是一種可以在硬體層面上實現各種邏輯功能的晶元，在機器學習、通信、計算機視覺等領域有廣泛應用。
ASIC（專用集成電路）是為特定應用而設計的集成電路，具有高度專業化、高效率、低成本的優勢。在區塊鏈、密碼學等領域有廣泛應用。
總的來說，算力可以涵蓋各種計算資源，包括 CPU、GPU、FPGA 和 ASIC 等，用於處理各種不同的計算任務。

㈡ GPU伺服器與傳統伺服器的區別

建議用高配E5-2670 16線程32G內存 240G固態硬碟 贈送100G真實防禦，G口接入20M獨享帶寬真實三線BGP，一共才六百元每月，穩定好用，24小時人工售後，隨時開機測試，+8067-57588

㈢ cudos 一個附帶超強計算能力的新公鏈

2020年3月份，加密貓開發團隊推出專注於NFT的 公鏈 Flow。不到2年的時間內，Flow已經發展成為NFT第一公鏈。開發團隊Dapper Labs的估值已經達到76億美元。專業化、細分化的定位和策略正在成為新型公鏈發展的殺手鐧。

CUDOS也是一條公鏈，和Solana、Avalanche等不同的是，它除了提供高吞吐之外，還為網路提供了分布式計算基礎設施。並且得益於算力供給端的優勢，CUDOS可以為傳統雲算力需求方和鏈上DApp提供超強的計算能力。

目前鏈上生態有一個明顯的特點，那就是DApp的功能都比較簡單。以 以太坊 為代表的主流公鏈上充斥著收益農耕、NFT交易等比較簡單的應用場景。因為網路性能較低，計算資源有限，這些公鏈很難支撐高運算高並發的應用。

但是在CUDOS主網上，因為本身附帶算力市場，可以提供超強運算能力，CUDOS網路將支持視頻渲染、人工智慧、機器學習等高性能運算應用，突破現有 區塊鏈 智能合約的功能瓶頸。

01，CUDOS的基本情況

1）傳統雲算力浪費嚴重

CUDOS的創始人是英國的著名企業家Matt Hawkins。其創辦的另一家公司C4L為英國最大的雲計算和數據中心提供商之一，占據英國1%的雲計算市場份額。

創始人Matt Hawkins，英國著名企業家，創辦過多家科技企業，曾獲「《泰晤士報》科技100強企業」、「德勤英國50強企業」等獎項

在經營C4L的過程中，Matt Hawkins發現了算力大量浪費的現象，有時浪費程度高達80%。因此在2016年，Matt Hawkins出售了這家雲計算公司，並在2017年成立了Cudo。

Cudo是CUDOS的母公司，是一家提供鏈下分布式計算的軟體公司。與之對應的CUDOS則提供區塊鏈解決方案。

2）鏈下結合鏈上，Layer1+Layer2+Layer3突破智能合約計算瓶頸

整體來看，Cudo團隊通過在雲計算領域數十年的資源、需求、合作積累，已經建立起全球算力網路。團隊和AMD這樣的CPU、GPU生產商，和全球最大的算力供應商等都有合作。而區塊鏈解決方案CUDOS的建立則是為了進一步拓展分布式算力的供應與需求市場。

CUDOS是該網路中的Layer1和Layer2。其中底層是基於PoS共識機制，由超級節點組成的驗證者網路。第二層是計算層和應用層，算力市場即基於這一層，同屬這一層的DApp將可以有償使用計算資源以及由這一層中海量數據組成的預言機網路。

CUDOS還衍生出了Layer3的概念。Cudo即是CUDOS的Layer3。通過調用Cudo的高性能鏈下計算資源，CUDOS鏈上智能合約執行如前文所述視頻渲染、人工智慧等高性能計算任務成為可能。

此外，Cudo和CUDOS將是互聯互通，互相輔助的關系。鏈下高性能計算資源可以幫助突破智能合約的計算瓶頸，鏈上多來源的分布式算力也可以匯聚到一起滿足Cudo中的計算需求。

