АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Вычислительная мощность компьютера

Вычислительная мощность компьютера (англ. computer performance) — совокупная величина, характеризующая объём полезной работы, выполняемой компьютерной системой.

Описание

За пределами узких технических контекстов вычислительная мощность оценивается по точности, эффективности и скорости исполнения инструкций компьютерных программ. Достижение высокой вычислительной мощности связано с рядом факторов, среди которых:

В контексте гетерогенных вычислений и искусственного интеллекта традиционное определение вычислительной мощности, основанное на количестве операций в секунду (FLOPS), дополняется комплексной оценкой. Производительность современных ИИ-систем ограничивается скоростью доступа к данным (проблема «стены памяти», или Memory Wall), а не вычислительными ядрами. Пропускная способность памяти (в частности, стандартов HBM3e и HBM4) задаёт верхний предел производительности отдельного узла, а скорость интерконнекта определяет эффективность масштабирования мощности на весь вычислительный кластер[1].

Технические и нетехнические определения

Производительность любой компьютерной системы может быть определена количественно, с помощью одного или нескольких приведённых выше показателей. Такой подход позволяет:

  • Сравнивать производительность относительно других систем или той же системы после изменений;
  • Оценивать показатели в абсолютных величинах, например, для исполнения контрактных обязательств.

Если приведённое определение носит строгий технический характер, то следующее определение, предложенное Арнольдом Алленом, описывает понятие для широкой аудитории:

Слово «производительность» в термине «вычислительная мощность» означает то же, что и в других областях, а именно — «насколько хорошо компьютер выполняет работу, которую от него требуют?»[2]

Как аспект качества программного обеспечения

Производительность программного обеспечения, в частности время отклика приложений, — важная составляющая качества ПО, особенно в задачах человеко-компьютерного взаимодействия.

Инженерия производительности

Инженерия производительности в рамках системной инженерии включает комплекс ролей, навыков, практик, инструментов и результатов, применяемых на всех этапах жизненного цикла разрабатываемых решений для обеспечения требуемой производительности.

Работа инженеров производительности всегда связана с компромиссами между различными типами производительности. Иногда разработчикам удаётся добиться общего роста производительности, улучшая один из параметров, не снижая другие. Однако чрезмерное стремление улучшить одну характеристику часто приводит к деградации производительности по другим показателям — например, увеличение частоты (см. миф о мегагерцах) ценой ухудшения других параметров.

Инженерия производительности приложений

Инженерия производительности приложений (Application Performance Engineering, APE) — специализированная методология в рамках инженерии производительности, ориентированная на задачи эффективности приложений в условиях мобильных, облачных и наземных распределённых ИТ-сред. Она охватывает все этапы жизненного цикла приложений, обеспечивая соблюдение нефункциональных требований к производительности.

Аспекты производительности

Показателями производительности компьютера выступают доступность, время отклика, ёмкость канала, задержка, время выполнения, время обслуживания, пропускная способность, относительная эффективность, масштабируемость, производительность на ватт, коэффициент сжатия, длина пути инструкций, ускорение, а для оценки ИИ-ускорителей — метрики TOPS и TFLOPS (в форматах FP8 и INT8)[3][4]. Для процессоров существуют специальные сравнительные тесты (бенчмарки)[5].

Доступность

Доступность системы обычно оценивается как функция её надёжности: с ростом надёжности растёт и доступность (меньше времени простоя). Увеличить доступность, однако, возможно за счёт акцента на тестируемости и ремонтопригодности, а не только на надёжности. Повысить ремонтопригодность, как правило, проще, чем надёжность; оценки времени восстановления бывают точнее, чем оценки надёжности. Однако неопределённость в надёжности обычно столь велика, что именно она становится основной проблемой точности прогноза доступности, даже при высоких уровнях ремонтопригодности.

Время отклика

Время отклика — это общее время, необходимое для ответа на запрошенную операцию. В вычислительной технике услугой может быть любая задача — от простого обмена данными с диском до загрузки сложной веб-страницы. Время отклика складывается из трёх составляющих:[6]

  • Время обслуживания — сколько требуется на саму работу;
  • Время ожидания — сколько запрос находится в очереди, дожидаясь исполнения;
  • Время передачи — сколько требуется на передачу запроса и результата между устройствами.

