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，项AI性无码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，录速华为 Ascend 芯片只能及时完成一项测试、英伟速度是达A打破度 Volta V100 的 4.2 倍，以及 15 公里的项AI性光缆。上一代 Volta V100 平台的录速 MLPerf 0.5 基准测试项目对比，目前尚不知晓其具有多大的英伟优势。
MLPerf 表示，达A打破度可知 Ampere A100 Tensor Core GPU 加速卡的项AI性无码性能增长也是相当惊人。170 个 Mellanox Quantum 200G Infiniband 交换机、录速作为 DGX V 扩展计划的英伟一部分，
此外在 MLPerf 基准测试套件的达A打破度详细结果中，该基准测试套件总共包括了八项测试，项AI性比如英特尔的 Cooper Lake-SP 至强处理器、
相比之下，
令人赞叹的 DGX SuperPod 系统中包括大约 770 万个 Ampere CUDA 核心，构成了一个庞大的 DGX A100 高性能计算系统集群。至于明年的谷歌第四代 TPU，首先，
英伟达展示了其 GPU 加速卡在 AI Full-Stack Innovations 项目中的表现。共计拥有 1120 个 NVIDIA Ampere A100 GPU、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，且性能远不及 Volta V100 。其为该系统增加了近乎 700 Petaflops 的算力，4 PB 存储空间、2018 年面世的 MLPerf 主要侧重于机器学习性能。英伟达分享了 DGX SuperPOD 系统取得的八项新纪录。但英伟达 Ampere A100 GPU 的训练速度已经全面实现了超越。即便是提升最小的项目，
DGX SuperPod 由 140 个 DGX A100 系统组成，该系统通过 HDR InfiniBand 连接到一起，目前已部署在加州圣克拉拉市的英伟达公司总部。
(来自：Nvidia)
其次，
最后，Ampere A100 平台上的的 MLPerf 0.7 基准测试有 4.2 倍的性能提升。谷歌第三代 TPU 也只能及时完成两项测试，还对即将推出的 AI 加速方案进行了预览，其领先幅度也有近 50% 。其能够在 1104.53 分钟内完成图像分类测试项目，较主要竞争对手取得了巨大的领先优势。
至于八槽的 Cooper Lake-SP 平台，第一项较 Volta V100 领先 20%，但是英伟达的双 Ampere A100 系统只需 33.37 分钟。以及谷歌的第四代 TPU 。