因此，Cudo和CUDOS這種Layer1+Layer2+Layer3的結構可以很好地融合傳統雲算力市場和鏈上分布式算力市場的供給與需求，讓資源的流動和使用更加高效。

3）公測網路上線，跨鏈實現計算資源共享

公測網路激勵計劃ProjectArtemis已經啟動

CUDOS的主網預計在今年年底前上線。目前CUDOS已經發布公測網路Somniorum，並且開啟了激勵計劃Project Artemis。在這個拓展鏈上DApp和構建用戶生態的階段，CUDOS為用戶提供了參與生態的機會和獎勵。不過用戶參與公測需要先填寫申請表格並獲得通過。

公測總共分為4個階段。第1階段用於測試賬戶創建、節點同步、CUDOS水龍頭等新手任務。第2階段用於測試驗證操作，包括質押、委託質押、獎勵等。第3階段用於測試網路在極端情況下的抗壓能力。第4階段用於進行網路創立和遷移的預演。

對於驗證者和開發者而言，測試需要完成不同的任務。參與測試的排名前100位驗證者和300位開發者可以在CUDOS主網上線後獲得CUDOS代幣獎勵。

值得注意的是，CUDOS網路驗證者的門檻不低。驗證者需要質押200萬枚CUDOS代幣，並且只有參與了測試網的驗證者才有資格成為主網驗證者節點。

與此同時，驗證者也能獲得豐厚的獎勵，包括代幣質押獎勵，用戶委託質押代幣所獲得的獎勵的一部分等。持幣量不足以成為驗證者的用戶可以將代幣委託給驗證者，以獲得年化大約30%的收益。

在測試網期間，CUDOS和以太坊、Cosmos的跨鏈功能將會上線。等到主網上線後，網路中的應用，包括NFT市場、直播、人工智慧、視頻渲染等將逐步建立、完善和豐富。

未來CUDOS還將實現和Algorand、波卡等的跨鏈。這意味著超強計算能力不僅能覆蓋CUDOS生態中的應用，也將惠及以太坊、Cosmos、Algorand、波卡等跨鏈生態。

02，CUDOS的優勢

與傳統雲算力市場、一般的公鏈網路相比，CUDOS有這樣幾大優勢：

首先是來自算力供給端的優勢。

一方面，Cudo已經積累了來自傳統雲算力市場的豐富計算資源。Cudo的 挖礦 軟體Cudo Miner在超過145個國家積累了超35萬注冊用戶，任意時間點的並行算力超過6萬。這為CUDOS提供了豐富的鏈下算力供應。

另一方面，得益於深厚的積累，打通鏈上鏈下後，CUDOS算力市場將有著豐富的算力來源。任何機構和個人都可以為這個網路貢獻算力並獲得CUDOS代幣獎勵，包括數據中心、閑置設備和帶寬的中小服務供應商、礦場、礦工，以及廣泛類型的個人電腦，甚至游戲機。

其次，相對於傳統雲算力市場，CUDOS網路的算力成本更低，分布式的結構使網路能免受單點故障的困擾。

傳統雲算力市場存在嚴重的壟斷問題。亞馬遜AWS、微軟Azure、谷歌雲、阿里雲4家雲服務供應商在2019年的市場份額達到70%。壟斷意味著雲算力定價不合理。

相比之下，CUDOS分布式計算網路通過「共享經濟」創造了一種用戶更廣泛參與，成本更低的點對點算力市場，費用能夠低至傳統雲服務的1/10。

用戶在使用傳統雲算力的過程中最怕遇到單點故障。因為數據存儲、運算都依賴單一雲算力服務供應商，一旦該供應商宕機或者數據被損壞，用戶將面臨不可挽回的損失。

以前幾日Facebook宕機事件為例。Facebook自託管運行的DNS域名系統癱瘓導致Facebook、Instagram、WhatsApp等多個應用服務中斷6-7個小時，最終導致Facebook直接收入減少1億美元，股價蒸發470億美元，扎克伯格個人財富縮水約70億美元，損失巨大。

