算力的价值在于其对实际业务任务的支撑能力，由于不同类型算力的技术架构、应用场景差异巨大，无法用单一指标进行简单衡量。行业已形成分层级、分场景的量化度量体系，为算力的评估、交易、调度提供标准化依据。
3.1 算力的基本度量单位
算力的度量单位与计算任务的精度、类型强相关，不同类型算力的核心度量单位存在明确区别，这也是行业对不同类型算力资源进行量化描述的基础前提。目前，行业内主流的算力核心度量单位，主要分为以下三类：
FLOPS（每秒浮点运算次数） ：这是最通用的算力衡量指标，即系统在单位时间内可以完成的浮点运算次数，通常被用于量化描述基础算力、超算算力这类以浮点运算为核心的计算资源性能。常用的量级单位包括 GFLOPS（每秒 109 次浮点运算）、TFLOPS（每秒 1012 次浮点运算）、PFLOPS（每秒 1015 次浮点运算）、EFLOPS（每秒 1018 次浮点运算）。
OPS（每秒操作次数） ：多用于量化描述智能算力的性能，即系统在单位时间内可以完成的通用操作次数，这类计算任务的精度要求相对较低。由于智能算力常用 INT8/FP16 这类低精度计算数据类型作为计算精度标准，为了区分不同精度下的算力表现，通常会在 OPS 前加入精度相关的特定前缀标识，形成完整的度量单位。其中，典型代表是 TOPS（每秒 10^12 次操作次数），这是智能算力最常用的量化指标，通常用于描述计算单元在 INT8 精度下的算力输出水平。
BOPS（每秒基本操作次数） ：这是行业内最新提出的一个标准化抽象度量单位，主要用于对不同架构、不同类型的异构算力资源进行统一量化描述。在技术逻辑上，BOPS 的核心目标是将 FLOPS、OPS 这类不同量纲的算力指标，通过行业标准的归一化计算方法，统一折算为标准化的度量单位；或者说，是在特定场景下，将不同类型算力的实际计算能力，换算为统一的标准单位，实现不同类型算力资源间的统一比较、评估与交易。
在实际场景中，为了更精准地描述算力的实际性能，行业通常会在上述核心度量单位的基础上，进一步补充指明对应的计算精度数据类型，以避免量化结果的偏差。例如，会明确标注 “FP32 TFLOPS”“BF16 TFLOPS”“INT8 TOPS” 这类完整的度量单位信息，清晰区分同一计算单元在不同计算精度下的算力性能差异，提升算力量化描述的精准性。
3.2 算力的核心度量维度
算力的实际价值释放，是由计算、网络、存储三要素协同决定的。因此，行业对算力资源的实际评估，并非只看计算单元的性能指标，而是需要从多维度进行综合衡量，形成完整的算力度量体系。根据《全国一体化算力网算力算效衡量技术要求》，算力的核心度量维度覆盖计算资源、网络资源、存储资源三个层面，三者共同决定了算力资源的实际服务能力。
3.2.1 计算资源度量
计算资源是算力资源核心价值输出的核心载体，其度量的核心目标是量化计算单元的实际数据处理能力，这也是行业衡量算力资源的核心技术维度。根据全国一体化算力网相关技术标准的规定，计算资源的度量需要分类型、分精度、分层级进行，以实现对异构算力资源的精准量化。
其中，分类型是指需要区分基础、智算、超算、量子四类算力资源，匹配其技术架构与场景化核心需求，分别采用对应的度量单位；分精度是指需要区分计算任务的精度数据类型，采用对应的单位进行量化表述；分层级则是指需要从理论峰值、实际有效、持续算力三个层级，对计算资源的性能进行完整评估。
这一多维度量逻辑的核心目标，是解决不同类型、不同架构算力资源间的量化可比问题，避免单一指标的片面性评估。计算资源的度量指标体系，具体如下：
| 算力类型 | 核心度量单位 | 常用精度标准 | 关键衡量维度 |
|---|---|---|---|
| 基础算力 | FLOPS（通常以 TFLOPS 为核心单位） | FP32 为主，部分场景采用 FP64 精度 | 理论峰值算力、有效算力、持续算力、整数运算性能 |
