- 综合排序
- 最热优先
- 最新优先
端脑分布式算力平台：基于腾讯云GAAP的AIGC算力降本增效方案
构建端脑分布式算力网络与GAAP加速方案 由脑花科技【无锡】有限公司联合腾讯云推出端脑分布式算力平台，包含三大核心模块： 端脑分布式算力网络：创新分布式人工智能算力供应技术，整合10000+ GPU 芯片规模（数据来源：端脑分布式算力网络），提供澎湃算力支持；配套Cephalon Node 端脑节点，含五卡主机C1009（售价2万元以内，全网最高性价比）、全液冷AIPC（支持CPU/GPU液冷及工作站模式 验证量化降本增效与全球服务能力 平台应用效果经实测验证，核心指标如下（数据来源：端脑分布式算力网络、Cephalon Node说明）： 效率提升：相对Kubernetes + Ray架构，算力调度速度提升 阐释腾讯云GAAP的赋能价值 选择腾讯的核心在于腾讯云GAAP的强力加持（数据来源：端脑分布式算力网络标注）。 GAAP通过以下能力支撑端脑平台落地： 全球加速：覆盖50+节点的金牌链路网络，解决网络抖动、高时延问题； 稳定可靠：单通道10G带宽/100万并发能力，全链路健康检查与容灾； 安全易用：支持
14310编辑于 2026-04-13端脑分布式算力平台实现AIGC应用成本减半与性能倍增
提供高性价比分布式算力及全球加速服务 端脑分布式算力网络通过整合全球分散的GPU资源，构建了覆盖50+国家地区的分布式算力池，并依托腾讯云全球应用加速平台（GAAP）实现高速、稳定、安全的低延迟访问。 实现显著成本节约与性能提升 算力成本降低50%+：通过共享算力模式和资源优化，为用户大幅节约算力支出。 分布式计算效率提升90%+：较传统Kubernetes结合Ray的方案，任务处理速度显著提升。 规模与覆盖：平台已接入超10000个GPU芯片，具备全球50+地区的算力服务能力。 “端脑平台让ComfyUI的分布式部署变得简单高效，极大降低了我们的开发运维门槛。” —— 吴杨峰，ComfyUI科学家 依托腾讯云成熟基础设施与生态赋能 腾讯云GAAP为端脑网络提供了全链路加密、智能路由、DDoS防护等高可靠网络加速能力，确保了算力服务的稳定性与安全性。 同时，平台通过共享算力投资模式（节点最快2年回本）推动分布式物理基础设施（DePIN）发展，助力人工智能产业生态降本增效。
18010编辑于 2026-04-13脑花科技端脑平台：基于DePIN架构实现算力成本减半与智能体高效部署
构建DePIN分布式基础设施网络 为解决算力获取瓶颈，脑花科技（无锡）有限公司推出“端脑分布式算力平台”，通过构建 DePIN（Decentralized Physical Infrastructure 平台与应用层： 提供端脑云（cephalon.ai / cephalon.cloud），涵盖AIGC应用、MaaS模型服务及Agent智能体。 驱动智能体降本增效与量化回报 通过分布式架构与端脑节点的软硬协同，平台在算力成本、运行效率及硬件投资回报上实现了量化突破： 算力规模与成本： 平台已汇聚 10000+ GPU芯片规模。 资产运维回报： 在共享算力投资模式下，端脑网络支持设备高价回收，最快可实现 2年回本。 依托全球应用加速保障网络稳定性 为解决分布式网络节点分散带来的跨地域传输延迟问题，端脑分布式网络深度接入 腾讯云全球应用加速（GAAP） 平台，为分布式算力提供底层网络运维保障： 全球化调度： 覆盖全球
11910编辑于 2026-04-13- 来自专栏AI科技大本营的专栏
从最强AI算力到“元脑”2.0，智算加速产业变革
据浪潮估计，2020年，以GPU为代表的AI加速芯片所交付的算力已经超过同类CPU，预计到2025年，AI加速芯片所提供的算力可能在超过80%。 总之，向着高算力、高可扩展性、高性价比的目标，浪潮已推出的AI计算产品阵列可以全方位地满足不同训练和推理场景的算力需求。 值得一提的是，为了应对愈加复杂的应用场景和异构产品组合，浪潮还发布了业界首款智算操作系统元脑OS，方便统一管理和调度资源管控中心平台和智算中心。 通过元脑产品体系，浪潮进一步加速落地智算中心，以智算能力驱动应用创新和产业升级。 通过元脑生态，他们希望建立强有力的生态合作伙伴体系，以此来满足产业的智慧化转型服务需求。 浪潮认为，计算正在向智算转型，多元算力融合成为关键，智算中心基建化是未来计算产业的新格局。
