文末有福利！
刻下，数字经济已成为国民经济高质地发展的新动能，跟着东谈主工智能在产业数字化程度中从“单点随性”迈向“泛在智能”，一个以数字化、蚁合化、智能化为特征的奢睿社会正加速到来。
智能算力算作东谈主工智能的基石，是算力蚁合构建多要故友融新式信息基础设施的枢纽范围，已成为数字经济高质地发展的中枢引擎，智能算力基础设施建造也迎来了飞扬。
智算中心算作集约化建造的算力基础设施，它以 GPU、AI 芯片等智能算力为中枢，提供软硬件全栈环境，主要承载模子检修、推理、多媒体渲染等业务，解救千行百业数智化转型升级。
关联词传统智算中心的智算资源愚弄率较低，资源漫衍相对碎屑化，不利于合座效率的普及，亟需一个可团聚各类型算力、完毕敏捷化资源顾问的平台，使能资源不错被极致愚弄，算力池化技艺应时而生。
为凝合产业共鸣，进一步鼓吹算力池化技艺闇练，中国出动发布本白皮书，分析了智能算力发展的趋势及面对的挑战，系统性先容了算力池化的界说与斟酌、总体架构、枢纽技艺和刻下业界的探索实践，并命令业界紧密配合、加速构建算力池化调和的行径体系。
1. 算力池化技艺布景
数字经济期间，跟着奢睿城市、奢睿交通、奢睿家庭等智能场景的冉冉落地，东谈主工智能正长远地更动咱们的坐褥、生存口头。同期跟着 5G、旯旮策动等解救技艺的不竭发展，数智业务转型过程中所产生的数据量正在以愈加难以计量的速率爆发。
据 IDC 公布的《数据期间 2025》显现，从 2016 年到 2025 年全球总和据量将会增长 10 倍，达到 163ZB,其中非结构化数据占 70%以上，策动模式将变得愈加复杂，对智能算力的需求也在不断提高，智能策动将成为主流的策动形态。
跟着智能策动粗造交融到坐褥、生存的各个方面,以 GPU、AI 芯片为主要算力资源的智算中心正冉冉取代通用数据中心成为算力发展的主流形态。在此布景下，列国政府已初始布局 AI 范围全栈智商，并出资指引智能算力基础设施建造；我国也已进入智能化期间，“十四五”期间，相干部委积极鼓吹智算中心建造发展，旨在面向东谈主工智能场景提供各人算力管事。
同期，跟着 ChatGPT 等基础通用大模子业务引爆了对 GPU 的商场需求，产业各方纷纷加入对基础大模子的检修和耕种，导致“一芯难求”，GPU 价钱也随之暴涨。以英伟达 A800 为例，据商场数据统计，近半年来的价钱增幅高达 30%以上。如安在有限的资源供应内尽可能提高愚弄率，充分弘扬算力效率的同期缩小智算中心 TCO，当今已成为智算中心建造待处置的枢纽命题之一。
1.1 传统智算中心存在资源效率问题
1.1.1 GPU 资源愚弄率不及 30%
刻下智算中心主要以国度或当地政府总体牵头建造为主，此外，AI 应用管事企业也在布局自有智算基础设施建造。关联词，据公开数据统计，传统模式下的智算中心 GPU 愚弄率较低，平均数值低于 30%：
− AWS re:Invent 2018 公布数据：平均 GPU 愚弄率为 20%
− Facebook 2021 年机器学习负载分析论述：平均 GPU 愚弄率不及 30%
− 英伟达 GTC2022 公布数据：Google 云平均 GPU 愚弄率为 25%
传统智算中心的 GPU 资源愚弄率过低，主要开始于以下多个方面的原因：
（一）资源分拨较为轻佻：资源分拨以整卡分拨为主，辅以一虚多的诬捏化分拨口头，颗粒度较粗，无法适配不同 AI 任务对资源的互异化需求，导致部分资源闲置，影响算力资源的愚弄率；
（二）算力莫得被充分激活：AI 任务模子想象裂缝、算力优化程度不及、模子框架与底层芯片适配不充分等原因，均可能导致算力资源的性能无法充分弘扬，导致非凡的资源损耗；
（三）蚁合带宽瓶颈制约：智算中心拓荒和管事器之间的通讯需要铺张蚁合带宽，蚁合瓶颈会影响影响合座性能，算力资源优游度高、愚弄率低。
