定義

FLOPS = Floating-Point Operations Per Second (每秒浮點運算次數)。是衡量計算機浮點數學運算性能的核心指標，廣泛用於科學計算、工程仿真、AI訓練/推理、圖形渲染、金融建模、氣象預測等浮點密集型領域。

常見量級前綴

前綴	符號	倍數	典型設備/系統 (峰值理論值)
Kilo	KFLOPS	10³	早期微控制器、8087協處理器
Mega	MFLOPS	10⁶	486/Pentium早期、嵌入式DSP
Giga	GFLOPS	10⁹	Pentium III/4、早期GPU (GeForce 256 ~10 GFLOPS)
Tera	TFLOPS	10¹²	現代CPU (Core i9 ~1-2 TFLOPS)、中端GPU (RTX 4070 ~29 TFLOPS FP32)、邊緣AI盒子
Peta	PFLOPS	10¹⁵	超算 (前沿 Frontier ~1.2 EFLOPS = 1200 PFLOPS)、高端GPU集群、雲端AI訓練集群
Exa	EFLOPS	10¹⁸	百億億級超算 (Frontier 1.2 EFLOPS, Aurora 2 EFLOPS 目標)
Zetta	ZFLOPS	10²¹	未來規劃目標
Yotta	YFLOPS	10²⁴	理論極限探討

精度區分：FP64 / FP32 / FP16 / BF16 / INT8 / INT4

同一硬件不同精度下 FLOPS 差異巨大：

• FP64 (Double Precision)：科學計算精度基準，CPU/專業GPU (H100 67 TFLOPS FP64) 強項。
• FP32 (Single Precision)：通用圖形/計算標準，GPU峰值常報此數值 (RTX 4090 ~83 TFLOPS FP32)。
• FP16 (Half Precision)：深度學習訓練/推理主流，Tensor Core專用單元加速 (H100 1979 TFLOPS FP16 Tensor)。
• BF16 (Bfloat16)：Google TPU/Intel Xeon/AMD CDNA/NVIDIA Hopper/Ada 支持，動態範圍同FP32、精度較低，訓練穩定性更好。
• INT8 / INT4：量化推理專用，TOPS (Tera Operations Per Second) 常用於邊緣NPU/手機SoC/推理加速卡營銷指標。

對比時必須註明精度：如「100 TFLOPS FP16 Tensor」≠「100 TFLOPS FP32」≠「100 TFLOPS FP64」。

理論峰值 vs 實際持續性能

• 理論峰值 (Peak FLOPS)：核心數 × 每核心每周期浮點運算數 (FMA算2次) × 最大加速頻率。紙面數據，不可持續。
• 實際持續性能 (Sustained FLOPS / LINPACK Rmax)：運行實際負載 (HPL基準測試、真實應用) 達到的穩定浮點吞吐，通常僅達峰值 50-80% (受內存帶寬、緩存命中、功耗牆、通信開銷、負載不平衡限制)。
• 能效比 (FLOPS/Watt)：綠色計算核心指標，移動/邊緣/數據中心同樣關注。

相關指標辨析

指標	全稱	測量對象	典型用途
MIPS	Million Instructions Per Second	整數/邏輯指令吞吐	嵌入式CPU、早期RISC架構對比
GIPS	Giga Instructions Per Second	同上，現代CPU常用	CPU整數性能粗略對比
TOPS	Tera Operations Per Second	整數/定點運算 (常指INT8/INT4)	AI推理加速器 (NPU/TPU/邊緣SoC) 營銷指標
SPEC CPU	Standard Performance Evaluation Corporation CPU Benchmark	整數/浮點綜合基準分 (Speed/Rate)	服務器/工作站CPU選型標準
LINPACK / HPL	線性代數基準測試	雙精度浮點持續性能 (Rmax/Rpeak)	超算 TOP500 榜單核心指標
MLPerf	Machine Learning Performance	AI訓練/推理全棧基準 (圖像/語言/推薦/強化學習)	AI加速器/平台/軟件堆疊綜合評測

歷史演進與里程碑

• 1988: Cray Y-MP 首破 1 GFLOPS (單處理器)。
• 1997: Intel ASCI Red 首破 1 TFLOPS (超算)。
• 2008: IBM Roadrunner 首破 1 PFLOPS (超算，混合Cell+Opteron)。
• 2022: Frontier (AMD EPYC + Instinct MI250X) 首破 1 EFLOPS (HPL Rmax 1.102 EFLOPS)，開啟百億億級時代。
• GPU加速轉折點：2007 CUDA發布 → 2012 AlexNet (GTX 580) 點燃深度學習 → Tensor Core (Volta 2017) 專用矩陣引擎 → Hopper (2022) FP8/Transformer Engine → Blackwell (2024) FP4/雙精度張量核心。

常見誤區澄清

1. FLOPS ≠ 時鐘頻率 (Hz)：頻率只定義每秒週期數，每周期能完成多少浮點運算取決於微架構 (SIMD寬度、FMA單元數、發射寬度、流水線深度)。
2. FLOPS ≠ 綜合性能：整數性能、內存帶寬/延遲、緩存層級、分支預測、I/O、軟件優化同樣關鍵。單看FLOPS選型極易踩坑。
3. 營銷數值多為「峰值理論 FP16/INT8 Tensor FLOPS」：需換算至 FP32/FP64 並乘以實際效率系數才具參考價值。

總結

FLOPS是浮點算力的「馬力表」，但精度標註、峰值/持續區分、能效比、真實負載基準測試才是工程選型的可靠依據。從科學計算雙精度到AI低精度張量運算，FLOPS定義不斷擴展，始終是計算機性能演進的核心量度之一。