58520编辑于 2023-05-08 - 来自专栏Tencent Serverless 官方专栏
加速布局元宇宙，解放本地算力！Unity正式发布「Unity云端分布式算力方案」
在这个赛道上，Unity 最新推出了「Unity 云端分布式算力方案」，成为赋能未来元宇宙创作者的一大利器。 元宇宙绝非简单的游戏，但游戏却是最早具备元宇宙特征的产品。 Unity 此次推出的「Unity 云端分布式算力方案」，共包含三个方面：云烘焙 (Cloud Bake)、Unity 云端分布式资源导入与打包、大模型数据云端轻量化。 除了「Unity 云端分布式算力方案」，Unity 性能优化解决方案 UPR 也使用了云服务，进一步释放本地计算资源。相信未来会有更多产品逐步被部署到云端，加速创作者们的创作之路。 云函数 & Unity - 云端分布式算力方案 公测申请 加速创作者们的创作之路，Serverless Cloud Function「云端分布式算力方案」正式开放免费公测，希望您能抽出几分钟时间，填写以下信息 github.com/serverless 官网: cloud.tencent.com/product/serverless-catalog 点击「阅读原文」，立即申请使用 云函数 & Unity「云端分布式算力方案
1.7K20发布于 2021-09-15 - 来自专栏精益码农
云原生AI算力平台 阶段性解读
给近半年做的云原生AI算力平台做一个回顾， 思考和实践参考了云溪大会上的分享：为大模型工程提效，基于阿里云 ACK 的云原生 AI 工程化实践[1]，全文很长，我这边做一个牵引和解读。 1. 面对LLM和GAI这类对算力和数据都有极高需求的新负载，云计算也迎来了“智算”时代， 一方面以服务化资源池的概念提供万卡算力、PB级存储、和单机TB级高速网络互联，另一方面以云原生标准化交付算力给大模型的生产者和使用者 云原生AI的能力 最近在做的“AI大模型基础设施”， 宏观目标也是帮助AI工程从小作坊向端到端云原生解决方案演进。 AI/大数据等复杂任务的高效管理 从异构资源管理的角度，可一键部署、操作各种异构资源，在运维过程中，需要多维度的异构资源可观测性： 监控、健康检查、告警、自愈等自动化运维能力 对于宝贵的GPU/NPU算力资源 云原生AI的架构实践 我们的云原生AI算力平台， 有参考上面的实践，针对企业业务的现状和侧重， 技术调研上做了调整和裁剪。
19710编辑于 2026-01-16 - 来自专栏踩坑之旅
算力租赁平台的可能套路
转载请注明出处：小锋学长生活大爆炸[xfxuezhang.blog.csdn.net] 背景说明 由于博主需要训练模型，因此找了一些算力租赁平台，很多平台的单卡资源都没有了，但发现“ 大家在租赁算力时候，建议先只买一两个小时试试看卡的性能达不达标。 具体分析 从选购页面上完全看不出问题，都是正常的选参数，也没说是共享。 utilization.gpu [%] 40.28 W, 420 MHz, 405 MHz, P8, 99 % 分析： P8：是 最低功耗 的性能状态（空闲/省电挡）核心频率 420 MHz：正常 3090 算力全开时应该在 所以猜测，这种算力租赁平台，可能会通过限制性能来迫使让你使用更久，从而去买更多的时间。也可能实际上共享了GPU，但是按照独占来卖给你。 我的建议是，还是得认准知名的大平台。 搞笑的是，我自己的3060都比平台上的3090快好几倍。甚至，GPU利用率都没到50%。所以，3090会比3060弱吗？
33800编辑于 2026-01-04 - 来自专栏实时云渲染
如何使用UE Cesium插件实现网页端无算力负担访问？