传统智算中心的 GPU 资源愚弄率问题是一个概述性的问题，需要从资源顾问计策、硬件架构想象、应用软件算法优化等多方面共同优化处置，其中尤以资源顾问计策方面的优化可控性强、见效快、插足产出比高，是新式智算中默算力池化的要紧筹商标的之一。
1.1.2 资源碎屑化导致分拨率低
资源碎屑指体量较小，低于应用的需求而无法被分拨出去的闲置资源，平素来说，应用所需资源的规格越高、种类越多，导致资源碎屑的概率则越大。近几年来，AI 业务连忙发展，从检修到鼓吹，从小模子到大模子，AI 任务的种类越来越多，对算力的需求越来越高，算力资源碎屑化趋势较为彰着。
碎屑化的原因包括任务类型互异、任务范畴互异、任务优先级互异以及任务换取智商等多方面身分。
（一）任务类型互异：智算中心提供的算力资源不错用于不同种类的任务，包括机器学习、深度学习、图像处理等。也包括大模子、小模子、漫衍式推理、聚会式鼓吹，由于不同类型的任务对硬件建树的条款不同，因此会导致不同类型的任务需要不同的算力资源，难以充分适配；
（二）任务范畴互异：任务范畴不同，所需求的算力资源不同，何况不同任务范畴对算力资源的分拨也无试验行径，小范畴任务可请求大范畴的算力，诚然存在资源浪掷，但却可加速任务完成，违反，在资源总和适度下，大范畴任务也可笔据相对较少的算力资源，诚然影响策动效率，但却从简了投资。以上多方面的身分，导致任务需求规格与硬件建树无法对都，从而导致算力资源碎屑化；
（三）任务优先级互异：不同的任务可能有不同的优先级，一些高优先级的任务可能会占用多半的策动资源，导致其他任务无法实时得到知足，影响合座资源布局；
（四）任务换取智商：任务换取亦然影响策动资源碎屑化的要紧身分。淌若任务换取不妥，可能会导致策动资源得不到充分分拨，从而形成资源浪掷。
要而论之，笔据各类化 AI 任务对算力资源的互异化需求，纯真地换取、分拨资源，是缩小智算中默算力资源碎屑的枢纽。
1.2 池化技艺是提高资源效率的枢纽
怎么对稀缺、纯粹的算力资源充分愚弄，缩小其不行分拨的碎屑概率，不错探究鉴戒云策动的想路，对 GPU、AI 芯片等进行团聚池化，再愚弄先进的资源顾问技艺进行切分、换取、分拨，使能资源可按任务的试验需求进行有序供给。
（一）物理成池：通过高性能智算中心蚁合买通管事器间通路，使得分散在各管事器中的 CPU、GPU、AI 芯片等算力资源不错互联互通、透明分享。这项技艺允许跨用户、用例、时间表率分享物理算力资源，还不错为在集群的一个节点中施行的单个 AI 任务纵情调用集群中算力，使 AI 任务获取进一步加速。
（二）逻辑成池：愚弄池化软件对 CPU、GPU、AI 芯片等资源在逻辑上团聚，AI 任务在创建时，不再是将零星的、孤岛式的资源进行裸分拨，而是笔据换取经过，从团聚的池化资源中切分出所需数目进行分拨。一方面，分拨的资源数目可按 AI 任求试验所需施行，当 AI任务所需资源不解确，或因负载变化导致资源数目变动时，可完毕动态供给、回收，完毕多 AI 任务的峰谷互补，缩小资源闲置率；另一方面，切分后的零星资源不错再度团聚、换取、分拨，缩小碎屑率。
2. 算力池化界说与斟酌
2.1 算力池化的界说
智能算力池化指依托云策动技艺，整合 GPU/AI 芯片等异构算力资源，构建聚会顾问的资源池，并按表层智算业务的需求，对池化的资源进行调和换取、分拨，完毕智算业务生命周期顾问的全套技艺。
为处置智算中心所面对的资源愚弄率问题，算力池化基于传统云策动技艺（如 Kubernetes、OpenStack，智算中心以 Kubernetes 为主）有针对性地增强 GPU/AI 芯片池化智商，秉承软件界说的口头，对 GPU/AI 芯片进行分时换取顾问，完毕按 GPU/AI 芯片的细粒度分拨资源，并秉承 GPU/AI 芯片 Runtime API 劫持、应用模样监视器等技艺，完毕资源跨节点而已调用、零星资源整合等，从而达到算力资源充分愚弄、碎屑最小化效率，可灵验普及资源效率，缩小智算中心合座建造资本。
