服务器CPU主要玩家

第一个是我们的全球服务器CPU竟争的态势图，首当其冲映入我们的眼中就是我们的X86架构。它占据着我们制场绝对的一个主导权。无论是在终端还是高端都有相当的份额以及收入。那么其次第二梯队就是我们的蓝色巨人IBM所拥有的power架构，它在定位之初就是定位于高端市场。
第三梯队就是我们一颗追逐者的角色的ARM架构，ARM架构最初目标定位于我们的嵌入式终端以及移动端。近些年来ARM却逐渐特将自己的触手伸向了数据中心领域。
而第四梯队也就是MIPS架构。作为一个模板的RISC科指令集架构，由于定位的不清晰，现在逐斯的沦为了一些比如说门锁之类的嵌入式芯片的一个领域。目前只有我们国产龙芯公司还在坚持打造MPS架构的服务器CPU.

第二张图里，以英特尔为首的包括我们的AMD，X86架构占据了我们服务器市场99%以上的一个份额，这种份额可以说是一种垄断。

最初的时候，英特尔在市场上并没有达到这种恐怖的战略的时候，它的一个强有力的对手是我们的power，但是IBM的策略是power架构只能打包卖给我们的厂商，这时英特尔站出来表示自己永远只会做芯片，不生产服务器。厂商自然放弃了封闭式的power，逐渐转向了开放的X86.但是由于不断的投入，从我们的服务器直到我们的最上层的应用软件，导致我们现在所有的应用所有的硬件开发，第一件事情考虑的就是像X86兼容，因为X86占据着绝对的市场主动权。—众厂商看起来似乎沦为了我们X86的打工仔。

苹果总裁决定将会把MAC笔记本以及MAC台式机这种桌面领域的芯片转向ARM，也就是说自己设计我们的芯片。华为基于这样的大背景下推出了自己的芯片，也就是鲲鹏。

计算产业概述

计算是使用计算机的任何活动，它包括开发硬件和软件，并使用计算机来管理、处理和通信各种用途的信息。计算推动了这些活动的发展，但同时反过来这些活动案去推动着计算的变革。

计算产业是IT技术的基础，是每一次产业变革的驱动力，从云计算、大数据、人工智能，到区块链、边缘计算、物联网都离不开强大的计算能力的支持。

首先提出需求的我们的大数据技术，在我们的传统互联网时代，我们的数据结构相对单一，数据量相对较小。我们的大数据技术对于算力的需求是并行，也就是我如何能在同一时间多种的进行计算。
到了我们移动互联网的时代，数据量级产生了一个非常大的变化，数据结构非结构化的数据越来越多。那么这个时候我们大数据处理的核心就在于实时的以及我们快速的一个处理与计算。
那么到了我们即将到来的物联网的时代，我们的数据量即将会有一个更为夸张的爆发。对于我们大数据技术的一个挑战来说，就是在这种不同量级爆发的情况下，如何还能提供给我稳定的算力。那么这是我们大数据对于算力的一个需求一个呼唤。

那么基于我们大数据技术而产生的Al又是怎么样呢?

AI爆发的三个条件

• 算法
• 算力
• 数据

大数据会提供我们Al所需要的数据,算法有我们的算法工程师不断的去经优化这些算法.我们的核心就来到了算力.

而他所需要的算力不像是我们大数据这样所需要的一个比较我们容易理解的算力.Al需要的是针对于我们的算法进行过优化,有特殊之处的一个算力.

第三个我们的物联网时代对于算力的需求,物联网则与上面二位不同,物联网的特点在于他的终端是一个不需要怎么样强算力的一个一个盒子.例如电力的终端是我们的电表，以及各种各样的传感器。这种传感器本身就是在一种网络不稳定，算力不可靠的情况下进行运行的，也就是说他对于算力根本没有什么强的需求。它需要的是我们能够在我们的云端边端和我们的终端能够进行更好的一个协同，把我们的数据能够更好地上报到我们中心，来讲行我们的大数据的计算进行我们的AI的分析。

那么基于我们这三个时代，可以说是时代骄子的这种三个技术的需求。我们不难看出我们需要的算力绝不仅仅是单一的算力。而是我们通用计算加我们的的Al算例。
通用计算指的是在我们时代变更之下，我们逐渐由我们的传统互联网变向移动互联网的时候，我们计算的终端逐渐从我们的电脑变成了手机，它的架构从X86变成了ARM。

那么如何能在云端边端以及更多的可能中间还有更多的环节进行协同，这就是我们需要的一个点。

而第二个在我们的服务中，我们的服务器那一端，我们需要一个更大带宽，我们需要更高的并发，也就是我们需要更多的算力，更多的核心去完成我们的计算。
那么Al算力也就是针对我们的AI算法进行特殊优化过的指令集，架构，以及更高的内存和更大的带宽。对于这种时代需求华为给出了自己的答案。

在通用计算领域，华为推出了基于兼容ARM生态的鲲鹏处理器，并且本持着量产—代，研发一代，规划一带的步骤，持续的在我们的演进过程之中。当然我们ARM本身的优势不可或缺，低功耗使得我们单位面积能够有更多的核心，能够适配我们更多的场景。而对于我们的AI算力领域，华为给出了昇腾处理器的解决方案。

基于华为自研的达芬奇架构和指令集，需要特殊的基于AI进行优化过的架构和指令集，支持我们的全场景，支持我们的扩展计算，以及我们需要的更高的内存以及更大的互联带宽。

.