UE引擎本身有自带的像素流送 插件，基于云端渲染架构，将应用程序的客户端渲染进程迁移至服务器执行，通过网络将渲染后的像素流实时传输至客户端。 客户端设备只需具备基本的网络接收和显示能力，便能实现应用程序的流畅运行。 它通过与一系列在线地图服务平台建立高效的数据交互接口，能够实时从云端获取高分辨率的地图数据，包括地形地貌、卫星影像、矢量地图等多类型地理信息数据。 若缺少有效的证书，插件将无法与地图服务平台建立安全连接，进而导致地图资源无法成功加载。 公有云实现方案具体的操作流程是这样的：用户在平行云托管平台上传应用程序，通过平台的处理，将应用转变为 BS（浏览器 / 服务器）访问模式。
55410编辑于 2025-06-04 - 来自专栏GiantPandaCV
工程部署（三）: 低算力平台模型性能的优化
改想法来源于某天无意参与的一次讨论: 大佬的想法认为fuse是可以做的，但没那么必要，fuse(conv+bn)＝CB的作用在于其他，而对于提速的作用微乎及微，不过本人更加坚持自己的观点，因为yolov5的对比是基于高算力显卡 特别对于复用太多group conv或depthwise conv的模型，举个例子，shufflenetv2被当成是高效的移动端网络而被常常使用于端侧的backbone，我们看到单个shuffle block (stride＝2)的组件就使用了两个深度可分离卷积: 光是一整套网络就用了25组depthwise conv(原因在于shufflenet系列为低算力cpu设备设计，无可避免复用大量深度分离卷积） 若是对于arm端cpu，效果会更加明显。
1.3K30编辑于 2022-02-11 - 来自专栏存储公众号：王知鱼
NeoCloud四巨头：AI算力工厂的资本、技术与平台
全文概览 面对AI大模型训练对算力近乎无限的需求，传统超大规模云（Hyperscalers）的通用架构已显疲态。 更重要的是，当原始算力（IaaS）逐渐商品化，真正的技术护城河是否正向价值链上游的PaaS/FaaS平台转移？ 本文将深入解构这四家NeoCloud巨头的核心战略，揭示AI算力工厂的未来走向，为您的AI解决方案选型提供深度洞察。 洞察AI算力竞争的核心战场已从硬件转向软件平台（如MLOps、Serverless推理），指导技术团队构建长期护城河。 该公司与微软签订了一份价值高达174亿美元的长期协议，为其提供GPU算力 5。
1.3K10编辑于 2025-11-20 MXNet 分布式训练：解码 2025 年深度学习的算力革命
MXNet 的分布式架构在此时展现出战略价值：通过参数服务器（Parameter Server）模式，将百度 ERNIE-3.0 的训练时间从 41 天压缩至 67 小时，证明分布式训练已成为突破算力天花板的核心路径 在腾讯的 AIGC 训练中，通过通信调度器（Communication Scheduler）将 AllReduce 操作与卷积计算重叠执行，端到端训练速度提升 38%。2. 异构资源统一编排（HOR）面对 CPU-GPU-TPU-MLU 的混合算力集群，MXNet 开发出资源感知调度器（Resource-Aware Scheduler）。 基于强化学习的调度策略（PPO 算法），动态分配模型层到最优算力单元：Transformer 的 FFN 层部署 TPU（吞吐量提升 2.3 倍），Embedding 层部署 GPU（显存利用率提升 60% 在这个算力定义未来的时代，掌握分布式训练的核心技术，就是掌握开启 AI 创新的万能钥匙。
52910编辑于 2025-03-19- 来自专栏大侠之运维
腾讯云算力HAI平台+满血deepseek-R1
今天提供一个更加便捷的新选择，腾讯云HAI及TI平台目前已经支持deepseek的R1及V3模型，并且支持从1.5B到70B的参数选项。 这篇文章就将介绍下如何快速在HAI平台快速部署deepseek模型deepseek模型快速部署指南HAI访问地址如下，目前支持免费部署体验：网址：cloud.tencent.com/product/hai 开始使用你可以选择通过web端使用，可以通过jupytertab提供的terminal来访问，因为提供了公网ip及端口，也可以配置到一些开源的webui平台来使用。 具体如下：web端访问可以通过chatbotUI来访问，在「HAI」控制台选择「算力连接」->「ChatbotUI」，在新窗口中可根据页面指引操作；试用：终端访问方式如下：在HAI控制台选择算力连接-> 这种情况下，如果自行去购买算力卡、配置网络、下载模型等费时费力可以选择HAI平台来快速体验及提供线上服务。
