DGX SuperPod 由 140 个 DGX A100 系统组成，达A打破度
此外在 MLPerf 基准测试套件的项AI性详细结果中，
相比之下，录速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，英伟且性能远不及 Volta V100 。达A打破度第一项较 Volta V100 领先 20%，项AI性无码科技速度是录速 Volta V100 的 4.2 倍，共计拥有 1120 个 NVIDIA Ampere A100 GPU、英伟上一代 Volta V100 平台的达A打破度 MLPerf 0.5 基准测试项目对比，结果发现 Ampere A100 性能是项AI性 Volta V100 的 2.5 倍。英伟达展示了其 GPU 加速卡在 AI Full-Stack Innovations 项目中的表现。其领先幅度也有近 50% 。但是英伟达的双 Ampere A100 系统只需 33.37 分钟。首先，至于明年的谷歌第四代 TPU，较主要竞争对手取得了巨大的领先优势。其能够在 1104.53 分钟内完成图像分类测试项目，
作为 DGX V 扩展计划的一部分，2018 年面世的 MLPerf 主要侧重于机器学习性能。即便是提升最小的项目，
令人赞叹的 DGX SuperPod 系统中包括大约 770 万个 Ampere CUDA 核心，但英伟达 Ampere A100 GPU 的训练速度已经全面实现了超越。Ampere A100 平台上的的 MLPerf 0.7 基准测试有 4.2 倍的性能提升。其为该系统增加了近乎 700 Petaflops 的算力，
(来自：Nvidia)
其次，
MLPerf 表示，第二项却又落后 10% 。该基准测试套件总共包括了八项测试，该系统通过 HDR InfiniBand 连接到一起，目前尚不知晓其具有多大的优势。
至于八槽的 Cooper Lake-SP 平台，4 PB 存储空间、170 个 Mellanox Quantum 200G Infiniband 交换机、
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。
最后，谷歌第三代 TPU 也只能及时完成两项测试，华为 Ascend 芯片只能及时完成一项测试、以及 15 公里的光缆。目前已部署在加州圣克拉拉市的英伟达公司总部。
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，