而CUDOS網路因為是分布式算力市場，在單一算力供應商宕機的情況下，用戶可以向其他供應商購買算力，不影響使用體驗。用戶數據也基於多備份和碎片化存儲，更容易進行數據恢復，也更不容易被盜取信息。

第三，相對於Dfinity等分布式計算網路，CUDOS能提供更具規模的計算資源。

Dfinity預計會有4000個伺服器，而CUDOS網路中提供算力的設備已經超過60000台，CUDOS網路的算力供應更具規模，更能滿足視頻渲染等高性能計算需求。未來CUDOS和以太坊、Cosmos、Algorand、波卡等實現跨鏈後，為跨鏈生態帶來的計算能力天花板也越高。

目前傳統雲算力市場每年的市值大約是2000億美元，CUDOS的目標是將閑置算力利用起來，在規模上匹敵該市場，並且既服務於傳統雲算力市場，又將鏈上算力市場的潛力挖掘出來。

最後，CUDOS的分布式算力市場更符合碳中和趨勢 。

傳統雲算力市場存在計算資源利用率低的問題。如前文所述，根據Matt Hawkins的經驗，傳統雲算力市場對計算資源的浪費程度有時高達80%，而CUDOS能將這些閑置資源利用起來。

在此基礎上，CUDOS能幫助降低整體的算力配置成本。以礦工為例，礦工的算力需求有高峰和低谷期。CUDOS分布式算力市場使得礦工在有較高算力需求時可以直接購買算力，而不需要完全配置礦機，從而降低硬體配置成本。

對於面臨淘汰的計算資源，CUDOS算力市場為其提供了用武之地。舉個例子，以太坊礦機在以太坊完成PoS轉換後面臨著供過於求的問題（這些礦機仍可以參與 ETC 、小礦幣等挖礦），多餘的GPU資源可以為CUDOS網路提供算力，並獲得相應收益。

此外，CUDOS對於能源的消耗將轉換為計算結果，而非PoW網路中的哈希碰撞，這提高了能源的利用率。在碳排放方面，CUDOS和碳抵消平台Climate Trade達成了合作，以此通過碳排放抵消來實現碳中和。

CUDOS的碳中和措施

03，結語

CUDOS通過結合鏈下Cudo和鏈上CUDOS，既能彌補傳統雲算力市場的缺陷，又能為鏈上DApp帶來高性能計算能力。

CUDOS在算力供給端的優勢明顯。其算力資源豐富，算力供應分散，因此算力成本遠低於傳統雲算力市場，也不會出現單點故障問題。基於2000億規模的閑置算力資源，CUDOS能提供比Dfinity等分布式計算網路更具規模的計算能力。此外，其分布式算力市場也更符合碳中和趨勢。

值得注意的是，盡管CUDOS的最大特色是提供分布式計算基礎設施，為鏈上DApp和雲算力需求方提供超強的計算能力，CUDOS在本質上還是一條公鏈，這意味著其本身蘊含著豐富的公鏈生態潛力。

以太坊上的 DeFi 、NFT等DApp都適用於該生態。其生態中的強大計算能力還決定，生態中將發展出視頻渲染、人工智慧、機器學習等更高階的特色DApp。CUDOS具有巨大的發展潛力。

