開放算力6

⑴ 華為發布最強AI訓練集群Atlas 900的意義何在

日前，在華為全聯接2019大會上，華為副董事長胡厚昆發布了Atlas 900 AI訓練集群。

此次發布的Atlas 900 AI訓練集群由數千顆升騰910 AI處理器互聯構成，每顆升騰910 AI處理器內置32個達芬奇AI Core，單晶元提供比業界高一倍的算力。集群總算力達到256P～1024P FLOPS @FP16，相當於50萬台PC的計算能力。

華為已在華為雲上部署了一個Atlas 900 AI訓練集群，集群規模為1024顆升騰910 AI處理器。華為以極優惠的價格，面向全球科研機構和大學，即刻開放申請使用。

傳統上，我們對華為的認知是一個做基站的通訊業廠商，後來華為開始做手機，是一個手機廠商，而事實上，華為還有一個企業業務BG，為企業服務也是華為的重要業務。

那麼，華為搞這個Atlas 900 AI訓練集群的目的是什麼?這個東西到底有多先進?其意義何在呢?

一、 升騰910的實力

最近幾年，隨著深度學習演算法的突破，人工智慧開始熱了起來。但是人工智慧的計算模式與傳統的CPU計算不太一樣，這讓算力成了瓶頸。

一開始，人們用很多CPU組成傳統的超級計算機，做AI計算。

後來，人們用GPU並行計算的優勢，把GPU做人工智慧計算。我們熟悉的AlphaGO，就是在nVIDIA的GPU上訓練的。

但是，從理論角度，GPU設計出來是跑 游戲 ，跑設計的，而不是為了計算的。後來nVIDIA的黃老闆發現，這么強大的計算能力只用來玩 游戲 太浪費，搞出來通用計算，GPU才能跑計算。

而那個時候，深度學習還沒突破，人工智慧還沒熱鬧起來，所以GPU跑AI計算其實也是兼職，不是專職。

最後，人們乾脆搞專門的晶元用來做AI計算，谷歌在搞，網路在搞，中科院投資的寒武紀在搞。

華為一開始是買的寒武紀的IP，用在自己的麒麟970上面，但是很快華為發現這個東西自己也可以來，於是就開發出達芬奇架構，搞出來升騰910。

按照華為的數據，在7nm工藝上，升騰910相比Nvidia 12nm下的Tesla V100要快一倍。

因為Tesla V100不僅算AI，也要當超算的加速器用，閹割一下還得當顯卡用，所以晶體管不能全部用在算AI上。

而升騰910是專用的，這個差別，類似於CPU挖礦，GPU挖礦和礦機晶元挖礦的區別。

從專用晶元比較，網路的昆侖，寒武紀公布的晶元算力效率也很強大。但是它們相比華為的硬體實力有很大差距。

所以，華為的產品已經流片上線，它們的產品還在PPT和流片實驗階段。

目前，你能用上的AI計算，華為的方案是最強的。

二、 華為的意圖

目前，華為的升騰910和Atlas 900 AI訓練集群對外不銷售，而是通過網路提供廉價的算力。

從成本上看，Atlas 900 AI訓練集群採用「HCCS、 PCIe 4.0、100G以太」三類高速互聯方式，高速低延遲互聯的另外一個涵義就是「貴!」。

而升騰910用7nm流片，7nm本身就很貴，nVIDIA還用便宜的12nm，華為用昂貴的7nm加上昂貴的高速互聯，成本應該高很多。

但是，華為偏偏不高價賣。

nVIDIA的Tesla V100一個賣1萬美元。谷歌對外租，但是你要租一個32核的算力一個小時24美元，租一年優惠價是37842美元。

華為的價格還沒出來，但是華為說了會以極優惠的價格，面向全球科研機構和大學。

華為高成本搭建算力平台，低價出租，這是做慈善嗎?

