计算机算力包含多个方面，可以从硬件和软件两个层面进行总结：
硬件层面
CPU算力：中央处理器的计算能力，用于常规计算任务如数据处理、编码解码等。
GPU算力：图形处理器的计算能力，适用于图形、视频处理和科学计算，特别是需要大量并行计算的任务，如深度学习。
FPGA算力：现场可编程门阵列的计算能力，适用于需要定制化计算的场景，如高频交易、机器学习等。
ASIC算力：专用集成电路的计算能力，针对特定计算任务如加密货币挖掘、人工智能推理等，提供极高的算力。
存储与内存：内存带宽和容量、缓存设计等，影响数据传输速度和算力。
数据传输速度：I/O带宽和网络通信速度，影响数据读写速度和算力的有效性。
硬件加速：使用专用硬件如ASIC或GPU来加速特定类型的计算任务。
软件层面
算法：计算机操作系统、应用软件等对计算任务的优化程度，影响算力的发挥。
软件框架：支持特定计算任务的软件和框架，如深度学习框架TensorFlow、PyTorch等。
综合指标
处理速度：如每秒浮点运算次数（FLOPS），是衡量算力的常用指标。
并行处理能力：多核处理、向量化和张量计算等，影响并行计算任务的执行效率。
能效比：功耗与性能的关系，特别是在移动设备和数据中心中，能源消耗是重要考量因素。
性能每瓦：衡量每消耗一瓦特能源所能提供的计算能力，是数据中心和高性能计算设备的重要指标。
综上所述，计算机算力是一个综合性的概念，既包括了硬件层面的各种计算资源和加速技术，也涵盖了软件层面的算法、框架以及综合性能指标。随着技术的发展，算力的定义和应用也在不断扩展，包括云计算、大数据、人工智能等领域。