註：本文不做投資建議，請投資者注意防範金融風險。

㈣ GPU的技術壁壘到底有多高強如Intel，可望不可即

GPU的技術壁壘到底有多高？

強如Intel，可望不可即

投資要點

行情回顧：本周（11.1-11.5）計算機行業（中信）指數上漲1.90％，滬深300指數下跌1.35％，創業板指數上漲0.06％。

GPU硬體結構精密復雜，是長期技術演進的結果。高級圖形處理步驟較多，包括頂點處理、光柵化、紋理貼圖等步驟，給予支持的是底層精密復雜的硬體結構。以2018年英偉達推出的Turing架構為例，其包含4608個CUDA Core（普通運算單元，包含1個INT32單元和1個FP32單元），576個Tensor Core（深度學習矩陣運算單元），72個RT Core（光追單元）等細微構成，相互協同工作。英偉達硬體架構每兩年升級一次，從英偉達2010年正式推出第一個完整的GPU計算架構Fermi以來，已經迭代5次，每一次都是對硬體的升級與改進。

演算法與生態是GPU的軟實力。GPU圖形渲染需要用到計算圖形學，計算圖形學是一門復雜的學科，涉及數學、物理等多種知識。模擬真實世界是十分困難的，樹葉抖動、頭發絲被風吹起、水波盪漾這樣看似平常的場景，在計算機上實現的背後是大量的圖形演算法。軟體生態是GPU廠商的重要競爭屏障。一方面，英偉達與行業夥伴形成商業合作或者互相授權；另一方面，英偉達推出供軟體開發人員使用的CUDA平台，形成開發人員社區生態，截至2020年，CUDA已經成為全球高級圖形處理和AI計算的權威，影響力堪比IOS，助力英偉達成為全球GPU龍頭。

圖形處理比AI計算技術壁壘更高。功能上，圖形處理和AI計算本質上都是並行計算，但是圖形處理多了圖形處理相關模塊，AI計算可以比作圖形處理的「刪減版」。演算法上，圖形處理演算法涉及模擬真實物理世界，需要考慮物理、數學等多種問題。GPU比FPGA和ASIC技術更難。功能上，GPU兼具圖形顯示與AI計算，性能更強。算力上，GPU內核算力更強，GPU做圖形渲染需要雙浮點精度，而僅用於AI計算的FPGA和ASIC最多隻需要單浮點精度。

Intel二十多年多次研發GPU，仍未成功。英特爾最早的GPU研發可以追溯到1997年，英特爾通過收購C&；T獲得了2D顯示核心技術，3D技術源於擁有20％股權的Real3D。1998年，依靠Real3D的技術，英特爾推出了第一款獨立GPU i740，但後續因為研發結果不理想等原因，Intel未再繼續研發獨立GPU。2007年，看到英偉達開啟GPGPU戰略、推出CUDA，英特爾為保持優勢，計劃重新推出獨立GPU產品Larrabee，但由於研發進度不及預期、性能不佳等原因，Intel於2010年5月宣布取消獨立GPU研發計劃。2020年，Intel又推出了全新的獨立GPU架構Xe，但直到2021年10月，Intel仍未推出自己消費級的獨立GPU產品。

GPU技術壁壘極高，國產化之路道阻且長。GPU設計是一項系統工程，包含硬體架構、演算法、軟體生態等多個組成，缺一不可，壁壘極高，CPU巨頭Intel近二十年多次嘗試踏足高端GPU領域，皆未成功。相對於FPGA和ASIC，不論是從功能上，還是硬體上，GPU設計難度都更高。GPU的自主研發之路是艱難且漫長的，由於沒有像ARM一樣的第三方IP授權廠商，GPU設計商必須完全自主研發，從零做起，難度較大。推薦國內唯一一家實現GPU大規模商用生產的廠商景嘉微，技術完全自主研發，產品性能領先。

推薦標的： 推薦景嘉微、太極股份、衛士通、用友網路、中國長城、太極股份、金山辦公、奇安信等。

風險提示： 1）信息創新、網路安全進展低於預期；2）行業後周期性；3）疫情風險超預期。

本文源自金融界網

㈤ gpu伺服器是什麼有什麼作用

GPU伺服器是基於GPU的應用於視頻編解碼、深度學習、科學計算等多種場景的快速、穩定、彈性的計算服務。

作用是：出色的圖形處理能力和高性能計算能力提供極致計算性能，有效解放計算壓力，提升產品的計算處理效率與競爭力。

㈥ 8tops算力相當於啥處理器

桌面早檔桐級處理器。8tops算力也達到了8TOPS、GPU算力達到了1000GFLOPS，整體性能幾乎可以媲美主流的桌面級處理器。處理器是陸坦解蠢轎釋和執行指令的功能單元，也稱為中央處理器或cpu。