| 智能算力 | OPS/BOPS（通常以 TOPS 为核心单位） | FP16、BF16、INT8 为主，部分场景采用 FP32 精度 | 理论峰值算力、有效算力、持续算力、并行计算效率 |
| 超算算力 | FLOPS（通常以 PFLOPS 为核心单位） | FP64 为主，部分场景采用 FP32 精度 | 理论峰值算力、持续算力、集群并行计算效率、网络互联性能 |
| 量子算力 | 量子比特（Qubit）、量子体积 | 不适用经典精度标准 | 量子比特数量、量子体积、量子保真度、算法实际执行效率 |
需要明确的是，上表中提到的各类算力的常用精度标准，是行业内基于主流场景需求形成的通用化选择标准；在实际场景中，用户需要根据计算任务对精度的实际需求，对算力资源的实际性能进行进一步的精准评估。
3.2.2 网络资源度量
网络资源是算力系统的重要组成部分，其性能水平直接决定了计算单元与存储单元、计算单元与计算单元之间的协同数据传输效率，进而影响算力资源的实际释放效率。在部分行业场景中，网络资源的性能瓶颈，甚至会超过计算、存储资源的短板，成为影响算力实际效果的关键制约因素。
根据《全国一体化算力网算力算效衡量技术要求》的规定，网络资源的度量，需要分层次覆盖算力资源内部、算力资源之间、算力资源与用户终端之间的网络连接传输性能，从核心技术指标维度进行综合衡量。具体来看，网络资源的核心度量指标包括：
带宽：单位时间内网络链路可传输的最大数据量，是衡量网络传输能力的核心指标，通常以 Gbps 或 Mbps 为单位。
时延：数据从发送端传输到接收端的单程耗时，是衡量网络传输质量的核心指标，通常以 ms 或 μs 为单位。
抖动：数据传输时延的变化波动幅度，是衡量网络传输稳定性的核心指标，通常以 ms 或 μs 为单位。
丢包率：数据传输过程中丢失的数据包占总发送数据包的比例，是衡量网络传输可靠性的核心指标，通常以百分比为单位。
吞吐率：单位时间内网络链路内成功传输的有效数据量，是衡量网络传输实际效能的综合指标，通常以 Gbps 或 Mbps 为单位。
在实际场景中，不同类型算力资源对网络资源的优先级技术指标要求存在显著差异：例如，超算算力、智能算力量化集群场景下的大规模并行计算任务，对网络的带宽、时延、抖动、丢包率的要求极高；而基础算力资源支撑的通用业务计算任务，对网络资源的性能要求相对均衡。在评估算力资源的实际服务能力时，需要将网络资源的性能水平，与计算、存储资源的性能水平进行协同匹配，才能得出精准的综合评估结果。
3.2.3 存储资源度量
存储资源是算力系统中数据的实际载体，其性能水平直接决定了计算单元获取待处理数据、回传已处理结果数据的效率，是影响算力实际释放效率的关键支撑因素。根据《全国一体化算力网算力算效衡量技术要求》的规定，存储资源的度量，需要从容量、性能、可靠性三类技术维度进行综合衡量。具体来看，存储资源的核心度量指标包括：
容量类指标：包括存储资源的物理总容量、实际可用容量、已用容量、容量利用率等，是衡量存储资源数据承载能力的基础指标，通常以 TB 或 PB 为单位。
性能类指标：包括存储资源的每秒输入 / 输出操作数（IOPS）、数据访问时延、数据传输带宽、顺序读写速度、随机读写速度等，是衡量存储资源数据读写性能的核心指标，其中 IOPS 是衡量存储资源性能的主要量化指标。
可靠性类指标：包括存储资源的数据冗余率、数据重建时间、年故障率等，是衡量存储资源数据安全支撑能力的核心指标。
与网络资源类似，不同类型算力资源对存储资源的优先级技术指标要求存在显著差异：例如，智能算力支撑的大模型训练任务，对存储资源的带宽、IOPS、并发能力要求极高；而基础算力支撑的通用业务数据库读写任务，对存储资源的访问时延、随机读写性能要求更高。在评估算力资源的实际服务能力时，需要将存储资源的性能水平，与计算、网络资源的性能水平进行协同匹配，才能得出精准的综合评估结果。