Скорость обработки

Скорость обработки измеряется числом инструкций в секунду (instructions per second, IPS) или операций с плавающей точкой в секунду (FLOPS). Большинство потребителей выбирают архитектуру компьютера, опираясь на возможность запуска имеющегося ПО. Нередко выбор конкретного процессора производится по рабочей частоте (см. миф о мегагерцах), хотя этот показатель не всегда отражает реальную производительность. Для систем искусственного интеллекта скорость часто измеряется в триллионах операций в секунду (TOPS)[7]. Базовым требованием для сертификации компьютеров класса «AI PC» и работы локальных ИИ-ассистентов является производительность на уровне 40 TOPS[8][9].

Проектировщики параллельных систем зачастую ориентируются на соотношение «скорость за единицу стоимости».

Пропускная способность канала

Пропускная способность канала — максимальная скорость передачи информации по каналу связи, которую можно обеспечить с определённой надёжностью. Согласно теореме кодирования шумного канала, эта величина определяется как предельная скорость передачи информации при сколь угодно малой вероятности ошибки[10][11].

Определение ёмкости канала и математическое моделирование процессов передачи информации даёт теория информации, созданная Клодом Шенноном во время Второй мировой войны. Емкость канала определяется как максимум взаимной информации между входом и выходом канала для распределения входных сигналов, дающего этот максимум[12].

Задержка

Задержка — это временное запаздывание между причиной и её эффектом в управляемой системе. Она обусловлена ограниченной скоростью распространения любых физических взаимодействий, всегда меньшей или равной скорости света. Поэтому всякая система с ненулевыми размерами подвержена задержкам.

Точное определение задержки зависит от рассматриваемой системы и природы воздействия. В связи допускаемая нижняя граница задержки определяется используемой технологией. В надёжных двусторонних системах задержка ограничивает максимальную скорость передачи информации, поскольку в любой момент может находиться лишь ограниченное количество данных «в полёте». В человеко-компьютерном взаимодействии заметная задержка существенно влияет на удобство использования и удовлетворённость пользователя.

Операционные системы могут откладывать выполнение процесса из-за наличия других исполняющихся задач; также планировщик ОС сам выбирает, когда выполнять каждое действие. Например, если процесс периодически (1000 Гц) меняет выходное напряжение платы, реальное время переключения зависит от особенностей ОС и аппаратуры.

Проектировщики систем реального времени стремятся гарантировать максимальное время отклика; это проще сделать, когда ЦПУ обладает низкой задержкой прерываний и детерминированностью реакции.

Пропускная способность (bandwidth)

Пропускная способность в компьютерных сетях — это измеряемая скорость передачи или использования ресурсов передачи данных, выражаемая в битах в секунду и их кратных (бит/с, кбит/с, Мбит/с, Гбит/с и т.д.).

Часто под пропускной способностью понимается максимально достижимая скорость передачи данных по каналу (чистый битрейт), что используется, например, при тестировании сетей. Согласно закону Хартли, максимальная скорость передачи может быть пропорциональна полосе частот канала (Гц).

Пропускная способность (throughput)

Пропускная способность (throughput) — это скорость выработки или обработки данных системой.

В сетях передачей под throughput понимается реальное потребление полосы пропускания; в беспроводных и сотовых сетях — это эффективность использования спектра с учётом занимаемой площади. В интегральных схемах throughput связывает время прохождения (обработка сообщений) с архитектурой устройства или канала.

Масштабируемость

Масштабируемость — способность системы, сети или процесса обрабатывать возрастающий объём работы либо расширяться для поддержки такого роста. Архитектура современных ИИ-кластеров позволяет масштабировать системы до 100 000 и более графических процессоров (GPU). Для этого используется комбинация проприетарных шин (например, NVLink) для внутриузловой связи и высокопроизводительных сетей (InfiniBand стандартов NDR/XDR, а также специализированных решений на базе Ethernet) для межстоечного интерконнекта, что позволяет минимизировать задержки при передаче данных[13]..