2.2 算力池化的斟酌
智能算力池化的斟酌是愚弄软件界说技艺，对通过高速无损蚁合互连互通的 CPU、GPU、AI 芯片等算力资源进行池化整合，完毕资源的聚会换取、按需分拨，使能资源可被充分愚弄，缩小碎屑概率，提高总体灵验算力、缩小智算中心购置资本。
化整为零。矫正传统的整卡分拨、一虚多诬捏化分拨的轻佻式分拨口头，使能考究化分拨智商，笔据 AI 任务的资源需求进行按需供给，契合各类化业务的互异需求。
隔空取物。基于高速无损蚁合，跨节点调取 GPU、AI 芯片等智能算力资源，使能 CPU 传统算力及 GPU、AI 芯片智能算力高度解耦，进一步缩小碎屑化比例。
化零为整。整合漫衍在多机上的零星资源，集聚碎屑为可再分拨的资源、集聚小规格资源为更大模子业务可使用的资源，使能资源可高效分拨。
变静为动。矫正传统的资源静态分拨、土产货绑定的机制，使能资源不错笔据负载变化动态分拨、回收，多任务间不错峰谷互补，全局资源不错适度超分，促进资源效率普及。
3. 算力池化架构与枢纽技艺
3.1 算力池化平台技艺架构
新式智算中默算力池化平台依托云策动技艺膨胀池化智商，笔据AI 任务特色，一般基于 K8S(Kubernetes)定制化完毕。算力池化平台的技艺架构参考如下：
图片
图 1 算力池化平台技艺架构
算力池化平台逻辑上可分为池化资源顾问、资源管事代理、池化运行时三类模块构成：
(1) 池化资源顾问
− Kubernetes 顾问组件：基于 Kubernetes 原生顾问管事组件定制化增强，如解救漫衍式文献存储、解救 POD 多蚁合平面、解救RoCEv2/Infiniband 蚁合等；
− Kubernetes 换取膨胀：关联 Kubernetes 换取管事膨胀专用的池化资源类型，对该类资源的请求转递智算资源池化抑制器进行换取、分拨，需配合 Kubernetes 拓荒插件使用；
− 智算资源池化抑制器：对 GPU、AI 芯片等智算进行调和顾问、换取、分拨；
(2) 资源管事代理
池化管事代理：笔据智算资源池化抑制器的换取罢了，将池化运行时对资源的造访请求重定向到试验物理位置施行，如触及跨机造访智算资源，则需相干管事器上的池化管事代理屡次重定向，跨机重定向的流量需经由高速无损蚁合（如参数面蚁合）；
Kubernetes 管事代理：基于 Kubernetes 原生管事代理组件定制化增强；
Kubernetes 设 备 插件 ： 配 合 Kubernetes 调 度 膨胀 ，为Kubernetes 管事代理注册专用的池化资源类型；
容器运行时：基于原生容器运行时（如 Dockerd、Containerd等）定制化增强；
(3) 池化运行时
池化运行时：依托 GPU、AI芯片的原生运行时（如 CUDA Runtime）进行二次封装，秉承 API 劫持、应用模样监视等技艺，将 AI 应用软件/AI 开发框架对算力资源的造访转递至池化管事代理施行。池化运行时位于容器 POD 内，在容器运行时由自动注入。
笔据上述技艺架构，当 AI 应用编排器通过调用 Kubernetes API创建应用时，可按新增的池化资源类型指定请求的资源数目（如pool.kubernetes.io/gpu: 1）,对该类型资源的请求会被 Kubernetes换取膨胀禁绝、转递至智算资源池化抑制器进行换取，智算资源池化抑制器按请求的资源数目、资源池内优游资源漫衍情况进行换取后，将换取罢了反映给 Kubernetes 顾问组件，然后 Kubernetes 顾问组件正常施行 AI 应用的创建经过，由 Kubernetes 管事代理创建最终 POD算作托付物，并通过池化管事代理配合在 POD 中自动注入池化运行时、通过 Kubernetes 拓荒插件配合在 POD 中插入诬捏 GPU。