3.3 算力的实际效能分层度量维度
在实际行业场景中，算力的度量维度并非仅停留在理论硬件规格层面，更重要的是反映真实业务场景下的实际服务能力，即算力的实际可释放效能。行业通常将算力分为三个逐层递进的层次来进行综合衡量，全面评估算力资源的实际服务能力。
3.3.1 峰值算力
峰值算力是指算力资源在理论上所能达到的最大计算性能上限，其计算逻辑通常是基于计算单元的硬件规格参数，以及对应的计算数据类型精度，通过行业标准的公式计算得出。这一指标反映的是算力资源的硬件理论性能天花板，是在 ideal 环境下得出的性能上限，并不涉及计算任务的实际运行环境和业务负载情况。在实际场景中，受限于网络、存储、算法优化程度以及任务并行度等多种因素的影响，实际能够达到的算力水平通常低于峰值算力。
3.3.2 有效算力
有效算力也被称为可用算力，是指算力资源在实际运行真实业务负载或针对性的基准测试程序时，能够稳定维持的实际计算能力输出水平。这一指标是行业用户选择算力资源时的核心参考依据，直接反映了算力资源在实际业务场景下的真实性能水平，决定了其对用户实际业务需求的支撑能力。
有效算力的实际水平，通常由峰值算力和算力利用率两个核心指标共同决定，其量化关系为 “有效算力 = 峰值算力 × 算力利用率”。其中，算力利用率是指计算单元在实际业务负载下的资源占用率，这一指标受多种因素的影响，包括计算任务的算法优化程度、计算单元与计算任务的架构适配性、存储和网络资源的实际性能水平，以及计算任务的运行时环境优化程度等。
以大模型训练场景为例，有效算力的衡量维度并非仅是计算单元的理论性能，更关键的是在模型训练过程中，计算单元实际能够达到的并行计算效率、资源稳定利用水平，以及模型训练过程中的实际数据吞吐率。这一指标直接决定了算力资源支撑业务的实际效率。
3.3.3 持续算力
持续算力是指算力资源在长时间（行业标准要求为 24 小时以上）运行真实业务负载或综合基准测试任务时，能够稳定维持的有效算力输出水平。这一指标反映了算力资源在实际业务场景下的长时间运行稳定性，是对算力资源的硬件配置、系统优化、散热设计、运维管理能力的综合量化评估。
与有效算力相比，持续算力更侧重真实场景下的长时间稳定性，而非瞬时性或短时间的性能表现。在实际场景中，受限于硬件在高负载运行下的散热效率波动、资源调度的动态变化、其他配套资源的性能衰减等多种因素的影响，持续算力的水平通常会低于有效算力的水平。
这一指标对于需要长时间高负载运行的计算场景至关重要，例如超算算力支撑的气象模拟、药物分子结构模拟，智能算力支撑的大模型训练、自动驾驶实际道路测试等任务，都需要持续算力的稳定支撑。
从行业的实际落地逻辑来看，这三个层次的算力指标相互关联、逐层递进，共同构成了完整的算力资源量化衡量框架：峰值算力是有效算力的理论基础上限，有效算力是持续算力的实际支撑基础，而持续算力是行业用户在实际业务场景中能够真正实际使用的计算能力水平。
3.4 主要场景化算力量化标准
不同行业场景对算力的需求维度差异巨大，通用度量指标无法完全适配实际需求。行业根据不同类型的应用场景，形成了针对性的重点关注指标组合，即场景化的算力量化标准，以更精准地反映算力资源对实际业务的支撑能力。
3.4.1 科学计算场景
科学计算场景是超算算力的核心支撑场景，其需求偏好的核心逻辑是最大化计算任务的精度、稳定性，而非计算资源的绝对性能释放。这类场景下的计算任务，通常需要超大规模的算力资源长时间稳定支撑，任务执行过程中对计算结果的精度和稳定性要求极高，反之对计算任务的成本、能效比的容忍度相对较高。
