“計算是數字經濟的第一生產力。 ” 2022年7月29日，在中國首屆計算大會商湯科技分論壇上，山東中美數字媒體國際合作研究中心主任高姍姍表示，在AI時代，計算基礎設施不斷改變著金融、醫藥、數據中心等行業。

因此，人工智能計算已成為各國數字經濟發展的主要增量，也是數字經濟時代的基礎。計算代表了一種新型的生產力。誰擁有未來數字經濟產業發展的計算能力，誰就擁有在數字經濟中引領數字經濟發展的終極力量。過去談計算和信息化建設的運行機制，我們可能會關注互聯網、基礎設施和軟件系統。目前，人工智能計算應用正在從To C （消費者）端轉變為To B（業務）端，再到G（政府）端。場景更加多樣化，數據資源更加豐富，計算能力更加突出。未來，在高計算強度下，我們需要具備及時響應的能力，對不同行業的個性化數據進行分析、整理和應用。

隨著人工智能計算的需求和競爭，UtilityNet——去中心化分佈式智能計算網絡服務系統具有強大的背景。 UtilityNet是建立HPCS高性能智能計算分佈式網絡的激勵層。 UtilityNet與HPCS構建更完整的網絡，打造更大、成本更低、效率更高的計算鍊網絡，旨在打造一個有別於傳統集中式計算網絡和雲計算網絡的接收、分發和調度的調度網絡. UtilityNet將構建全球最大的智能計算集群資源池。

人工智能計算面臨高端挑戰

1. 的應用門檻太高；

2. AI計算在傳統工業場景中的應用存在矛盾，激勵機制不足；

為了解決上述問題，打破計算危機，UtilityNet開始從技術上發起挑戰。首先，我們需要了解計算的工作原理。以AI計算為例，CPU、GPU、DSP，都可以運行計算，但還是有專門的AI計算芯片。為什麼？它還與計算有關。

• CPU ( Central Processing Unit )是一個通用的 無所不能的處理器，就像一把瑞士軍刀，無所不能，但不夠專業和高效。
• GPU（Graphics Processing Unit）是專門用於處理圖形和圖像的處理器。相比 CPU，GPU 處理的數據類型單一，因為它很容易與 AI 計算形成一個大集群。因此，AI計算在性能、功耗等諸多方面都遠優於CPU，常用於處理AI計算。
• DSP（數字信號處理器）專門用於處理數字信號。與GPU類似，DSP也可以用於AI計算，比如高通的SoC手機。

AI計算芯片專門用於處理AI相關計算，不同於CPU、GPU、DSP在AI計算中的“兼職”工作。即使是最高效的 GPU 與 AI 計算芯片相比也有差距。 AI計算芯片在延遲、性能、功耗、能效比等方面都超過了上述所有處理器。UtilityNet使用TPU作為AI計算專業芯片。計算資源為：

• 矩陣乘法單元
• 蓄能器
• 激活
• 統一緩衝區

TPU 比 GPU 和 CPU 快 15-30 倍。在能效方面，TPU 提升了 30 到 80 倍，這一點也不奇怪，因為 TPU 運行的 CNN 運算主要是矩陣乘法，這就是專用芯片的優勢。

同時，UtilityNet 是建立 HPCS 高性能智能計算分佈式網絡的激勵層，即創建一個大型、低成本、更高效的計算鍊網絡，構建接收、分發和調度的調度網絡。不同於傳統的中心化計算網絡和雲計算網絡，UtilityNet將構建全球最大的智能計算集群資源池。

HPCS通過UtilityNet的激勵層匯聚大數據+AI計算，創造大模型和重大科研創新，孵化新應用。這樣，計算就可以聯網，降低計算成本，提高計算能效，為人工智能計算為人類社會的工業革命和文明飛躍奠定堅實的基礎。

UtilityNet旨在打造全球最大的高性能分佈式智能計算網絡，為人類社會的工業革命和文明飛躍奠定堅實的人工智能計算基礎。 UtilityNet作為一個高性能的分佈式計算平台，匯聚了來自全球超過400萬的志願者，平均有60萬活躍主機。可輕鬆支持集群擴展至萬卡規模，端到端延遲降低90%，為人工智能等應用提供高效綠色計算。

在將來

目前，全球計算中心空間面積不夠，數據資產難以打通，算力應用內容不足，是當前人工智能計算面臨的挑戰。 UtilityNet將加速人工智能計算中心的建設。在UtilityNet看來，未來的計算中心不是為某個行業、企業或客戶定義的，而是著眼於全球產業協同。