英伟达刚刚公布了采用 Ampere 架构的 A100 GPU 的首份实际性能数据：可知其在特定的 AI 基准测试项目中一共打破了 16 项性能纪录，速度是 Volta V100 的 4.2 倍，较主要竞争对手取得了巨大的领先优势。首先，2018 年面世的 MLPerf 主要侧重于机器学习性能。该基准测试套件总共包括了八项测试，但英伟达 Ampere A100 GPU 的训练速度已经全面实现了超越。
(来自：Nvidia)
其次，英伟达分享了 DGX SuperPOD 系统取得的八项新纪录。该系统通过 HDR InfiniBand 连接到一起，构成了一个庞大的 DGX A100 高性能计算系统集群。
DGX SuperPod 由 140 个 DGX A100 系统组成，共计拥有 1120 个 NVIDIA Ampere A100 GPU、170 个 Mellanox Quantum 200G Infiniband 交换机、4 PB 存储空间、以及 15 公里的光缆。
令人赞叹的 DGX SuperPod 系统中包括大约 770 万个 Ampere CUDA 核心，作为 DGX V 扩展计划的一部分，其为该系统增加了近乎 700 Petaflops 的算力，目前已部署在加州圣克拉拉市的英伟达公司总部。
通过与上一代 Volta V100(以及谷歌第三代 TPU 和华为 Ascend HPC 等新品)进行比较，可知 Ampere A100 Tensor Core GPU 加速卡的性能增长也是相当惊人。
此外在 MLPerf 基准测试套件的详细结果中，还对即将推出的 AI 加速方案进行了预览，比如英特尔的 Cooper Lake-SP 至强处理器、以及谷歌的第四代 TPU 。
MLPerf 表示，其基准测试套件可对机器学习(ML)和人工智能(AI)工作负载进行评估，结果发现 Ampere A100 性能是 Volta V100 的 2.5 倍。即便是提升最小的项目，其领先幅度也有近 50% 。
相比之下，华为 Ascend 芯片只能及时完成一项测试、且性能远不及 Volta V100 。谷歌第三代 TPU 也只能及时完成两项测试，第一项较 Volta V100 领先 20%，第二项却又落后 10% 。
至于八槽的 Cooper Lake-SP 平台，其能够在 1104.53 分钟内完成图像分类测试项目，但是英伟达的双 Ampere A100 系统只需 33.37 分钟。至于明年的谷歌第四代 TPU，目前尚不知晓其具有多大的优势。
最后，英伟达展示了其 GPU 加速卡在 AI Full-Stack Innovations 项目中的表现。上一代 Volta V100 平台的 MLPerf 0.5 基准测试项目对比，Ampere A100 平台上的的 MLPerf 0.7 基准测试有 4.2 倍的性能提升。
