本公众号部分分享的资料来自网络收集和整理，所有文字和图片版权归属于原作者所有，且仅代表作者个人观点，与本公众号无关，文章仅供读者学习交流使用，并请自行核实相关内容，如文章内容涉及侵权，请联系后台管理员删除。
来源：架构师技术联盟
算力（Computing Power）是指计算机设备或数据中心处理信息的能力。
根据计算方式、算力核心、应用领域分类，算力可分为通用算力、智能算力和超算算力。
根据计算方式、算力核心、应用领域，算力可分为：
1）基础通用算力：由基于CPU的服务器提供，适用于日常通用计算任务；
2）智能算力：基于GPU、FPGA、ASIC等芯片的加速计算平台，专为人工智能任务设计；
3）超算算力：由超级计算机或高性能计算集群提供，解决复杂工程问题。
近年来，中国算力规模快速增长，由2020年的135EFLOPS增长至2024年的280EFLOPS，2024年智能算力占比达32%；2024年中国数据生产总量达41.06ZB，同比增长25%，增长主要受到智能应用的推动。
近年来，中国算力规模快速增长，算力已发展成为集信息计算力、网络运载力、数据存储力于一体的大规模计算资源。根据工信部数据，截至2024年底，中国算力总规模达到280EFLOPS，其中智能算力占比32%（90EFLOPS）。稳居全球第一梯队。
算力网络（Computing Power Network）是一种基于现有互联网基础设施的新型信息网络，其核心目标是通过标准化标识、智能调度和弹性网络能力，将分散在不同地域、不同主体（如企业、数据中心、边缘节点等）的算力资源（如CPU、GPU、FPGA、ASIC等）互联互通，实现算力资源的按需分配、实时感知、灵活调度，最终让用户像使用水电一样便捷地获取算力服务。
算网融合则是计算资源与网络资源在多个层面（硬件、软件、平台、应用等）的深度整合，目标是实现算力的“即插即用”和网络的“按需适配”，最终达成“网络无所不达、算力无所不在、智能无所不及”的愿景。它更强调技术层面的协同优化，而非单纯的基础设施建设。
异构算力是指通过结合两种或多种不同类型处理器或控制器架构（如CPU、GPU、FPGA、ASIC等）的计算单元，构建一个协同工作的系统，以发挥不同硬件架构优势，提升整体计算性能、能效比和灵活性。
异构算力是指通过结合两种或多种不同类型处理器或控制器架构（如CPU、GPU、FPGA、ASIC等）的计算单元，构建一个协同工作的系统，以充分发挥不同硬件架构的优势，提升整体计算性能、能效比和灵活性。
其核心目标是通过异构资源的互补性，解决单一架构在性能、灵活性或成本上的局限性。
依据指令的复杂度，处理器引擎分为CPU、GPU、FPGA、DSA和ASIC等，如图，从左向右，单位计算依次复杂，性能逐渐提升，但灵活性不断降低。
算力调度平台是一种面向多类型计算资源（CPU、GPU、存储、网络等）的统一调度系统，而异构计算调度系统是专门针对异构硬件架构（CPU、GPU、FPGA、ASIC等）的任务调度系统。
算力调度平台是一种面向多类型计算资源（CPU、GPU、存储、网络等）的统一调度系统，旨在实现资源的高效整合、动态分配和跨域协同，满足业务需求（如AI训练、云计算、智慧城市等）。
其目标是通过智能算法（如博弈论、强化学习）实现资源的最优匹配，解决算力供需矛盾，提升资源利用率和业务响应效率。
从技术架构角度，算力调度分为基础设施层、管理编排层、服务运营层和算力应用层；算力调度的关键技术包括算力感知、算力度量、算力路由、算网编排、算力交易等。
从技术架构角度，算力调度平台分为基础设施层、管理编排层、服务运营层和算力应用层。其中，基础设施层负责整合计算、存储、网络资源，提供池化算力与优质连接；管理编排层负责统一管控、智能调度，实现资源最优匹配与动态调整；服务运营层支撑算力交易与服务运营，保障安全、可信、高效流通；算力应用层则面向多行业场景，提供多样化算力服务，推动深度融合。
异构算力调度面临多重核心挑战：资源异构性与软件环境碎片化显著增加调度复杂性；跨架构任务迁移成本高导致效率低下；缺乏统一调度标准引发资源错配与利用率低等。
国内算力调度平台或基于开源算力调度技术平台打造，openFuyao作为新兴的多样性算力调度平台，在国产化适配支持上具有优势，而Kubernetes、Slurm等成熟项目则在云原生和HPC领域有深厚积累。
跨区域、跨服务商、跨架构的异构算力资源；由科技企业、行业服务商主导的平台则聚焦垂直领域或特定技术，资源整合范围相对集中。