AI 应用的 POD 在运行的时候，通过池化运行时造访诬捏 GPU、施行 AI 任务，池化运行时禁绝对诬捏 GPU 的造访请求、转递给池化管事代理施行，池化管事代理通过向智算池化抑制器查询诬捏 GPU 所对应的真确智算资源位置、规格，按查询罢了分拨智算资源、施行 AI任务，淌若真确的智算资源位于而如故营节点，则由土产货池化管事代理将造访请求转递给而如故营节点上的池化管事代理处理，相干通讯经由参数面蚁合。
3.2 算力池化技艺智商层级
算力池化技艺内容是通过软件界说硬件加速的口头，愈加高效纯确切团聚、换取以及开释海量 AI 加速算力，精确保险 AI 模子开发、检修、部署、测试、发布全链条算力配给，缩小智算中默算力管事提供资本，普及智算中心合座效率。从对异构算力使用的闇练度及纯真性角度启程，刻下算力池化技艺可诀别为以下三个智商层级：
图片
图 2 算力池化技艺智商层级
阶段 1，静态顾问。将单物理 GPU/AI 芯片按固定比例切分红多个诬捏 GPU/诬捏 AI 芯片，比如 1/2 或 1/4,每个诬捏 GPU/AI 芯片的显存极度，算力轮询。领先是伴跟着管事器诬捏化的兴起，处置诬捏机不错分享和使用 GPU/AI 芯片资源的问题。关于静态顾问有斟酌，2021年英伟达在部分 Ampere系列 GPU上提供了 MIG 技艺，举例不错将 A100切分红最多 7 份。
阶段 2，动态顾问。以单物理 GPU/AI芯片为斟酌，解救物理 GPU/AI芯片从算力和显存两个维度纯表示分，完毕自界说大小（平素算力最小颗粒度 1%，显存最小颗粒度 1MB），知足 AI 应用互异化需求。
同期，软件界说 GPU/AI 芯片资源可充分适合刻下应用云原生化趋势，实时反映表层应用对资源需求的变化，完毕 vGPU/AI 芯片资源基于Scale-Up/Scale-Down 的动态伸缩，并通过资源动态挂载动态开释完毕 GPU/AI 芯片资源超分。
阶段 3，池化顾问。池化技艺的要害随性在于解救 CPU 通用算力及 GPU/AI 芯片等智能算力的孤独成池，两种资源池内集聚的资源孤独换取、分拨，当换取的资源分属不同节点时，可通过高速无损蚁合跨节点调用、拼装成 AI 任务所需总算力。此顾问口头下，AI 应用不错部署到智算中心的纵情位置，岂论场地节点上有莫得智算资源、智算资源够不够，所欠缺的部分从而已握取即可，从而完毕在蚁合范围内充分分享闲置、致使碎屑化的多种类型资源，促进资源的灵验愚弄。
由于而已调用的资源比拟土产货化资源的造访速率相对较低，因此，池化顾问技艺可引入管事质地顾问技艺，按任务优先级，优先分拨土产货资源，次选而已调用，任务资源不实时将 AI 任务进行队伍化顾问，恭候开释出弥漫资源时再运行。
3.3 算力池化枢纽技艺
3.3.1 软件界说的资源分拨口头
传统的依赖于硬件解救的诬捏化技艺下， AI 应用通过造访GPU/AI 芯片的运行时所提供的接口，以获取对智算资源的调用，资源的算力实足由卡硬件细目，软件上难以介入，从而无法获取更敏捷的顾问。池化技艺下，资源分拨口头发生了根人性的变革，软件介入了资源的算力供给，为开启更敏捷的资源顾问模式，比如动态伸缩、资源超分等奠定了技艺基础，为不竭优化智算资源愚弄率创造了无穷可能。池化技艺主要通过以下两种完毕了软件界说的资源分拨：
(1) API 劫持技艺
API 劫持技艺是当今比较深广的、针对智能算力的池化技艺，它通过劫持对 Runtime API（如 CUDA API）调用完毕资源换取。
如 3.1 章节技艺架构的图 1 所示，AI 应用的容器 POD 内运行的池化运行时并非 GPU/AI 芯片原生的运行时，而是基于原生运行时进行了一定定制化的版块，它对表层应用所提供的 API 接话柄足等同于原生运行时，因此对 AI 应用来说是透明的。