Энергопотребление

Потребляемая энергия становится особенно критичным показателем для устройств с автономным или ограниченным питанием — солнечным, аккумуляторным или даже человеком. Для питания носимых устройств развиваются технологии сбора энергии (energy harvesting), использующие фотоэлектрические, кинетические и термоэлектрические генераторы[14].. Энергопотребление современных ИИ-кластеров может достигать 750 МВт, что вызывает ограничения электросетей и задержки запуска новых центров обработки данных (ЦОД)[15][16]. При тепловыделении (TDP) чипов свыше 700—1000 Вт традиционные воздушные системы становятся неэффективными, требуя перехода на прямое жидкостное и иммерсионное охлаждение[17].[18] Для обеспечения ЦОД автономным питанием технологические компании инвестируют в создание малых модульных реакторов (SMR).

Производительность на ватт

Производительность (скорость) на ватт важна, например, для параллельных вычислительных систем (как оборудование Google), где стоимость энергопитания превышает цену комплектующих[19].

В вычислительной технике для космоса соотношение скорость/ватт даже важнее абсолютной скорости из-за ограниченных энергетических ресурсов[20].

В сфере высокопроизводительных вычислений лидерами рейтинга Green500 являются суперкомпьютеры на базе гибридных суперчипов (например, NVIDIA GH200 Grace Hopper), чья энергоэффективность достигает около 70 GFLOPS/Вт (системы KAIROS, ROMEO-2025 и Levante GPU extension)[21].

Для мобильных устройств критически важна высокая энергоэффективность локальных нейронных процессоров (NPU) по сравнению с облачными GPU, потребляющими от 300 до 700 Вт[22]. Показатели энергоэффективности для специализированных Edge AI ускорителей с энергопотреблением до 20 Вт могут составлять от 10 до 50 TOPS/Вт и выше (например, у решений от Renesas, Hailo, SiMa.ai и Axelera)[23].

Коэффициент сжатия

Сжатие эффективно для сокращения использования ресурсов — места на носителях или каналов передачи. Однако процесс декомпрессии требует дополнительных вычислений, что создаёт компромисс между экономией объёма и затратами времени.

Размер и масса

Эти факторы критичны для мобильных систем — от смартфонов до встраиваемых устройств и космических аппаратов.

Экологическое воздействие

Воздействие вычислительной техники на окружающую среду оценивается по критериям минимизации отходов, токсичных материалов и экологического следа как при производстве, так и при утилизации и эксплуатации. В 2025—2026 годах в ЕС, США и Китае начали применяться новые регуляторные нормы, обязывающие операторов дата-центров отчитываться о выбросах парниковых газов и соблюдать жёсткие целевые показатели энергоэффективности (PUE). В Европейском союзе введена обязательная ежегодная отчётность по ESG-показателям и PUE, а отраслевые стандарты требуют от новых объектов достижения PUE не более 1,3—1,4. В США (на уровне штата Калифорния) с 2026 года стала обязательной отчётность по выбросам для крупных компаний. В Китае установлен целевой показатель PUE не более 1,5 в среднем по стране наряду с требованиями к отчётности об энергопотреблении и выбросах[24].[25][26].

Количество транзисторов

Количество транзисторов на интегральной схеме — основной показатель сложности ИС.

Бенчмарки

Из-за множества программных и аппаратных характеристик производительности для их сравнения были разработаны специальные методики тестирования — бенчмарки.

Наиболее известны — тесты SPECint и SPECfp, созданные Standard Performance Evaluation Corporation, и бенчмарк EEMBC, разработанный Embedded Microprocessor Benchmark Consortium.

Для оценки производительности облачных вычислений и рабочих станций применяются современные тесты SPEC Cloud IaaS и SPECworkstation (включающий задачи искусственного интеллекта и машинного обучения)[27]. Индустриальным стандартом для оценки производительности ИИ-ускорителей и систем машинного обучения является набор тестов MLPerf (включающий категории Inference и Training)[28][29].

Для суперкомпьютеров из рейтинга TOP500 используется тест HPL-MxP, оценивающий производительность в вычислениях со смешанной точностью, показатели которого значительно превышают результаты классического теста HPL (FP64)[30]. Среди кроссплатформенных потребительских бенчмарков для оценки ИИ-производительности с поддержкой нейронных процессоров (NPU) выделяются Geekbench AI и Novabench NPU[31][32].

Тестирование производительности программного обеспечения

Тестирование производительности программного обеспечения применяется для оценки отклика и устойчивости систем под заданной нагрузкой. Оно может также обнаруживать, измерять и подтверждать прочие характеристики — масштабируемость, надёжность, использование ресурсов.

