车端算力：L3 及以上级别自动驾驶需要处理激光雷达、摄像头、毫米波雷达等多传感器的实时数据（每秒数十 GB），单车 AI 芯片算力需求从 L2 的 10TOPS 跃升至 L4 的 1000TOPS 以上。例如，特斯拉 FSD 芯片的算力达 144TOPS，仍需通过硬件迭代满足更复杂场景的感知需求。

云端算力：自动驾驶系统的模型训练（如视觉 Transformer 模型）依赖大规模真实路况数据（单城市日均 PB 级），训练一次 L4 级模型需消耗数百万 GPU 小时算力。同时，云端需实时优化全局路径规划，应对突发交通事件，这要求云计算平台具备低延迟、高可靠性的算力支撑。

模型训练：千亿参数级大模型（如 GPT-4）的训练需上万张 GPU 集群持续数月，单次训练成本超千万美元，算力消耗相当于一座中型城市的日均用电量。谷歌 PaLM 模型训练动用了 4096 颗 TPU v4 芯片，算力规模达 540PFlops。

微调与推理：行业定制化大模型（如医疗、法律领域）需要基于特定数据集进行 Finetune 调优，每次微调需数万 GPU 小时；而推理阶段的高并发需求（如 ChatGPT 峰值日活超 1 亿），要求算力平台具备弹性伸缩能力，支持每秒千万级 token 生成。

药物发现：AI 通过预测分子结构与靶点结合能力，将传统药物筛选周期从数年缩短至数月。例如，英国 BenevolentAI 利用千万亿次算力加速新冠药物研发，候选分子筛选效率提升 100 倍。单靶点药物的 AI 模型训练需处理百万级化合物数据，消耗约 10 万 GPU 小时算力。

医疗影像诊断：AI 辅助诊断系统（如肺结节检测、眼底病变识别）需学习数百万张标注影像，模型推理需在 1 秒内完成多模态数据融合（CT、MRI、病理报告），这要求边缘端智算设备（如医疗 AI 盒子）具备 100TOPS 以上算力，同时保障数据隐私。

高频交易：量化交易算法需在微秒级内分析全球市场数据（每秒百万级订单），智能算力支撑的低延迟交易系统（如摩根大通的 AI 交易引擎）可将决策延迟压缩至 10 微秒以内，这要求算力节点与交易所物理距离控制在 10 公里内（“边缘算力部署”）。

风险控制：反欺诈模型需实时处理用户行为、交易记录等多维度数据（日均 TB 级），通过图神经网络识别欺诈团伙，模型训练需每周更新，单次训练消耗约 5000GPU 小时。

云游戏：4K/60 帧云游戏的单用户算力需求达 8TOPS，而 8K/120 帧体验需 32TOPS 以上，平台需同时支撑百万级并发用户，总算力规模超 100PFlops。微软 Xbox Cloud Gaming 动用了超 50 万个 GPU 核心，覆盖全球 28 个区域。

元宇宙社交：虚拟场景的实时渲染（如 Roblox 的 3D 互动世界）需处理海量用户行为数据，单个元宇宙平台的日均算力消耗达数万 GPU 小时。此外，数字人直播的实时动作捕捉与面部渲染，要求边缘算力节点支持亚毫秒级延迟。

科学计算：气象模拟、量子物理、天体演化等基础研究依赖大规模并行计算，中国 “神威・太湖之光” 超算为全球气候模型提供每秒 10 亿亿次算力支撑，单次模拟消耗超 100 万 CPU 小时。

智能教育：自适应学习平台通过分析学生行为数据（如答题时长、错误模式）生成个性化学习方案，全国性平台的日均数据处理量达 TB 级，需 10PFlops 级算力支撑模型推理。