当 AI 应用造访池化运行时的 API 时，则被池化运行时转递至池化管事代理施行，池化管事代理则具备敏捷化的资源顾问功能，比如按 1%算力、1MB 缓存的精度细粒度分拨资源，完毕跨节点而已调用资源等。
图片
图 3 API 劫持技艺图解
API 劫持技艺的枢纽在于池化运行时仿真 GPU/AI 芯片的原生运行时，由于 GPU/AI 芯片种类、型号广漠，其原生运行时又相对活跃、升级时时，仿真职责较为复杂，开发量、郑重难度较大。
(2) 应用模样监视器技艺
这是一种实足与 GPU/AI 芯片无关的拓荒诬捏化和而已处理方法，允许在莫得显式软件解救的情况下启用新的硬件体捆绑构。该项技艺通过应用模样监视器职责，该监视器与 Hypervisor 顾问诬捏机的口头肖似，分为前端、后端，前端监视指定应用模样的行动，拦放弃后端处理，后端不错按应用模样请求的数目分拨资源，或将应用模样拆分到多台机器上运行，在保持代码、数据和施行环境一致性的前提下使用这些机器上的智算资源，从而完毕资源的细粒度顾问、而已调用等资源敏捷化顾问功能。应用模样监视器负责郑重应用模样现象（内存、文献、应用模样库的加载），以及诬捏化与系统的交互（举例系统调用和程度间通讯），以确保在多个位置施行时的一致性。
图片
图 4 应用模样监视器技艺图解
与 API 劫持技艺平直介入到 AI 应用造访资源的经过、需要仿真原生运行时的 API 接口的口头不同，应用模样监视器不介入到 AI 应用造访资源的经过、而是通过更底层的系统调用隐含而粗造的解救更多种类、型号的硬件和新的运行时功能，其完毕口头与特定的运行时API（如 CUDA）无关，具备愈加高大的通用性和兼容性。应用模样监视器技艺是一种新式的池化有斟酌，提议技艺闇练后再探究商用引入。
3.3.2 算力资源高质地顾问技艺
基于软件界说的资源分拨口头，算力池化平台不错完毕更敏捷的资源顾问口头，从而完毕算力的高质地顾问。
（一）资源细粒度分拨
通过诬捏化妙技，将物理资源按照算力与显存两个维度进行细粒度抽象，表层应用不再以物理硬件为单元进行资源请求及使用，而所以物理硬件算力 1%，显存 1MB 为基本单元。
（二）资源名额顾问
通过期辰等算力抑制技艺，对不同佃户之间、同佃户不同程度、不同佃户不同程度之间完毕 GPU 算力及显存的隔断与抑制，减少资源争抢带来的性能扰动，幸免模样坏心霸占算力资源。
（三）资源无感动态伸缩
池化技艺可通过资源动态分拨，为容器动态的分拨可用资源，表层应用可笔据本人业务逻辑及负载情况，实时向算力换取平台请求算力、显存资源，完毕资源动态垂直膨胀。
（四）资源超分及峰谷互补
智算中心对外提供业务时，为幸免业务之间的竞争影响到管事质地，不同类型的业务平素分开部署在不同的资源池。但业务的运行时时存在岑岭期和低谷期，业务独占资源导致异构算力硬件深广存在优游周期，好多业务优游期远长于岑岭期，导致总体资源愚弄率很低。
与此同期，为保险管事质地，业界通用作念法是秉承资源过量供应的口头来对业务进行解救，导致预留的资源量与试验的使用量之间存在较大的差距。
淌若大概将业务的波谷时段愚弄起来，就能减少波谷时间，从时间维度普及效率；同理，将资源预留冗余迟滞，就能从空间维度普及效率。因此将不同优先级、不同波动周期的业务进行羼杂部署，为两个维度普及愚弄率提供了可能性，即愚弄低优先级任务占用优游资源，同期高优先级任务能实时霸占到资源，从而保证枢纽业务的管事质地。
算力池化技艺不错通过软件界说，将底层物理硬件资源抽象后作念合适的放大，愚弄算力硬件策动周期优游时间，通过期辰复用灵验使用算力，同期，愚弄单一指针进行内存托管，将显存、系统内存进行调和郑重，在 CPU 与 GPU 之间形成内存池分享内存资源，由系统来自动地进行内存迁徙，以完毕 GPU 显存膨胀，如 CUDA unified memory。
（五）智算任务队伍化顾问