當然不是，華為的意圖也很有意思。

現在人工智慧熱，相當於淘金。而華為，nVIDIA和谷歌(未來也許有網路、寒武紀)是賣水的。

在通訊行業，電信運營商是淘金的，華為、諾基亞，愛立信是賣水的。

華為知道賣水能發財，目前這個布局期，我賣便宜點，盡量讓淘金者喝我的水，然後習慣用我的杯子，我的水桶(AI配套的軟體框架)，等你習慣了，整個AI業界都用我的算力。我再舒舒服服的收費，淘金者就只能從我這買水了。

這個策略，和當年微軟縱容盜版Windows一樣，你習慣用Windows不是個系統問題，而是整個生態都在Windows下沒法換了。X86處理器也沒法換。

這是華為的意圖。

三、 華為的AI大局缺一個網路

我們知道，當年在桌面計算上。是Wintel聯盟，英特爾出硬體，微軟出軟體，搭建生態系統。

後來移動領域，是AA，ARM和安卓，ARM和蘋果。

華為要搞這個，不僅是開放算力的問題，還需要有一個搞軟體，搞應用的把算力需求放到華為平台上來。

這個人是誰呢?網路最合適 。

網路深耕AI的年頭很長，布局時間和谷歌差不多，其他家的AI還在概念的時候，網路的AI已經落地到工業企業，用於質檢，物流，客服很多領域了。

網路的做法是，前台服務結合行業，後台算力在網路的AI雲上，網路提供軟體框架，落地到解決方案。網路雲端相當於AI的大系統。

華為的AI賣水要成功，需要和網路結合起來，華為AI提供算力，網路把華為的AI算力，做成AI雲平台，讓應用端直接調用，應用端解決實際問題。

最後是任何行業需要AI提高效率，那麼它就用網路AI雲平台的方案，直接調動功能。而網路AI再使用華為的AI計算硬體的算力。

華為與網路聯手，或者能夠變成AI時代的Wintel。

⑵ 華為雲算力包括哪些

華為雲計算是華為公有雲品牌,致力於提供專業的公有雲服務,提供彈性雲服務游宏器、對象存儲服務、軟體開發雲等雲計算服務,以「可信、開放、全球服務」三大核心優勢服務祥皮全球用謹磨差戶.通俗的將:賣雲伺服器等雲產品服務的。

---

⑶ 悠跑牽手英偉達 打造首個開放式汽車超算平台

 易車訊 3月24日，悠跑科技與NVIDIA宣布牽手。悠跑UP超級底盤將採用NVIDIA DRIVE Hyperion AV平台架構打造其高性能汽車大腦（HPVC, High Performance Vehicle Computer）。集成NVIDIA DRIVE Orin系統級晶元能力，悠跑HPVC成為業界首個擁有靈活算力的開放式汽車超算平台。

悠跑UP超級底盤，從滑板底盤升級而來，以滿足快速變化的個性化體驗為研發目標，高度集成了智能電動車的核心能力：三電、懸架、轉向、智駕及熱管理等。其智駕核心模塊-高性能汽車大腦（HPVC）具備可插拔能力，搭載的晶元在數量上可做靈活增減，最高算力達1000TOPS以上。這將使UP超級底盤實現算力的高度可拓展性，以滿足從L2到L4及以上不同級別的自動駕駛需求，終端用戶也將有機會持續迭代車輛的算力。

悠跑科技創始人、CEO李鵬表示：「與NVIDIA的合作，將進一步拓展UP超級底盤的智能化能力帶寬，極大豐富悠跑的生態能力，助力我們的客戶打造一流的智能電動車。」

悠跑科技是一家以滑板底盤為核心能力，面向場景造車的新型電動車公司。悠跑科技在今年1月首發UP超級底盤和UP SPACE悠跑超級艙體概念車兩大超級產品線，助力更多造車者實現造車自由。

⑷ 加速新冠疫苗研發，阿里雲免費開放一切AI算力

自從阿里雲宣布向全球公共科研機構免費開放一切AI算力後，何萬青博士就進入了連軸轉狀態，經常工作到凌晨。作為阿里雲高性能計算團隊負責人，他要對接大量科研機構、高校院所以及化學、生物醫學專家的需求。

