№tflops·general
TFLOPs
别名
- 首次出现
- 2026-06-11
- 最近出现
- 2026-07-23
- 累计提及
- 22
§ 01综述
TFLOPs（每秒万亿次浮点运算）是衡量AI芯片计算性能的核心指标，尤其在深度学习训练和推理中直接决定模型运行速度。近期，多家厂商发布了突破性芯片设计，从传统架构向软件定义、近存计算等方向演进，以提升单位功耗下的有效TFLOPs。
TFLOPs近期进展
东方算芯首次展出全球首颗软件定义近存计算3D AI芯片DF1000：该芯片采用3D堆叠与近存计算技术，通过软件定义数据流实现动态算子编排，理论上可减少数据搬运带来的功耗损耗，从而在相同TFLOPs下获得更高实际吞吐。具体算力参数尚未披露，但架构创新被视为突破“内存墙”的关键路径。
中国自研AI芯片520 TFLOPS@14nm：软件定义计算架构突破：这款芯片在14nm工艺下实现了520 TFLOPS FP16算力，采用软件定义计算架构，允许用户通过编程重塑计算单元以适配不同模型。与同工艺竞品相比，其能效比提升约40%，但制程落后于国际领先的7nm以下节点。
NVIDIA 扩展 Jetson Thor 计算机家族，新增 T3000、T2000 模组：新模组基于Thor架构，T3000提供200 TOPS INT8算力（约100 TFLOPS FP16），T2000为100 TOPS。它们专为边缘AI场景设计，强调在低功耗（T3000为75W）下实现持续高性能，同时支持多模态模型实时推理。
当前焦点与观察点
TFLOPs正从单一数字竞争转向“有效算力”的比拼。一方面，软件定义架构允许芯片动态调整计算资源，如东方算芯和中国自研芯片的尝试，使得名义TFLOPs更贴近实际任务需求；另一方面，近存计算和3D堆叠（如DF1000）通过减少数据搬运延迟，提升单位TFLOPs的利用率。此外，NVIDIA等厂商在边缘侧推出不同TFLOPs梯度的模组（T2000/T3000），表明市场正根据功耗、成本和应用场景进行精细化分层。值得关注的是，单纯追求高TFLOPs在推理场景中已非最优解——摩尔线程王东指出，推理市场需要“解决方案组合”，而非单一高性能芯片。未来，单位瓦特TFLOPs（能效比）和实际推理延迟可能成为更重要的评价标准。