Тестирование производительности — частный случай инженерии производительности ПО, нацеленной на реализацию производственных требований на уровне проектирования, реализации и архитектуры.

Профилирование (анализ производительности)

Профилирование — динамический анализ программ, измеряющий использование памяти, времени исполнения, частоты и длительности вызова функций и др. Наиболее часто эти данные используются для оптимизации.

Профилирование реализуется с помощью инструментов («профайлеров»), модифицирующих исходный код или бинарные файлы приложения и поддерживающих разные методы анализа: событийный, статистический, инструментированный, симуляционный.

Процессор

Центральный процессор (ЦПУ), или основной процессор — ключевой компонент компьютера, реализующий электронное исполнение инструкций компьютерной программы: арифметические, логические, управляющие и операции ввода-вывода[33].

Производительность или скорость процессора традиционно связывалась с тактовой частотой (Гц), однако реальная вычислительная мощность в большей степени зависит от архитектурных особенностей: числа инструкций за такт (IPC), объёма кэш-памяти (включая технологии вроде 3D V-Cache) и использования гетерогенных ядер[34][35]. Эти параметры совместно определяют число инструкций в секунду (IPS), которое ЦПУ способен выполнить. Многие заявляемые значения IPS отражают пиковую производительность на специфических наборах инструкций, но реальные задачи включают широкий спектр операций с разной продолжительностью. Важную роль играет и производительность подсистемы памяти, что редко учитывают при расчётах IPS. Для объективной оценки строятся стандартные тесты — бенчмарки.

Вычислительная мощность увеличивается при использовании многопроцессорных систем, в которых два и более отдельных ядра объединены на одной интегральной схеме. Теоретически двухъядерный процессор должен быть почти вдвое мощнее одноядерного, но на практике выигрыш не превышает примерно 50% из-за особенностей программных алгоритмов и реализации. Увеличение числа ядер расширяет набор параллельно обрабатываемых событий и прерываний, что при избыточной нагрузке может, наоборот, мешать работе. Ядра часто используют совместно одну и ту же задачу, например, при недостатке вычислительных ресурсов на одном ядре. Многозадачность повышается, но прирост скорости нелинейный — из-за затрат на коммуникацию между ядрами часть вычислительной мощности расходуется на координацию[36].

Существенное влияние на вычислительную мощность также оказывает переход на чиплетную архитектуру и 3D-компоновку. В отличие от традиционных монолитных кристаллов, многочиплетные системы сталкиваются с проблемой задержек межчиплетного взаимодействия, что может приводить к снижению базовой производительности. Тем не менее, применение технологий продвинутой 2.5D- и 3D-компоновки (например, сквозных кремниевых отверстий и активных интерпозеров) позволяет минимизировать эти задержки, восстанавливая общую производительность чиплетных процессоров практически до уровня монолитных аналогов[37].[38]

Из-за усложнения архитектуры, появления гетерогенных систем, одновременной многопоточности и компонентов uncore мониторинг уровня использования ресурсов стал значительно сложнее. Для отслеживания показателей используются как встроенные аппаратные средства (например, Intel Performance Counter Monitor), так и современные универсальные инструменты (например, All-SMI), предназначенные для аппаратного мониторинга ресурсов ЦПУ и ИИ-ускорителей в гетерогенных системах[39].

Суперкомпьютеры и экзафлопсные вычисления

В 2024—2026 годах экзафлопсный барьер преодолели суперкомпьютеры Aurora (США, май 2024 года, 1,012 Эфлопс), El Capitan (США, ноябрь 2024 года, 1,809 Эфлопс), JUPITER Booster (Германия, сентябрь 2025 года, 1,000 Эфлопс) и LineShine (Китай, июнь 2026 года, 2,198 Эфлопс)[40]. Лидером рейтинга TOP500 за июнь 2026 года является суперкомпьютер LineShine. Его производительность в тесте Linpack достигает 2,198 экзафлопс. Система построена на архитектуре All-CPU без использования графических ускорителей. В её основе лежат процессоры LX2 (архитектура Armv9, 304 ядра, тактовая частота 1,55 ГГц) со встроенными блоками матричного ускорения ИИ. Для связи узлов применяется высокоскоростной интерконнект LingQi. Энергоэффективность системы составляет 52,07 Гфлопс/Вт при общем энергопотреблении 42,2 МВт[41][42][43].