這些機構和專家，在這個特殊的階段，都是想快捷利用阿里雲的超大規模算力，來縮短葯物研發周期，以盡早讓相關的疫苗、特效葯上市，控制住新型冠狀病毒感染肺炎疫情。

在免費開放算力之前，阿里雲的超大規模算力早就服務於多家生物醫葯機構和專家，一個典型代表就是全球 健康 葯物研發中心GHDDI。

GHDDI是由蓋茨基金會、清華大學和北京市政府三方聯合成立的公共衛生與葯物創新機構。主要為建設新葯研發和轉化的創新平台，加強醫葯研究和開發。

2017年，GHDDI成立的第二年，阿里雲就開始為GHDDI的各類新葯研發、化合物篩選等提供算力支持。

在新型冠狀病毒感染肺炎疫情發生後，GHDDI也在1月27日上線了「一站式科研數據與信息共享平台」，這是一個基於阿里雲的葯物研發和大數據平台，主要功能有四個：

針對SARS/MERS等冠狀病毒的 歷史 葯物研發進行數據挖掘與集成；

開放相關臨床前和臨床數據資源；

計算靶點和葯物分子性質；

跟進新型冠狀病毒最新科研動態，實時向科學界和公眾公布，為新型冠狀病毒科學研究提供重要數據支撐。

很多人會有疑問，葯物研發屬於生物醫學領域，超大規模算力屬於計算機科學領域，為什麼葯物研發要用到超大規模算力？而且GHDDI宣布上線研發平台以及阿里雲宣布免費提供相關算力後，為什麼眾多機構和專家趨之若鶩？

何萬青博士說，這跟葯物研發的流程不無關系。

通常一款葯物的研發，始於病毒的「毒株分離」，然後進行測序分析；找到病毒的靶點進行識別和驗證；尋找對應化合物；合成先導化合物；評估研究和動物實驗；制劑合成；臨床試驗以及上市等步驟。

說起來很簡單，實際上新葯研發卻是個費錢費力更費時間的過程，數據顯示，在美國研發一種新葯，從項目啟動到被FDA（美國食品葯品監督管理局）批准上市，平均需要花費10-15年的時間，耗資超過13億美元。

目前，針對新型冠狀病毒疫苗和新葯的研究，已經完成了「毒株分離」的「濕實驗」，「基因測序」工作也已經結束，接下來就要了「干實驗」階段。「干實驗」階段，涵蓋對病毒靶點進行識別和驗證、尋找對應化合物等過程。

可以這么理解，生物醫葯領域的「濕實驗」，主要是在實驗室里的研究工作，「干實驗」就要靠超大規模算力幫忙。

何萬青博士解釋，「特別是尋找對應化合物，一定要調用超大規模算力，因為可供製成葯物的化合物有5000-15000種。要先從龐雜的化合物中找到針對病毒合適的『進攻方向』，再進行合成和拼接，如果都要從實驗室里一一比對，那就太浪費時間了。」

然而雲計算可以解決這些耗時的環節。

例如與阿里雲合作的全球 健康 葯物研發中心GHDDI，具備了上千種化合物的資料庫，這些化合物的性質、葯效也都已經掌握，通過計算機模擬，可以加快找到遏制新型冠狀病毒對應化合物的速度。

特別重要的是，面對人類共同的敵人-病毒，公共科研機構更需要無需排隊，隨時可以得到彈性伸縮、數據交流和發布更加方便的協同環境。

「在全國人民為配合切斷病毒傳染途經而自我隔離的情況下，阿里雲彈性高性能計算EHPC平台和超級計算集群SCC恰好解決這個燃眉之急。這也印證了阿里的一句土話『此時此刻，非我莫屬』。」何博士說。

但是，就算通過雲計算找到了對應化合物，按照流程還要進行「先導化合物合成」、「動物實驗」、「臨床實驗」等一大堆繁瑣的步驟，葯物和疫苗研發的速度，極有可能趕不上疫情發展的周期。