单个 AI 任务的开展可简便划为为数据准备、任务施行、模子评估三个阶段，从资源角度上分析，数据准备阶段主要使用 CPU 资源，检修初始后才初始使用 GPU 算力资源进行策动加速。相较于 CPU 通用算力资源，智算中心内智能算力资源愈加容易达到瓶颈，为提高合座AI 检修任务的施行效率，算力池化技艺可提供智能算力资源列队的智商，即 AI 任务的下发可笔据 CPU、内存等资源的可用情况触发，检修任务进入施行阶段后，如智能算力资源不及可进行列队恭候，治安施行。同期可笔据检修任务的要紧程度，设立资源使用的优先级。
3.3.3 泛在化碎屑的池化整合技艺
泛在化碎屑至漫衍式在土产货、而已的传统口头下无法再愚弄的资源。对这些泛在化碎屑进行池化整合，合并为逻辑视图上的一整片算力，有更高概率知足 AI 任务的资源规格需求。
（一）泛在化资源跨机整合技艺
论文《Characterizing Deep Learning Training Workloads onAlibaba-PAI》分析了阿里一个检修集群上的负载特征（见图 5）：从任务数目上看，约 59%的任务是单卡小任务；从 GPU 资源铺张上看，诚然 81%的 GPU 是被漫衍式检修任务占用（单机多卡也算漫衍式），然而这其中有一半的资源是被小于 8 个 GPU 的任务所占用（1 台物理管事器可知足）；只须 0.7%数目的任务是使用卓越 128 个 GPU（需要16 台或更多物理管事器）。
图片
这个分析标明，检修任务是各类化的，其范畴有大有小，从资源角度上看，意味着智算中心各类业务对 CPU 算力与 GPU 算力的配比需求是各类化的，而 GPU 管事器硬件建树时时是单机 4 卡或者单机 8 卡，单机 CPU 算力与 GPU 算力的固定配比，在承载各类化的检修任务时，例必带来资源碎屑气候的产生，进而激发多半多卡任务因为资源不及在队伍中列队恭候施行，容易带来资源合座流转效率低下的问题。
为处置资源碎屑问题，池化技艺不错完毕对零星资源的整合，包括跨机整合。见第 3.1章，智算资源池化抑制器完毕了对 CPU及 GPU/AI芯片分池、单独换取，也即为 POD 换取的 CPU 与 GPU/AI 芯片资源可能不在归拢台管事器上，但对应用是透明的，当 AI 应用造访诬捏 GPU时，由池化管事代理笔据诬捏 GPU 所对应的真确 GPU 资源位置分拨资源，淌若有而已调用需求，则由 POD 场地管事器上的池化管事代理转发资源请求至斟酌管事器上的池化代理管事造访。
通过资源团聚，不错将 GPU 集群内的资源碎屑愚弄蚁合快速整合，保险多卡任务快速启动，普及资泉源转效率。
（二）智算业务 SLA 分级及自动管事质地顾问
智算中心算作承载海量智算业务的基础设施，在资源优化方面应在兼顾检修任务的合座隐晦率、GPU/AI 芯片资源的合座愚弄率的同期，普及多个检修任务的合座性能，而非强调单个任务的性能。
深度学习框架是好多检修任务依赖的一类基础软件，其想象斟酌之一是普及单个检修任务的性能，而池化技艺的斟酌是通过充分愚弄数据中心内悉数 GPU/AI 芯片资源，从而达到多任务的合座最优，两者并不矛盾。
框架和池化技艺不错彼此配合，在达成多任务合座最优的情况下，尽量让每个任务的运行愈加优化。池化技艺可针对不同任务关于性能的条款进行分级，按优先级高到低遴荐使用指定硬件资源、只使用任务场地管事器上 GPU/AI 芯片资源、纵情调用数据中心内可用算力资源等分拨计策，不错确保任务性能条款的前提下，达到合座资源最优分拨。
5. 斟酌与倡议
跟着 GPT、Stable Diffusion 等技艺的闇练，AIGC 产业高速发展，对智能算力的需求也呈指数级的增长。算力池化技艺相较与传统的 GPU/AI 芯片纵贯技艺来说，具备更高的算力愚弄效率、更方便的使用口头及更低的使用资本，为产业发展提供奠定优质的算力基础。
本站仅提供存储管事，悉数内容均由用户发布，如发现存害或侵权内容，请点击举报。