㈦ 0.5G的GPU算是什麼水平

可以說非常的低，至少在手機端，pc端來說，即使是嵌入式端都很低，現在市面上的手機中低端的機型gpu算力在200-500GFLOPS，高端的話上1000g的算力，pc端的話，核心顯卡跟高端手機算力差不多，獨立顯卡的話，高端顯卡也有10000gflops以上的算力。

圖形處理器，縮寫GPU，又稱顯示核心、視覺處理器、顯示晶元，是一種專門在個人電腦、工作站、游戲機和一些移動設備上做圖像和圖形相關運算工作的微處理器。

應該說有顯示系統就有圖形處理器，但是早期的顯卡只包含簡單的存儲器和幀緩沖區，它們實際上只起了一個圖形的存儲和傳遞作用，一切操作都必須由CPU來控制。

這對於文本和一些簡單的圖形來說是足夠的，但是當要處理復雜場景特別是一些真實感的三維場景，單靠這種系統是無法完成任務的。所以後來發展的顯卡都有圖形處理的功能。它不單單存儲圖形，而且能完成大部分圖形功能，這樣就大大減輕了CPU的負擔，提高了顯示能力和顯示速度。

隨著電子技術的發展，顯卡技術含量越來越高，功能越來越強，許多專業的圖形卡已經具有很強的3D處理能力，而且這些3D圖卡也漸漸地走向個人計算機。

㈧ 谷歌TPU是什麼意思 專為人工智慧打造的算力神器

說起人工智慧，大家一定都會有所耳聞，其實各個企業或者國家之前關於人工智慧的競爭，歸根到底是演算法和算力的競爭，這篇文章就跟大家聊聊谷歌專為人工智慧開發的TPU！

TPU項目開始於2014年，簡單來說兩個原因： 1. 計算任務不同了， 深度神經網路開始興起，矩陣乘加成為重要的計算loading。 2. CPU和GPU太貴了，Google需要找便宜的方法，要降低TCO。所以要自己搞晶元的想法就出來了。

簡單地說，它是谷歌在2015年6月的I/O開發者大會上推出的計算神經網路專用晶元，為優化自身的TensorFlow機器學習框架而打造，主要用於AlphaGo系統，以及谷歌地圖、谷歌相冊和谷歌翻譯等應用中，進行搜索、圖像、語音等模型和技術的處理。

區別於GPU，谷歌TPU是一種ASIC晶元方案。ASIC全稱為Application-Specific Integrated Circuit（應用型專用集成電路），是一種專為某種特定應用需求而定製的晶元。但一般來說，ASIC晶元的開發不僅需要花費數年的時間，且研發成本也極高。

對於數據中心機房中AI工作負載的高算力需求，許多廠商更願意繼續採用現有的GPU集群或GPU+CPU異構計算解決方案，也甚少在ASIC領域冒險。

實際上，谷歌在2006年起就產生了要為神經網路研發一款專用晶元的想法，而這一需求在2013年也開始變得愈發急迫。當時，谷歌提供的谷歌圖像搜索、谷歌照片、谷歌雲視覺API、谷歌翻譯等多種產品和服務，都需要用到深度神經網路。

在龐大的應用規模下，谷歌內部意識到，這些夜以繼日運行的數百萬台伺服器，它們內部快速增長的計算需求，使得數據中心的數量需要再翻一倍才能得到滿足。然而，不管是從成本還是從算力上看，內部中心已不能簡單地依靠GPU和CPU來維持。

