异构算力资源（HCCR，Heterogenous Computing Capability Resource）依据YD/T 6688-2026《算力网络 术语》的定义，是指采用不同技术实现方式提供计算能力的硬件设施。不同的技术包括但不限于不同的系统架构（例如 X86架构、ARM架构）、不同的指令集、不同的技术类型、不同的计算能力提供方式，如CPU、GPU、FPGA实现的计算芯片，专用硬件计算芯片（例如 ASIC）等。显然，异构算力资源（HCCR）应是算力资源的一类基本型式。根据YD/T 6688，算力资源（CCR， Computing Capability Resource）是指：对于具备某种通用或者专用计算能力的硬件及其虚拟化资源。
根据算力网络的算力度量与算力建模要求，计算资源建模的过程中，需要使用统一格式描述多维异构计算资源，以实现对异构资源的统一度量和建模，其中对每个资源通用信息单元设置多种属性，具体如下表0所示。异构硬件算力度量与建模主要指面对网络中分布的各种异构计算资源，有必要实现计算能力资源的统一抽象表示。
表 0：每个资源通用信息单元属性
欲详细了解算力网络的算力度量技术要求的请进入。
一、中央处理器（CPU）
1、概述
中央处理器（CPU，Central Processing Unit）主要包括两个部分，即控制器和运算器，其中还包括高速缓冲存储器及实现它们之间联系的数据、控制总线。中央处理器的功效主要为处理指令、执行操作、控制时间、处理数据。可以执行通用计算任务，指令集包含但不限于X86、ARM（Advanced Risc Machine，高级精简指令集机器）、Power系列等。
2、评价指标
CPU 度量评价指标应包括：设备静态参数指标、动态度量指标和综合性能指标三类，每类指标的具体评价参数（包括名称、含义和单位等）详见下表1-2的介绍。
表 1-2：中央处理器（CPU）度量评价指标
二、图形处理器（GPU）
1、概述
图形处理器（GPU，Graphics Processing Unit），又称显示核心、视觉处理器、显示芯片，是一种专门做图像和图形相关运算工作的微处理器，可以高效地完成图形图像处理以及大规模简单并行计算任务。
2、评价指标
GPU 度量评价指标应包括：设备静态参数指标、动态度量指标和综合性能指标三类，每类指标的具体评价参数详见下表2-2的介绍。
表 2-2：图形处理器（GPU）度量评价指标
欲更多了解英伟达（NVIDIA）GPU技术参数的请进入。
三、神经网络处理器（NPU）
1、概述
神经网络处理器（NPU，Neural network Processing Unit）适用于推理、训练，主要应用在机器视觉（如图像分类、检测）、语音识别、自然语言（如智能客服）、搜索推荐等场景。
2、评价指标
NPU 度量评价指标应包括：设备静态参数指标、动态度量指标和综合性能指标三类，每类指标的具体评价参数详见下表3-2的介绍。
表 3-2：神经网络处理器（NPU）度量评价指标
四、数据处理器（DPU）
1、概述
数据处理器（DPU，Data Processing Unit）可以将数据中心中的安全、通信、存储、虚拟化等基础架构操作由CPU卸载到了DPU上，实现了软件定义和硬件加速在安全、通信、存储和虚拟化等方面组合，将CPU的计算资源释放了出来，更好地支持应用的需求。在业界也被称为基础设施处理器（IPU，Infrastructure Processing Unit）。
2、评价指标
DPU 度量评价指标应包括：DPU计算子系统度量指标和DPU网络、存储、安全能力度量指标三类，每类指标的具体评价参数可参考下表4-2的介绍。
表 4-2：数据处理器（DPU）度量评价指标
五、现场可编程逻辑门阵列（FPGA）
1、概述
现场可编程逻辑阵列（FPGA，Field Programmable Gate Arrays）是可以重复地编程、擦除、使用以及在外围电路不动的情况下用不同软件就可实现不同功能的一种门阵列芯片，可以在一定程度上灵活地扩展业务处理类型。在算力网络场景下，根据所支撑业务类型的不同，FPGA比较典型的器件可以分为智能卡和压缩/解压卡两类，具体详见下表5-1所述。
表 5-1：FPGA典型的器件：智能卡和压缩/解压卡
2、评价指标
由于FPGA针对不同业务具有不同的架构设计，因此，这里给出了其静态参数度量评价指标和对于支撑的业务能力的综合性能度量评价指标，具体的评价参数可参考下表5-2的介绍。
表 5-2：现场可编程逻辑阵列（FPGA）度量评价指标
六、应用型专用集成电路（ASIC）
1、概述
应用型专用集成电路（ASIC，Application Specific Integrated Circuit）是用于供专门应用的集成电路芯片技术，在集成电路界被认为是一种为专门目的而设计的集成电路。算力网络场景下，ASIC主要用于人工智能类业务加速，因此，在算力网络中的ASIC主要为人工智能类专用硬件加速芯片（AI加速芯片）。AI加速芯片按运营场景可划分为云端（服务器）、边缘端和终端三类，不同应用场景对AI芯片的需求不同。具体详见下外表6-1的简介。
表 6-1：AI加速芯片的分类
2、评价指标
在现有算力网络场景下，ASIC主要用于人工智能类业务加速，因此，这里仅体现人工智能类专用硬件加速芯片（AI加速芯片）综合性能指标， 请参考下表6-2的介绍。
表 6-2：AI加速芯片度量评价指标
注意，异构算力资源的算力度量指标可以通过不同的评估方法计算获得，如基准测试程序测试、直接从厂商获取或公式计算方式获得。
另外，就算力网络中计算能力而言，异构算力资源能力是支撑算力节点能力的基础。因为算力节点通常是指服务器或数据中心，服务器或数据中心与异构算力资源的配置相关。因此，它们的度量评价指标（参数）是不相同的。
欲进一步了解算力网络算力节点能力度量评价指标的请进入。