換句話說，就是沒等新葯研發出來，疫情就已經結束了。

好在針對新型冠狀病毒新葯和疫苗的研發，還有一條路可以選，「老葯新用」。

「老葯新用」指的不僅僅是葯物，還可以是相關的治療經驗。

此前類似的SARS/MERS等疫情爆發後，醫學界留有大量的 歷史 葯物研發以及臨床數據，還有很多醫學文獻散落全球各地，這些都可能成為這次新型冠狀病毒治療突破口。

調用篩選醫學文獻，分析 歷史 數據時，超大規模算力也會派上大用場。

比如GHDDI在上線研發平台就表示，目前研發平台已經涵蓋既往冠狀病毒相關研究中涉及的900多個小分子在不同階段的相關實驗信息，「希望科研界能參與提煉有用信息並得到幫助或啟示」。

何博士感慨，「有了超大規模算力的幫助，在『軍情緊急』的情況下，也不用完全從『0』開始了。」

而GHDDI上線研發平台後，也致謝阿里雲團隊協助部署後端並提供計算資源。

何萬青博士團隊中還有很多技術專家，比如孫相征和余洋等人，目前的工作就是對接GHDDI以及各類科研機構、專家們的需求。

這些計算機科學領域的大牛說，他們並不是醫學專業出身，能做的只是為研究人員提供算力保障、優化技術支持和應用答疑等「後勤工作」，讓科學家能夠專注於學科本身的科研突破，而無需耗費太多精力去學習「交叉學科」的計算技術，但是他們看到了越來越多的生物醫學專家加入了進來，感受到了「很強的使命感」，大家都在用自己的綿薄之力，加速對新型冠狀病毒的研究以及相關葯物、疫苗的研發。

⑸ 開放科學平台：大國科技競爭的關鍵變數

作者：蘇中 阿里研究院資深技術專家

當代 科技 發展對數據和算力提出了極高要求。在傳統基礎技術研究領域，科研院所、高校的科研團隊普遍缺乏這方面的能力支撐。為了應對這一變化，近十年來，「開放科學平台」在歐美逐漸盛行，為科研社區提供包含開放數據及相關分析工具、開放算力平台、開放源代碼的各種支持。在科學技術的大國競爭時代，「開放科學平台」逐漸成為推動 科技 發展的關鍵變數。中國在這個領域需要加大投入，從而實現科學範式轉變階段基礎科學平台建設的跟跑、並跑直到領跑。

1

科學進步背後的規律：從「Paradigm Shift」到「第四範式」

科學進步的軌跡是什麼樣的？

早期，人們普遍認為，科學發展是循序漸進的，科學家不斷涌現，將已有科學理論向前推進從而推動科學發現越來越接近真理。

1962年，美國學者托馬斯·庫恩在《科學革命的結構》一書中提出，以物理學 歷史 發展為例，科學發展存在有規律的不連續性。書中說，科學由一系列交替的「正常科學階段」和「科學革命」階段組成。在科學革命階段，伴隨著概念層的突破，已有的理論框架被新科學範式全面顛覆並重構，例如從牛頓力學到量子力學的轉變。

庫恩創造了「範式轉變（Paradigm Shift）」這一科學哲學新概念。在庫恩定義的範式轉變理論中，科學發現遵循的是另一條五個階段的循環路徑：

1. 「前範式階段」： 幾個不相容和不完整的理論，並逐漸收斂到一種被科學界普遍接受主導範式

2. 「正常科學階段」： 在主導範式的背景下不斷解決科學難題，推進科學進步

3. 「危機階段」： 主導範式能未解決的異常現象，會在較長時期內不斷累積，最終導致主導範式的信任危機

4. 「範式轉變階段」： 主導範式出現重大失敗後，科研基本假設被重新審視，進入新範式建立階段

5. 「新範式階段」： 科學革命後，新範式主導地位確立

庫恩開創了一門名為科學史或科學 社會 學的新學科。 社會 學家和 歷史 學家開始把科學看成一種普通的亞文化。範式轉變推動科學發展已成廣泛共識。

庫恩之後，計算機領域的學界泰斗、資料庫領域的傳奇科學家吉姆·格雷把科學技術發展史總結為四個範式階段：

1. 第一範式：經驗（empirical）證據。 數千年文明史中，人類絕大多數技術發展源於對自然現象觀察和實驗總結。相比於宗教或神學中不允許被質疑的教條來說，基於觀察和實驗的經驗範式是科學技術發展中人類邁出的一大步。