神經網路演算法一直在演變和發展，這套方法的理論還不成熟，應用場景也會在未來幾年發生巨大的變化。大家可以想像一下安防、無人機、智慧大樓、無人駕駛，等等等等。每一個子領域都有 系統/功耗/性能 一系列問題和各種權衡。一方面，是演算法多變的情況下，如何發掘計算的內在並行性，又給上層程序員提供一個高效的編程介面，是一個很重要很實際的問題。

綜合以上信息，TPU是谷歌搞出來的一個專用晶元，國內的晶元公司在搞ASIC挖礦，谷歌在搞ASIC訓練人工智慧，如果之後人工智慧在各個領域發力，tpu也表現良好的話，以後的電腦上說不定就得加上這個硬體！

㈨ 從計算機硬體設計的角度分析如何提供更為豐富的算力

自上世紀90年代互聯網技術誕生以來，移動互聯網、雲計算、大數據、人工智慧等新一代信息技術的不斷發展和逐步成熟，並日益深入的滲透到經濟社會的各個領域，2020年全球范圍內爆發的新冠疫情又進一步加速了這一趨勢，數字經濟已經成為世界經濟發展的新階段，即世界經濟發展已經進入數字經濟時代。
黨中央、國務院和各級政府高度重視數字經濟的發展。從2015年《中國製造2025》、《促進大數據發展行動綱要》等政策出台以來，中央和各級地方陸續以推出系列數字經濟發展的措施，並支持雄安新區、浙江、福建等六個地區建設國家數字經濟創新發展試驗區，支持北京、上海、深圳、西安等地建設國家新一代人工智慧創新發展試驗區。2020年國家進一步提出加強新型基礎設施建設，並明確將數據作為一種新型生產要素寫入政策文件，這些將為數字經濟的發展奠定更加堅實的基礎。
農業經濟時代，土地、水源和工具是關鍵資源。工業經濟時代，能源、原材料、機器設備和生產工藝等是關鍵資源。那數字經濟時代的關鍵資源是什麼呢？數字經濟時代的關鍵資源是數據、算力和演算法。數據是數字經濟時代的原材料，各種經濟活動中都在源源不斷的產生的數據，越來越多的組織也將數據當作一種資產，在政策層面數據已經成為一種新型生產要素。算力相當於數字經濟時代的機器設備和生產力，面向各種場景的數據產品或應用都離不開算力的加工和計算，而且對算力的需求和要求也越來越高。演算法是數字經濟時代的生產工藝，面向圖像、語音、自然語言處理等不同的應用場景和領域的演算法也層出不窮，演算法的提升和改進可以提高算力的效率和更多的挖掘數據價值。
本文重點分析算力方面內容，介紹算力市場總體情況，當前算力發展的特點和趨勢，以及重點算力供應方式等。
一、算力需求快速增長，算力投資具有多重經濟價值
算力即計算能力，核心是CPU、GPU、NPU、MCU等各類晶元，具體由計算機、伺服器、高性能計算集群和各類智能終端等承載。數字經濟時代，數據的爆炸式增長，演算法的復雜程度不斷提高，對算力需求越來越高。算力是數字經濟發展的基礎設施和核心生產力，對經濟發展具有重要作用，根據IDC與浪潮聯合發布的《2020全球計算力指數評估報告》，計算力指數平均每提高1點，數字經濟和GDP將分別增長3.3‰和1.8‰。
隨著數字經濟的不斷發展，人工智慧、物聯網、區塊鏈、AR/VR 等數字經濟的關鍵領域對算力的需求也將呈爆炸式增長。根據華為發布的《泛在算力：智能社會的基石》報告，預計到2030年人工智慧、物聯網、區塊鏈、AR/VR 等總共對算力的需求將達到3.39萬EFLOPS，並且將共同對算力形成隨時、隨地、隨需、隨形 (Anytime、Anywhere、AnyCapacity、Any Object) 的能力要求，其中人工智慧算力將超過1.6萬EFLOPS，接近整體算力需求的一半。OpenAI開發的GPT-3模型涉及1750億個參數，對算力的需求達到3640PFLOPS，目前國內也有研究團隊在跟進中文GPT-3模型的研究。