Альтернативные вычислительные архитектуры

Развитие неклассических вычислительных систем включает создание нейроморфных процессоров, которые активно применяются для периферийных вычислений (Edge AI), интернета вещей и робототехники, включая автономные системы и беспилотные аппараты[44]. В 2025 году компания Cortical Labs выпустила первый коммерческий биологический компьютер CL1, объединяющий кремниевое оборудование с живыми клетками человеческого мозга. Вычислительная плотность системы составляет 800 тысяч нейронов на один чип. Нейроны культивируются на массиве электродов в автономном блоке жизнеобеспечения и взаимодействуют с аппаратной частью через электрические импульсы, адаптируясь и обучаясь решению задач под управлением специализированной операционной системы biOS[45].[46] В сфере квантовых вычислений специалистами Квантум-парка МГТУ им. Н. Э. Баумана и ВНИИА им. Н. Л. Духова разработана технология производства танталовых чипов для сверхпроводниковых квантовых компьютеров[47][48]. Добротность танталовых резонаторов достигает 10 млн в однофотонном режиме[48][49]. Технология внедряется в серийное производство, первые поставки квантовых сопроцессоров на танталовой платформе запланированы на осень 2026 года[48][49].

Тонкая настройка производительности

Тонкая настройка производительности — улучшение работы системы, чаще всего компьютерного приложения, но подход применим и к другим сложным системам. Причиной служит реальная или ожидаемая проблема; большинство систем реагируют на рост нагрузки падением производительности. Возможность принимать дополнительную нагрузку связана с масштабируемостью, а её повышение и есть цель настройки.

Типовая последовательность действий такова:

  1. Оценить проблему и определить допустимые значения критериев.
  2. Измерить производительность системы до вмешательства.
  3. Найти проблемное (критическое) место — узкое место.
  4. Внести изменения в найденную часть системы.
  5. Снова измерить производительность.
  6. Если стало лучше — применять. Если хуже — вернуть всё обратно.

Воспринимаемая производительность

Воспринимаемая производительность в вычислительной технике описывает скорость, с которой определённая функция выглядит выполняемой для пользователя. Понятие важно для оценки пользовательского опыта.

Время загрузки приложения или скачивания файла фактически не сокращается, если показывать сплэш-экран или прогресс-индикатор, однако такие меры улучшают субъективную оценку: пользователь получает обратную связь о ходе выполнения задачи.

Чаще всего увеличение реальной мощности увеличивает и воспринимаемую производительность, но при физических ограничениях разработчики могут применять методы исключительно для повышения субъективной скорости.

Уравнение производительности

Время выполнения (t) для конкретной задачи (бенчмарка) определяется выражением

, иначе

где

  • — производительность как обратная величина времени выполнения;
  • — число реально исполненных инструкций (длина пути инструкций); существенно зависит от инструкций и их плотности, а также выбора компилятора и параметров оптимизации; N не определяется числом строк кода высокого уровня и не зависит от других процессов на том же процессоре; аппаратно обычно не предоставляется, точно вычисляется только симуляцией (что делается редко);
  • — тактовая частота (Гц);
  • — среднее число тактов на инструкцию (CPI) для данного задания;
  • — средний показатель инструкций на такт (IPC).

Даже на одном компьютере разные компиляторы (или одни и те же с разными опциями) могут существенно менять значения N и CPI. Сократить время исполнения можно либо сокращая N, либо уменьшая CPI, но между этими показателями часто наблюдается компромисс: например, можно использовать немного сложных медленных инструкций или множество простых быстрых — каждая стратегия по-разному влияет на общую производительность.

Иногда разработчики не могут изменить N (например, если требуется поддерживать существующий набор инструкций), тогда фокус смещается на увеличение f (глубже конвейер, быстрее кэш). Если же получается добиться снижения CPI с умеренным снижением частоты, речь идёт о так называемых «умных» (braniac) процессорах, оптимизированных за счёт параллельного исполнения, больших и эффективных кэшей, улучшенного предсказания ветвлений[50]. Оптимум для максимальной однопоточной производительности достигается балансом между этими подходами.

