算力硬件时间线

950PR 随 Atlas 350 加速卡上市，面向推荐与大模型推理。

Rubin GPU、Vera CPU 与新一代互连共同构成下一代 AI 计算平台。

第三代 Trainium 通过 Trn3 UltraServer 正式供应，支持训练与模型服务。

CDNA 4 扩展低精度计算与 HBM3e 容量，面向生成式 AI。

384 颗昇腾 910C 通过高速互连组成统一计算系统。

第七代 TPU 面向大规模 AI 服务，进一步扩展芯片与系统协同。

更大的统一内存配置为本地运行大型模型提供容量空间。

Blackwell 消费级旗舰扩展到 32 GB GDDR7，面向本地 AI 与图形工作负载。

Blackwell 将新一代 GPU、Grace CPU 与 NVLink 系统结合，扩展模型训练与推理规模。

第三代晶圆级引擎将大量计算核心与片上存储整合到单片晶圆。

CDNA 3 与 192 GB HBM3 扩展单加速器的大模型容量。

首代 Trainium 通过 EC2 Trn1 正式提供训练算力。

Hopper 引入 Transformer Engine 与 FP8，加速大模型训练和推理。

首代 CDNA 架构面向计算，结合 ROCm 支持 AI 与高性能计算。

统一内存架构与神经引擎进入 Mac，为本地机器学习提供新的计算平台。

Ampere 将训练与推理统一到同一平台，并引入多实例 GPU。

首代 Inferentia 通过 EC2 Inf1 提供机器学习推理服务。

昇腾 910 正式发布，为神经网络训练提供专用处理器。

首代晶圆级引擎将计算核心、存储和互连放到同一片大型芯片上。

以太网互连与专用计算架构结合，面向可扩展的神经网络训练。

华为公布昇腾芯片系列与达芬奇架构，覆盖推理和训练场景。

Turing Tensor Core 将低精度计算带入数据中心推理。

第二代 TPU 扩展到训练，并通过 Cloud TPU 向外部开发者提供算力。

Volta 引入 Tensor Core，将矩阵计算加速直接用于深度学习。

Google 公开介绍自研张量处理器，为神经网络推理提供专用硬件。

Pascal 架构结合 HBM2 与 NVLink，支持深度学习训练和多 GPU 计算。