2. 第二範式：理論（theoretical）科學。 相比於依賴觀察和實驗的第一範式可以做到「知其然」，第二範式的科學理論需要做到「知其所以然」，對自然界某些規律做出背後原理性的解釋。因此，理論必須滿足進一步的要求，如可證偽的預測能力、多個獨立來源的一致性等。

3. 第三範式：計算（computational）科學。 隨著計算機的運算能力越來越強大，它逐漸被用於科學研究領域。同前兩個範式不同，計算科學中誕生了一種嶄新的技術工具：計算模型與系統模擬。這一工具利用計算機的計算能力、基於大規模並行的計算機體系結構、通過設計演算法並編製程序來模擬復雜過程，在大氣環流、核反應過程、病毒感染過程。在經濟學、心理學、認知科學等缺乏簡單、直觀分析解決方案的領域獲得廣泛採用。

4. 第四範式：數據科學（Data exploration）。 從基因測序儀、深空望遠鏡到覆蓋全球的社交媒體，人類 社會 已經被深度數字化。每天在我們生活的數字地球里每天都會產生海量的數據。據估計到 2025 年，全球每天將新產生463 EB 的數據，相當於212,765,957 張 DVD，這些DVD疊在一起有30個珠穆朗瑪峰那麼高。在這樣一個數據爆炸的時代，基於數據的技術革命也正在發生，數據科學成為技術發展的最前沿。以數據為中心的計算平台、數據加工、處理與分享工具、演算法與模型庫等一系列科學研究方式構成了技術發展的第四範式。

2

「開放科學平台」：更好應對第四範式的挑戰

在第四範式主導的 科技 時代，研究團隊除了研讀技術最前沿研究論文，同時也需要這些論文涉及的實驗數據集，以便復現實驗結果。巨量數據和龐大計算需求給創新帶來了新的挑戰。傳統科學交流僅限於論文和有限的公開數據集，為了促進新範式時代技術發展的持續性，加速科研團隊的合作共享，歐美開始興起了「開放科學」運動：

arXiv: 美國物理學博士保羅·金斯帕格1991在美國洛斯阿拉莫斯國家實驗室創建了分享arXiv存儲庫，幫助全球科研團隊分享研究論文預印本的全文數字版本。2008年，arXiv突破了50萬篇文章的里程碑；2014年底達到100萬篇；今天， arXiv每月從全球科研社區獲得超過15000篇投稿。一些出版商還免費授予arXiv作者存檔同行評審後印本的許可權。arXiv也鼓勵了更多科研機構，如美國國家醫學圖書館仿照arXiv建立了醫學領域的PubMed中央存儲庫。

Papers with Code： 相比arXiv，Papers with Code在開放獲取領域則更進一步。這個平台不僅分享論文，還鼓勵科研團隊分享論文工作所對應的代碼和數據集。平台同時提供了相關評測環境，可以對提交的演算法代碼在公共數據集合上做技術排名。Papers with Code不僅創建一個包含論文、代碼和數據集的開放集合，同時也提供了技術評估方法的免費開放平台，顯著促進了相關領域科研團隊技術分享與協作，加速 科技 創新進程。

NASA開源科學計劃： 為了降低太空科學 探索 門檻，讓更多的科研團隊可以參加美國國家航空航天局的科學研究，NASA 提出了開源科學計劃 (OSSI)。OSSI的目標是在十年內建立一個開放科學社區，參與的科研團隊承諾在研發過程中開放和共享相關軟體、數據以及知識（包含演算法、論文、文檔以及相關輔助信息），並充分利用協作工具和雲計算在內的技術工具提高NASA科學進步的速度和質量。

3

大國 科技 博弈：開放科學平台的重要性

在第四範式時代，爆炸式增長的數據在 科技 研發工作中扮演了極其重要的角色，它也給經歷這一次範式轉變中各個學科，尤其是非計算機領域的科研團隊帶來全新挑戰，涉及數據與模型的獲取與分享、計算模型與系統模擬的規模膨脹、大規模人工合成數據構造、多模態數據處理與分析的工具、數據抽取、轉換、載入、數據可視化與交互、人工智慧工具集與算力平台等領域。