Влияние искусственного интеллекта на рынок вычислений

Обучение больших языковых моделей (LLM) требует значительных вычислительных мощностей, что привело к резкому росту спроса на специализированное оборудование. В 2025–2026 годах на рынке возник глобальный дефицит графических процессоров (GPU). Основными причинами нехватки стали производственные ограничения, включая полную загрузку мощностей по упаковке чипов и дефицит высокоскоростной памяти, а также массовая скупка оборудования гиперскейлерами (такими как Microsoft, Google, Meta и Amazon), зарезервировавшими мощности на годы вперёд[51][52]. На фоне рекордных инвестиций в инфраструктуру центров обработки данных активно развивается рынок аренды ИИ-инфраструктуры. Крупнейшие технологические компании и специализированные провайдеры (например, CoreWeave) предоставляют вычислительные мощности и доступ к моделям искусственного интеллекта по модели оплаты за использование или через краткосрочные контракты[53].

Примечания

  1. ↑ HBM3e vs HBM4 vs HBM4e: LLM Inference Guide. Spheron Network Blog. Дата обращения: 27 августа 2026.
  2. ↑ Computer Performance Analysis with Mathematica by Arnold O. Allen, Academic Press, 1994. $1.1 Introduction, стр. 1.
  3. ↑ Как читать характеристики серверных видеокарт: NVIDIA CUDA, Tensor Cores, TFLOPS, шина, bandwidth и т.д. ServerMall. Дата обращения: 27 августа 2026.
  4. ↑ Best AI Chips Ranked: Inference 2026. Silicon Report. Дата обращения: 27 августа 2026.
  5. ↑ “Measuring Program Similarity: Experiments with SPEC CPU Benchmark Suites”. 2005: 10—20. CiteSeerX 10.1.1.123.501.
  6. ↑ Wescott, Bob. The Every Computer Performance Book, Глава 3: Useful laws. — CreateSpace, 2013. — ISBN 978-1482657753.
  7. ↑ Как читать характеристики серверных видеокарт: CUDA, Tensor Cores, TFLOPS, шина, bandwidth и т.д. ServerMall. Дата обращения: 27 августа 2026.
  8. ↑ AI PC Buying Guide: What to Look For in 2026. Newegg Insider. Дата обращения: 27 августа 2026.
  9. ↑ Intel Confirms Microsoft Copilot Will Soon Run Locally on PCs, Next-Gen AI PCs Require 40 TOPS of NPU Performance. Tom's Hardware. Дата обращения: 27 августа 2026.
  10. ↑ Saleem Bhatti. Channel capacity. Lecture notes for M.Sc. Data Communication Networks and Distributed Systems D51 -- Basic Communications and Networks. Архивировано 21 августа 2007 года.
  11. ↑ Jim Lesurf. Signals look like noise! Information and Measurement, 2nd ed.. Дата обращения: 27 августа 2026.
  12. ↑ Thomas M. Cover, Joy A. Thomas. Elements of Information Theory. — John Wiley & Sons, New York, 2006.
  13. ↑ AI Infrastructure 2026: Unpacking Meta's $13.5 Billion NVIDIA Spectrum-X AI Networking Deal. First Pass Lab (10 марта 2026). Дата обращения: 27 августа 2026.
  14. ↑ Energy Harvesting Technologies for Wearable Devices. Springer. Дата обращения: 27 августа 2026.
  15. ↑ AI Data Center Power Requirements 2026 Guide. TechPlusTrends. Дата обращения: 27 августа 2026.
  16. ↑ Global Grid Congestion Puts 20% of Data Center Projects at Risk. Latitude Media. Дата обращения: 27 августа 2026.
  17. ↑ Server Cooling Solutions for 2026. ACDCECFAN. Дата обращения: 27 августа 2026.
  18. ↑ Liquid Cooling in Data Centers Explodes in 2026. Gottog Power. Дата обращения: 27 августа 2026.
  19. ↑ EEMBC — Embedded Microprocessor Benchmark Consortium. Дата обращения: 21 января 2009. Архивировано 27 марта 2005 года.
  20. ↑ D. J. Shirley; and M. K. McLelland. "The Next-Generation SC-7 RISC Spaceflight Computer". стр. 2.
  21. ↑ Green500 List - June 2026. TOP500. Дата обращения: 27 августа 2026.
