人工智能正推动计算系统从工具化应用向范式级变革演进，对计算系统的性能、效能、灵活性以及安全性提出革命性需求。智能计算性能需求呈现超大规模数据处理与超复杂模型训练的双超特征，效能需求源于算力规模扩张与能源约束之间的矛盾激化，灵活性需求则体现在多样性任务适应、快速迭代优化、资源动态分配和跨领域融合等方面。传统架构在大规模处理场景下存在存储墙、功耗墙、指令集僵化等局限性，以及软硬件生态碎片化等深层矛盾。
量超智融合作为量子计算、超算与智算三大前沿计算技术融合的产物，通过将量子计算机深度整合至经典计算架构，构建异构协同的智能计算系统，有望突破传统计算体系局限。量超智融合面临量子计算优势应用边界界定、量子-经典数据互通等挑战，未来需构建“动态适配”的协同计算范式，通过人工智能技术实现问题分析、资源匹配、任务调度和策略优化，推动量子计算与人工智能双向赋能。
光计算以光为信息载体，具有高速、大带宽、低能耗和低损耗等优势，通过光学矩阵加速运算突破“功耗墙”。光计算可分为光学干涉神经网络和光学衍射神经网络两大技术路线，但面临光电器件集成度、光学非线性激活效率等挑战，未来需依赖跨学科突破推动光电智能计算等新范式成熟。
图计算作为连接非结构化数据建模与高效智能推理执行的核心计算范式，正从静态稀疏图的并行处理迈向动态异构范式下的高性能融合推理。图计算面临碎片化智能建模、高并发稀疏计算、动态异步图计算执行等挑战，未来需构建基于稀疏张量的统一图计算抽象模型，发展高并发稀疏计算架构和动态异步图计算执行机制，迈向“稀疏-稠密”动态融合的下一代计算模式。
存算一体通过将存储单元与计算单元深度融合，有效消除传统冯·诺依曼架构中“存储-计算”分离导致的“内存墙”问题，实现低延迟、高能效的数据处理。存算一体可分为近存计算架构和存内计算架构，面临器件特性、阵列组织、数据通信等挑战，未来需构建多层次阵列组织结构，优化数据通信机制，并发展异构存算一体架构。
类脑与神经元计算借鉴生物神经系统机理，构建高效、低功耗的智能计算架构，具有实时学习、自适应性和超低能耗等优势。类脑与神经元计算面临模型、算法、器件、芯片、软件和应用等方面的挑战，未来需从生物可解释性神经元模型、适合类脑计算的训练学习算法、新型器件、神经拟态计算芯片和软件系统等方面取得突破，在边缘计算、脑疾病机制研究等领域展现应用潜力。
生成式变结构计算是一种结合生成式人工智能与变结构系统理论的新型计算范式，通过动态调整系统结构或参数，实现复杂系统的自适应优化与高效决策。生成式变结构计算通过算法与硬件的深度协同，将结构动态生成、功能柔性适配、效能多目标优化纳入统一框架，实现“结构、功能、效能”协同进化，为多领域应用智能计算发展提供支撑。