今天，新一輪大國競爭很大程度上 體現為支撐 科技 發展的生態系統以及創新體系之間的競爭，開放科學平台已成為促進 科技 研發重要的基礎能力之一。 以第四範式驅動的新一代創新體系在歐美已經有先發優勢，從政府主導的科研項目到學術界的實踐已有十年經驗。我國需要在這個領域認識到不足，加速構建獨立自主的開放科學平台，從而實現科學範式轉變階段 科技 發展的跟跑、並跑直到領跑。

參考文獻：

1.https://www.theguardian.com/books/2012/jul/03/structure-scientific-revolutions-kuhn-review

2.https://www.britannica.com/biography/Thomas-S-Kuhn

3.https://amturing.acm.org/award_winners/gray_3649936.cfm

4.https://www.microsoft.com/en-us/research/publication/fourth-paradigm-data-intensive-scientific-discovery/

5.https://en.wikipedia.org/wiki/Metaphysics_(Aristotle)

6.https://www.weforum.org/agenda/2019/04/how-much-data-is-generated-each-day-cf4bddf29f/

7.https://www.skatelescope.org/8https://arxiv.org/help/stats/2021_by_area

END

⑹ 算力計算有哪些方法算力計算適用方法

算力計算是一種計算技術，它可以用來解決復雜的計衫銷算問題。算力計算的方法有很多，主要有以下幾種：

1、分布式計算：分布式計算是一種分布式計算技術，它可以將一個復雜的計算任務分解成多個小任務，然後將這些小任務分發到多台計算機上進行計算，最後將計算結果匯總，從而達到解決復雜計算問題的目的。

2、網格計算：網格計算是一種分布式計算技術，它可以將一個復雜的計算任務分解成多個小任務，然後將這些小任務分發到多台計算機上進行計算，最後將計算結果匯總，從而達到解決復雜計算問題的目的。

3、雲計算：雲計算是一種分布式計算技術，它可以將一個復雜的計算任務分解成多個小任務，然後將這些小任務分發到多台計算機上進行計算，最後將計算結果匯總，從而達到解決復雜計算問題的目的。

4、超級計算機：超級計算機是一種高性能計算機，它可以運行大規模的復雜計算任務，可以解決復雜的計算問題。

5、人工智慧：人工智慧是一種模擬人類智能的計算機科學技術，它可以用來解決復雜的計算問題。

6、量子計算：量子計算是一數塌消種利用量子物理原理來解決復雜計算問題的計算技術。

以上就是算力計算的幾種方法，它們都可以用來解決復雜的薯知計算問題。不同的方法有不同的優勢和劣勢，因此，在選擇算力計算方法時，應該根據實際情況選擇最合適的方法。

⑺ chia的有效算力是多少

Chia全網有效算力6,322PiB 挖礦產出594,824枚
2021年5月18日，Chia當前全網有效算力為6,322PiB，活躍礦工數為327,063，目前XCH總量21,594,824枚，挖礦產出594,824枚。當前每天每TiB算力可產出0.0015個XCH，1TiB算力挖出1個XCH需要花費約1年313天。據歐易OKEx行情顯示，當前XCH報價為1367美元，日內漲幅6.22%。
鏈喬教育在線旗下學碩創新區塊鏈技術工作站是中國教育部學校規劃建設發展中心開展的「智慧學習工場2020-學碩創新工作站 」唯一獲準的「區塊鏈技術專業」試點工作站。專業站立足為學生提供多樣化成長路徑，推進專業學位研究生產學研結合培養模式改革，構建應用型、復合型人才培養體系。

⑻ 比特幣算力復甦了

四方投研社區6月27日訊 從6月23日開始，比特幣算力連續四天出現上漲，一些業內人士認為，算力市場可能已經從「6·19」 24:00四川所有比特幣等虛擬貨幣礦機集體斷電後恢復了，但真是這樣嗎？下面就讓我們一起來盤點下最近這段時間究竟發生了什麼吧。

