算力（Compute Power）是推動人工智慧快速發展的另一個關鍵核心。隨著深度學習模型日益龐大、參數數量動輒上億甚至上千億，對運算效能的需求急遽攀升。現今的人工智慧研究與應用，往往依賴 GPU（圖形處理器）、TPU（張量處理器）、以及分散式運算叢集，才能在合理的時間內完成大規模模型的訓練與推論。強大的算力使模型能處理更複雜的資料模式，並在語音辨識、影像理解、自然語言處理等任務中達到突破性的成果。
同時，算力的提升也帶來成本與能耗的挑戰。巨型 AI 模型的訓練可能需要數百顆 GPU 持續運行數週，不僅成本高昂，對能源與環境的衝擊也逐漸受到關注。因此，如何在算力與效率之間取得平衡，成為學術界與產業界的重要課題。近年來，透過模型壓縮（Model Compression）、知識蒸餾（Knowledge Distillation）、以及更高效的硬體架構設計，AI 正朝向「更快、更省、更強」的方向演進。算力不僅是 AI 技術的驅動引擎，更是決定未來智慧應用邊界的基礎支柱。