  22. ↑ NPU vs GPU: Which is Better for AI Inference? Fluence Network Blog. Дата обращения: 27 августа 2026.
  23. ↑ Edge AI Chips: Top 10 Accelerators & Comparison. AIMultiple. Дата обращения: 27 августа 2026.
  24. ↑ EU Data Center Regulations 2026: What You Need to Know. Moduledge. Дата обращения: 27 августа 2026.
  25. ↑ Green Data Centers: Balancing Performance and Environmental Responsibility. Socomec. Дата обращения: 27 августа 2026.
  26. ↑ The Shifting Global Policy Landscape for Sustainable Data Centers. Global Electronics Council. Дата обращения: 27 августа 2026.
  27. ↑ SPEC Delivers Major SPECworkstation 4.0 Benchmark Update, Adds AI/ML Workloads. SPEC GWP. Дата обращения: 27 августа 2026.
  28. ↑ NVIDIA Blackwell Tops MLPerf Training 6.0 with Industry-Leading Scale and Performance. NVIDIA Developer Blog. Дата обращения: 27 августа 2026.
  29. ↑ AMD Delivers Breakthrough MLPerf Inference 6.0 Results. AMD Blogs. Дата обращения: 27 августа 2026.
  30. ↑ Highlights from the 67th TOP500 List. TOP500. Дата обращения: 27 августа 2026.
  31. ↑ Novabench NPU benchmark. Novabench. Дата обращения: 27 августа 2026.
  32. ↑ Новый бенчмарк Geekebench AI позволит Вам проверить производительность искусственного интеллекта на Вашем ПК. Notebookcheck. Дата обращения: 27 августа 2026.
  33. ↑ Что такое процессор (CPU)? (англ.). techtarget.com. Дата обращения: 27 августа 2026.
  34. ↑ Рейтинг лучших процессоров 2026 года: Intel и AMD. Comss.ru. Дата обращения: 27 августа 2026.
  35. ↑ Рейтинг лучших процессоров 2026 года: Intel и AMD. DTF. Дата обращения: 27 августа 2026.
  36. ↑ Факторы, влияющие на производительность многоядерных процессоров (англ.). pcsite.co.uk. Дата обращения: 27 августа 2026.
  37. ↑ Performance Analysis of Chiplet-Based Systems. Chalmers University of Technology. Дата обращения: 27 августа 2026.
  38. ↑ When does it make sense to move from monolithic ASIC to chiplet-based design? Imec. Дата обращения: 27 августа 2026.
  39. ↑ All-SMI: Unified Monitoring Tool for Heterogeneous Systems. Backend.ai. Дата обращения: 27 августа 2026.
  40. ↑ Рейтинг суперкомпьютеров мира Top500. Tadviser. Дата обращения: 27 августа 2026.
  41. ↑ June 2026. TOP500 (июнь 2026). Дата обращения: 27 августа 2026.
  42. ↑ Sun Yat-sen University Unveils LineShine Supercomputer Specs. Sun Yat-sen University. Дата обращения: 27 августа 2026.
  43. ↑ LineShine all-CPU Chinese supercomputer named world's most powerful. Data Center Dynamics. Дата обращения: 27 августа 2026.
  44. ↑ Нейроморфные процессоры. TAdviser. Дата обращения: 27 августа 2026.
  45. ↑ Biological Computer for Sale. IEEE Spectrum. Дата обращения: 27 августа 2026.
  46. ↑ Hardware, Software, Meet Wetware: A Computer With 800,000 Human Neurons. Forbes (4 июня 2025). Дата обращения: 27 августа 2026.
  47. ↑ В России будут выпускать танталовые чипы для квантовых компьютеров. Monocle. Дата обращения: 27 августа 2026.
  48. ↑ 1 2 3 В России разработали технологию производства танталовых чипов для квантовых компьютеров. 4PDA (22 августа 2026). Дата обращения: 27 августа 2026.
  49. ↑ 1 2 В России готовится к запуску производство танталовых чипов для квантовых компьютеров. CNews (20 августа 2026). Дата обращения: 27 августа 2026.
  50. ↑ "Brainiacs, Speed Demons, and Farewell" Линли Гуэннап.
  51. ↑ GPU Shortage 2026: The AI Hardware Crisis. Spheron Network. Дата обращения: 27 августа 2026.
  52. ↑ AI Training GPU Market Size & Share Analysis. Mordor Intelligence. Дата обращения: 27 августа 2026.
  53. ↑ Четвёрка американских бигтехов зальёт ИИ-деньгами дата-центры. 3DNews. Дата обращения: 27 августа 2026.

Категории