算力投資具有多重經濟價值，不僅直接帶動伺服器行業及上游晶元、電子等行業的發展，而且算力價值的發揮將帶動各行業轉型升級和效率提升等，帶來更大的間接經濟價值。根據《泛在算力：智能社會的基石》報告，每投入1美元算力即可以帶動晶元、伺服器、數據中心、智能終端、高速網路等領域約4.7美元的直接產業產值增長；在傳統工廠改造為智能化工廠的場景下，每1美元的算力投入，可以帶動10美元的相關產值提升。
二、算力發展的特點及趨勢
隨著數據規模的增加和演算法復雜度的提升，以及應用多樣性的不斷豐富，對算力提出的要求也越來越高，當前算力發展呈現出三方面的特點，一是多種架構百花齊放的狀態，二是中心化的算力與邊緣終端算力快速發展，三是專用算力日漸成勢。
近年來多種算力架構並存並快速發展。曾經x86架構的算力占絕對優勢，英特爾和AMD基本壟斷了X86算力架構市場，海光信息通過跟AMD合作獲得x86架構的授權；如今基於ARM架構的算力份額不斷擴大，特別是在移動端ARM架構算力成為主流，華為海思等主要產品是基於ARM架構，另外天津飛騰的產品也是基於ARM架構。隨著人工智慧等算力需求的不斷增加，GPU算力的需求不斷增加，英偉達在GPU算力市場佔有絕對優勢，AMD也分了一杯羹，疊加比特幣挖礦算力需求，導致市場上GPU卡供不應求。近幾年國內也出現幾個GPU方面的創業團隊，如寒武紀、登臨科技、燧原科技等。此外，Risc-V、存算一體化架構、類腦架構等算力也不斷涌現，不過這些算力剛剛起步，在應用生態等方面還需要一定較長的培育過程。
中心化算力和邊緣終端算力快速發展。隨著7nm製程日漸成熟，基於7nm製程的CPU、GPU等算力性能得到極大提升，目前7nm製程算力主要是中心化算力，移動端智能手機的處理器算力部分也已經採用7nm製程。台積電的7nm製程已經實現規模化，並開始攻關3nm工藝製程；中芯國際7nm工藝製程仍在技術攻關當中。隨著5G及物聯網應用的不斷增加，邊緣終端算力的需求日益增加，特別是自動駕駛、智慧安防、智慧城市等領域算力需求。地平線自動駕駛晶元已經量產，英偉達jetson產品在嵌入式終端產品應用廣泛，其他針對特定領域專用邊緣終端晶元創業公司層出不窮。
針對圖像、語音等特定領域的專用算力日漸成勢。一方面是晶元工藝製程越來越逼近摩爾定律的極限，另一方面是物聯網智能終端對功耗的要求等，針對特定領域的專用晶元層出不窮，並且越來越多的巨頭參與其中。谷歌的TPU專為機器學習定製的算力，阿里平頭哥的含光NPU專為神經網路定製的算力，賽靈思的FPGA算力，網路研發針對語音領域的鴻鵠晶元以及雲知聲、思必馳、探境科技等也推出智能語音相關的晶元，北京君正、雲天勵飛、依圖科技和芯原微電子等推出針對視覺和視頻處理相關的專用晶元。
三、算力供應以公有雲和自建算力為主，多種方式相補充
當前的算力供給主要包括公有雲、超算中心、自建算力、地方算力中心等方式。其中，公有雲和自建算力中心是算力的主要來源方式，超算中心及地方算力中心等多種方式相互補充。