2.4K20编辑于 2025-02-03 - 来自专栏HyperAI超神经
全球分布式算力共享的鼻祖 SETI@home，今日正式休眠
关键词：SETI@home 分布式计算 外星人 前阵子，英伟达号召全球游戏玩家，通过贡献和共享算力，支持医学研究机构计算病毒结构，参与到对抗疫情的战斗中来。 ? 点击图片跳转阅读 《英伟达号召全球游戏玩家：贡献你的电脑，加入算力抗疫》 其实，英伟达提及的分布式算力共享项目并不是第一个，说到最早也最成功的一个项目，还要追溯到探寻外星人的项目 SETI@home。 但是面临项目所需的庞大算力时，他们设想出一个方案：如果把世界上无数的计算机连接到一起，就可以组成巨大的算力网络，来处理这些观测数据。 ? SETI@home 运行的屏保十分炫酷 这也是最早期分布式计算的具体实践。每人贡献自己的闲置算力，超过一定数量，即可达到甚至当时顶尖超越超级计算机的性能。 而 BONIC 原本为 SETI@home 专门设计，后来陆续涵盖了数学、医学、气象学的项目，是当前最主流最大的分布式计算平台。
3.4K10发布于 2020-04-08 - 来自专栏新智元
这款AI大模型种草神器，竟让银行秒省数百万？0门槛开发/4小时训练/5分钟部署，推出即爆火
如果说，小红书是C端的种草内容生态，AIStore平台可以理解成是B端应用的线上社区化商城。 其实早在2019年，浪潮信息便提出了智算时代之下的生态新范式——元脑生态。 元脑AIStore正是元脑生态的内容承载平台，不仅如此，AIStore还是合作伙伴的营销平台。 只有底层算力系统，足够强大才能满足这一极高的要求。 然而，当硬件性能已经到顶，就需要用软件平台对算力实现更精细调度。通过优化底层资源调度，实现算力最大化利用。 就在6月25日，AIStation凭借着专业的AI开发与部署能力支撑，有效降低大模型时代的大规模分布式AI算力平台的配置与维护门槛，荣获了2023全球人工智能产品应用博览会「产品金奖」。 作为多元化的算力平台，浪潮信息信息提供的是更开放、更多元的平台。 既能支持目前国际领先的GPU，也能率先支持数十种国产算力。
40230编辑于 2023-08-07 - 来自专栏TSINGSEE青犀视频
AI算力调度EasyCVR视频融合平台如何修改默认用户名？
EasyCVR视频融合云平台基于云边端一体化架构，兼容性高、拓展性强，可支持多类型设备、多协议方式接入，包括国标GB/T28181、RTMP、RTSP/Onvif协议，以及厂家的私有协议，如：海康Ehome 感兴趣的用户可以前往演示平台进行体验或部署测试。
81520编辑于 2022-11-04 - 来自专栏人工智能
🌍 算力即权力？解析AI竞赛背后的基础设施战争
：阿里云“无影架构”实现GPU资源池化，利用率提升40%趋势：分布式训练框架（如Megatron-LM）打破单卡算力限制2️⃣ 量子计算：下一代算力核弹？ 边缘计算的革命性突破特斯拉Dojo超算：车端FSD芯片+云端训练联动，延迟降至3ms工业物联网场景：腾讯云边缘智能盒子实现产线AI质检算力下沉* * * Part 8：算力狂飙下的“冷思考”1. 脑机接口的算力需求Neuralink每秒处理20GB神经信号数据，延迟要求<5ms腾讯AI Lab开发轻量化脑电解码模型，算力需求降低90%2. 自动驾驶算力迷宫突围挑战：某车企3000路摄像头数据实时处理延迟超标方案：边缘节点FPGA硬件编码+中心云弹性推理集群成果：端到端延迟从800ms降至120ms，成本下降45%2️⃣ 基因组学计算的“ 算力-应用协同进化（2028-2029）医疗革命：基因计算云平台使全基因组分析成本降至$100工业智能：每个工厂部署边缘算力节点，质检效率提升300%科学计算：量子-经典混合云平台破解蛋白质折叠难题阶段
84310编辑于 2025-03-20 - 来自专栏TSINGSEE青犀视频
浅析基于云-边-端协同AI智能分析网关的算力资源智能调度能力