针对这类场景的需求偏好，行业内的主流算力量化标准，是以高精度下的实际持续算力、集群并行计算效率、网络和存储资源的性能水平为核心指标，其中最具代表性的国际行业标准测试基准是 HPL（高性能共轭梯度基准测试）。这一基准的核心逻辑，是通过运行一套标准的高密度、高并行度的科学计算类任务，量化评估超算算力资源在高精度计算场景下的实际持续性能水平，反映超算算力资源对这类科学计算任务的实际支撑能力。
3.4.2 人工智能场景
人工智能场景是智能算力的核心支撑场景，其需求偏好的核心逻辑是平衡计算任务的精度、速度和成本。这类场景下的计算任务分为训练和推理两类，不同类型任务的需求偏好存在显著差异，对应的量化标准也存在明确区别。
模型训练任务对算力的综合性能要求极高，行业内的主流量化标准，是以低精度（FP16/BF16）下的实际有效算力、计算单元的集群并行计算效率、网络和存储资源的并发性能水平为核心指标。模型推理任务对算力的实时性、稳定性要求更高，行业内的主流量化标准，是以低精度（INT8/FP16）下的实际有效算力、推理时延、并发计算的稳定性为核心指标。
针对这类场景的需求偏好，行业内形成了 MLPerf、AISBench 等多项权威的行业标准测试基准，覆盖了 AI 模型从训练到推理的全生命周期度量需求。其中，MLPerf 是国际行业公认的 AI 算力性能评估基准，由行业头部企业、科研机构联合研发发布，覆盖了图像分类、目标检测、翻译、推荐、语音识别等多种主流 AI 任务的测试需求；AISBench 是由中国电子技术标准化研究院牵头发布的国内首个国家级人工智能算力测试基准体系，对标 MLPerf、SPEC 等国际先进计算基准，重点聚焦国内计算产业发展特色和国内行业用户的实际需求，围绕 AI 加速卡、服务器、集群、智算中心等多种计算产品形态，建设涵盖评测指标、评测方法、模型负载、评测工具等多项关键要素的智能算力测试基准体系。
3.4.3 金融交易场景
金融交易场景是基础算力的核心支撑场景，其需求偏好的核心逻辑是极致低时延、高稳定性。这类场景下的计算任务，往往需要在极短的时间窗口内，完成超大规模的高并发、低延迟、高可靠的串行类计算请求，对计算任务的端到端时延、时延稳定性、数据完整性、业务可用性要求极高。
针对这类场景的需求偏好，行业内的主流算力量化标准，是以单位时间内的事务处理能力、计算任务的端到端时延、高并发请求下的时延稳定性为核心指标。其中，最具代表性的行业标准测试基准是 TPCC（事务处理性能委员会的基准测试程序），这一基准的核心逻辑，是通过模拟金融交易类场景下的海量高并发业务请求，量化评估算力资源在这类典型场景下的实际事务处理能力、稳定运行能力。
电信终端产业协会发布的团体标准 T/TAF 292—2025《面向交易场景的算力资源度量指标体系及测试方法》，针对金融交易类场景的算力需求特点，明确了该类场景下算力资源的度量指标维度、测试方法和评估流程，为行业用户在交易场景下的算力资源选择、性能评估提供了标准化的依据。
3.4.4 自动驾驶场景
自动驾驶场景是智能算力的前沿支撑场景，其需求偏好的核心逻辑是极致低时延、高可靠性。这类场景下的计算任务，往往需要在极短的时间窗口内，完成对车辆外部感知层、车辆内部定位导航装置采集的多源数据的融合处理、分析决策，最终将决策指令下发给车辆的底层执行机构，对计算任务的端到端时延、能效比、功能安全等级要求极高。
针对这类场景的需求偏好，行业内的主流算力量化标准，是以 INT8/FP16 精度下的有效算力、计算任务的端到端时延、单位功耗的算力输出水平、高负载下的计算资源稳定性为核心指标，同时需要满足车规级的功能安全等级要求。在实际行业实践中，头部自动驾驶方案厂商，通常会通过模拟车辆传感器数据的实时输入规模、数据融合的计算复杂度和并发请求量，来对算力资源进行实际场景压力测试，量化评估算力资源对自动驾驶场景的实际支撑能力。
