近年来，自动驾驶、元宇宙、人工智能等应用不断创新发展，数据规模、算法复杂度以及算力需求爆发式增长。各类加速处理器已成为算力基础设施的重要组件，基于CPU+xPU的异构计算系统逐渐成为各算力场景的主流架构。然而，随着异构计算系统的种类和数量越来越多，xPU性能与灵活性难以兼顾、各xPU间计算孤岛问题难以协同、调试和维护成本增高等问题愈发凸显 ，亟需从异构融合计算方向加强理论研究和实践探索。
以人工智能发展为例，Nature Electronics期刊在 2022年 4月的一篇文章显示：从 2018年开始，随着AI大模型应用的涌现，算力需求平均每2个月翻一倍；摩根士丹利估计2022年谷歌的 3.3万亿次搜索，平均成本约为每个 0.2美分 John Hennessy表示 基于大模型搜索的成本是标准关键词搜索的10倍。需求的变化和成本的约束，再加上NoC（Network on Chip）和 SiP（System in Package）等新芯片技术的赋能 必将推动算力基础架构的变革。计算架构已逐渐从目前各自为政、孤岛式的异构计算，走向异构融合计算。同时，以系统设计为中心，按照应用需求来设计、定义和规划计算架构，推动多层级技术的融合已成为当前的最佳可行方案。
狭义的异构融合计算，指的是多种不同类型、不同架构处理器组成的计算架构。广义的异构融合计算，是指通过将处理器、芯片、硬件设备、操作系统、编程框架、编程语言、网络通信协议、数据中心等不同层次、不同类型的计算技术进行整合优化，以实现多种异构计算资源的高效利用。
本白皮书旨在探讨异构融合计算技术的内在机制、应用场景和发展趋势，通过概述计算领域相关概念，回顾计算架构发展历程，分析了异构计算技术的发展现状及面临的主要问题，从硬件层面（芯片级、设备级）、软件层面（操作系统、编程框架）、系统层面分别提出了异构融合计算技术的探索方案及演进方向，引出了异构融合计算技术的发 展趋势，并介绍了异构融合计算领域相关的实践案例。同时，指出了异构融合计算发展面临的挑战：
一是，处理器架构的限制，可扩展性和灵活性难以满足，计算孤岛问题凸显；
二是，当前的编程框架、编程语言、及其他编译 /调试工具，不足以支撑高效的异构代码编写、优化和管理；
三是，系统集成和互操作性技术要求高，难以构建统一的系统视图以支持跨平台的开发和部署。