規模化的算力供應通常通過數據中來承載，新建數據中心的不斷增加，將帶動未來算力資源的供應不斷擴大。據中國電子信息產業發展研究院統計數據，2019年中國數據中心數量大約為7.4萬個，大約能佔全球數據中心總量的23%，其中大型數據中心佔比12.7%；在用數據中心機架規模達到265.8萬架，同比增長28.7%；在建數據中心機架規模約185萬架，同比增加約43萬架。2020年國家大力支持「新基建」建設以來，數據中心作為「新基建」的重要內容，京津冀、長三角和珠三角等算力需求地區，以及中西部能源資源集中的區域，如內蒙、山西等，均在推進新的大中型數據中心的建設。
公有雲以其穩定和易用等特點，成為許多企業特別是中小企業的算力首選方式。據不完全統計，阿里雲伺服器總數接近200萬台，騰訊雲伺服器總數超過110萬台，華為雲、網路雲、京東雲、AWS等雲廠商伺服器總數未找到確切數據，保守估計各類雲廠商伺服器總數之和也超過500萬台。而且在國家宣布大力支持「新基建」建設之後，騰訊宣布未來五年將投資5000億元用於雲計算、數據中心等新基建項目的進一步布局，阿里雲宣布未來三年阿里將投2000億元用於面向未來的數據中心建設及重大核心技術研發攻堅，網路宣布預計到2030年網路智能雲伺服器台數將超過500萬台。各大雲廠商仍在繼續加大算力投入，公有雲算力供應將會更加充裕。
自建算力以其安全性和自主性等特點，成為政府、大企業及其他關注安全的組織的算力首選方式。政府、銀行及高校和央企等，通常通過自建或租賃數據中心的方式自建算力，滿足自身各項業務的算力需求。許多互聯網公司在剛開始時選擇使用公有雲服務，但規模發展到一定程度時通常都會開始自建或租賃數據中心的方式自建算力。其他有部分各種類型的企業，出於安全、商業機密和隱私等方面的考慮，不意願把數據和業務等放到阿里雲等公有雲上，往往選擇託管伺服器的方式自建算力，規模更小企業直接就在本地使用。2020年6月快手宣布投資100億元自建數據中心，計劃部署30萬台伺服器，位元組跳動等大型互聯網公司都在不斷加大數據中心的建設。
超算中心和地方算力中心作為算力供應有效的補充方式，適合於大規模計算需求的應用領域。截至2020年，科技部批准建立的國家超級計算中心共有八所，分別是國家超級計算天津中心、廣州中心、深圳中心、長沙中心、濟南中心、無錫中心、鄭州中心和崑山中心。超算中心主要的算力資源以CPU為主，新建的超算中心及更新升級過程中超算中心逐步增加了異構GPU算力資源。超算中心較好的滿足和彌補了高校科研中算力資源的需求，特別是在工業模擬、生物信息、新材料、氣象、海洋等科學計算領域。國內主要省市地區基本都投資建設了當地算力中心，重點服務本地科研和產業發展的需求，如太原、蘇州、福建等地，目前通常地方算力中心的規模並不大，計算節點數在200-500之間居多，主要服務於當地氣象、工業模擬和生物信息等領域計算需求。此外，2020年以來，武漢、南京、珠海、許昌等地區正在建設人工智慧計算中心，將在一定程度上彌補當前規模化AI算力不足的情況。
結語
算力作為數字經濟的基礎設施，也是數字經濟時代的生產力和引擎，越來越成為數字經濟時代國家競爭力的體現。根據IDC與浪潮聯合發布的《2020全球計算力指數評估報告》，中國和美國的算力建設在全球處於領先地位，美國的算力無論在規模、效率、應用水平等方面都領先於中國。此外，從算力晶元供應角度看，美國的英特爾、AMD、英偉達等企業幾乎佔了全球的絕大部分的市場份額。可見，中國在算力建設和發展仍然需要加大投入和加強研發等，發揮優勢的同時彌補不足，從而為數字經濟長期發展奠定更加堅實的基礎。