2、云-边-端协同在智能分析网关平台，能提供基于全局数据的云服务，通过汇集、融合所有的数据，并提供相关的计算、网络、存储、安全资源等，实现对全业务链的智能调度、资源整合与运维、AI算力分发、辅助决策等能力 与此同时，云端平台通过后端的计算、大数据处理分析等能力，优化输出的业务场景规则或模型，将指令下发到边缘端，让边缘端快速执行。 基于云端的计算能力，智能分析网关平台可以实现海量资源的接入、汇聚、计算、存储、处理等，解决视频监控场景中海量设备接入、边端资源异构、网络通信不稳定、统一运维管理复杂等难题。 3、AI算力资源精细化调度智能分析网关可支持数据按需汇聚，以及AI算力资源的灵活与精细化调度能力。 通过建立AI算法模型规范，将多种AI算法在算法仓中进行管理调度，同时还能管理、调度域内计算存储资源池、数据资源池和AI算法仓库的资源，改善AI计算的资源使用效率，实现算法的灵活接入、AI算力资源的统一调度分配
1.3K60编辑于 2023-01-06 - 来自专栏RTMP推送
“人工智能+”时代的端侧AI：算力下沉与实时视频的新基座
一、端侧AI的价值与挑战1. 极致低延时与高可靠性端侧AI的最大优势之一，就是在本地完成推理与计算，从根本上避免了云端算力拥堵与网络传输的不确定性。 二、端侧AI芯片与视频SDK的协同端侧AI真正的落地，既需要芯片的算力支撑，也离不开视频链路的高效承载。芯片提供了计算基础，但只有与稳定的视频SDK结合，才能把算力转化为可感知的智能体验。 只有两者紧密结合，才能构建起真正闭环的端侧AI系统，让算力与感知不再停留在硬件层，而是延展到行业应用的每一个实时场景。 二、端侧AI芯片与视频SDK的协同端侧AI真正的落地，既需要芯片的算力支撑，也离不开视频链路的高效承载。芯片提供了计算基础，但只有与稳定的视频SDK结合，才能把算力转化为可感知的智能体验。 由此可见，芯片厂商提供算力底座，大牛直播SDK 则让算力与视频数据高效融合，最终沉淀为行业应用的实际价值。这种生态协同，正在成为端侧AI规模化落地的关键动力。
52320编辑于 2025-09-09 - 来自专栏大规模集群
大规模异构集群，混合并行分布式系统，解释算力不均衡问题HETHUB
2） 算力不均衡的分布式训练挑战。为异构集群中的大规模模型设计和实现最优的分布式训练策略非常困难。 三、算力不均衡非均匀拆分策略针对异构算力，不均衡算力，模型拆分的基本思路3.1 基于流水线并行的非均匀拆分策略在大语言模型的训练中，采用基于流水线并行的异构训练方案，通过非均匀拆分transformer 层，可有效应对算力不均衡的难题。 可以根据各芯片的实际算力，让算力较高的芯片处理更多的层，算力较低的芯片处理更少的层，从模型结构角度，每层的计算量是一致的，所以按算力比作为层拆分比例可以达到最好的效果。 4.2 搜索分布式训练策略。为了充分利用异构GPU加速器资源，我们给出了两条以负载平衡和最小端到端训练时间为目标的规则，以指导在构建的搜索树中进行分布式并行策略搜索。1） 负载平衡。
69610编辑于 2024-09-30 - 来自专栏光芯前沿
日本光电领域项目介绍：基于异质集成技术的高性能分布式算力网络
日本光电子技术研究联盟(PETRA)在2021-2026年开展名为“基于异质集成技术的高效率、高速率分布式全力网络”的研究项目，项目负责人是东京工业大学的西山伸彦教授。 ◆项目背景及目标 PETRA认为当前分布式算力网络存在以下几个痛点: ①100km DCI的通信速率和时延需要提升 ②服务器间的性能差异造成整体网络的低效率传输 ③存储带宽10Tbps和数据传输带宽 图8 传统光电架构 图9 低功耗光电架构 为了实现低功耗的目标，提出来发端采用光DAC、收端采用光学模拟输出(去TIA)的方案，预期能够实现60％的功耗降幅。 图13 800Gb/s超信道传输实验 ◆研究点3: 多维弹性光网络架构 ①研究内容： 1.分布式计算网络的资源分配优化 2. 传输质量的估计和管理，实现动态光路径控制 3. 演示集成资源分配、传输质量（QoT）和控制、管理机制的系统级解决方案 图14 多维弹性算力网络
36010编辑于 2025-04-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号