6月18日，據澎湃新聞最先報道，四川省有關部門下發通知，要求發電企業自查自糾，立即停止向虛擬貨幣「挖礦」項目供電，不折不扣落實國家清理要求。通知還要求，各市(州) 於6月20日前完成省內26個疑似虛擬貨幣挖礦重點項目的甄別、清理和關停工作，同時要求發電企業立即停止向虛擬貨幣挖礦項目供電，並於6月25日前上報自查、整改情況。此外，各市（州）政府也被要求開展拉網式排查，對發現的挖礦項目立即關停。

6月19日24點，即6月20日零點，四川所有礦場被集體斷電，來不及轉移的比特幣礦工因此遭遇巨大損失，據悉四川是國內乃至世界最大的比特幣礦工聚集地，大約有800萬的負荷正用於加密貨幣挖礦。當日算力隨機跌破100 E，創下近7個月最低點。上一次比特幣比特幣全網算力新低發生在2020年11月3日，當時算力為87.8228 E。

6月20日，四川礦場集體斷電後，數據顯示多個有國內背景的比特幣礦池算力正急劇下降，前10大礦池算力出現普跌，螞蟻礦池跌幅超過25%、ViaBTC、魚池F2Pool、BTC.com等礦池算力也都出現了10-20%的跌幅。

6月21日，主流礦池算力進一步下降，螞蟻礦池減少近2500 P，魚池F2Pool減少近2000 P、Poolin減少了超過1000 P。結果比特幣全網算力跌破90 E（最低觸及88.9964 E），系2020年11月以來首次。比特幣全網算力曾在2020年11月3日跌至87.8228 E。之後在長達半年多時間里一直處於90 E以上，這也是比特幣全網算力自5月19日四川省清退挖礦之後連續第三天下跌。

6月22日，比特幣全網算力依然沒有停止下跌，下滑至87.3106 E，隨之而來的是比特幣價格重挫，一度跌破29,000 USDT，創下近五個月新低。

6月23日，比特幣全網算力跌至83.4331 EH/s，創下近一年新低（實際上也是近13個月新低），上一次低於該算力值的時間發生在2020年5月26日，當日比特幣全網算力為76.4801 EH/s。

不過，隨後的情況似乎出現好轉。

6月24日，比特幣全網算力開始回升，達到86.3269 E，此外多個國內背景的礦池算力也出現上漲。

6月25日，比特幣全網算力反彈到90 E以上（92.4852 E），前五大礦池算力24小時變化均恢復正增長，其中Poolin算力24小時漲幅3.84%、螞蟻礦池算力24小時漲幅1.48%、ViaBTC算力24小時漲幅1.44%。

據decrypt報道，Ycharts數據顯示，比特幣算力在6月26-27日上漲了近5%，一度反彈至104 EH/s——這可能是因為許多礦工開始將自己的礦機遷往北美（美國德克薩斯州、馬里蘭州和加拿大等地）和哈薩克，比如：

6月21日廣州物流公司向CNBC確認，他們空運了3000公斤（6600磅）比特幣礦機到美國馬里蘭州，每公斤價格低至9.37美元；

嘉楠耘智則於6月23日發布的新聞稿中稱，已在哈薩克建立了運營基地並開展挖礦業務，欲將其業務多元化至比特幣挖礦，並繼續出售挖礦設備，以幫助提升其財務業績；

與此同時，美股上市企業比特礦業官網消息稱其首批虛擬貨幣礦機運抵哈薩克，320台礦機總算力約為18.2 PH/S，預計在6月27日部署完畢並投入運營，其他自有礦機也正分批運往海外。

值得注意的是，隨著全網算力表現出復甦跡象，比特幣價格也開始略微回暖，本文撰寫時據CoinGecko數據顯示為33,222.32美元，24小時漲幅達到6.1%。

但據業內人士分析，除非國內政策放鬆，否則至少在半年內很難恢復到以前（130 E）的水平。與比特幣算力相關的一系列數字變化，凸顯出數字貨幣與國內政策之間存在密不可分的聯系，數字貨幣行業不能低估這種影響力，但對未來政策開放也要有一定預期（雖然短期內不可能）。