通感算赋能的算力网络是关键使能技术之一，该算力网络以通感算一体化为核心支撑，其中，感知、通信、计算三功能互利互惠，相辅相成，将云边端多级算力通过网络化的方式连接与协同，通过随时随地的实时感知，实现算力服务的按需实时调度与高效共享，为各类业务如智慧交通、智能工厂等灵活匹配最佳算力资源节点。
通感算赋能的算力网络是实现云网边端统控的新型网络架构，是云网融合体系中的一种关键技术，其通过网络控制面（包含集中式控制器、分布式路由协议等）分发服务节点的算力、存储、算法等资源信息，并结合网络信息和上层应用（如 6G 应用或 6G 网络功能单元等）需求，提供最佳的计算、存储、网络等资源的分发、关联、交易与调配，从而实现整网资源的最优化配置和使用。通感算赋能的算力网络架构如图所示。
算力网络控制层利用网络内生的泛在感知能力，实时感知各节点算力占用情况及节点动态位置，同时将感知信息作为先验信息，利用监督学习技术，对未来算力占用情况及网络拓扑动态变化进行有效预测，并将当下感知及预测结果发送至服务层和算力网络编排管理层进行处理。
算力网络服务层中包含各种提供给用户的服务功能，如实现用户、平台与资源节点的交易等功能。各类业务的获取或需求分析及预测将在算力网络服务层中实现。网络层服务将实时业务需求下发至算力网络编排和管理层进行处理，并基于算力网络编排和管理层反馈的算力网络编排结果后，下发反馈信息至算力控制层，指导控制层按需实时调度资源层的算力资源为各类业务进行服务。
算力网络编排和管理层可以实现算力网络的编排、安全管理、建 模、操作维护管理（Operation Administration and Maintenance, OAM） 等功能。编排模块根据来自算力控制层的网络状态实时信息和预测信息，同时基于服务层下发的实时业务需求，利用监督学习等相关人工智能技术，实现算力网络资源和服务的最优化编排和管理，并将编排结果反馈至算力服务层以最优化调度资源层的算力资源，实现算力的即用即配。安全模块负责应用与安全相关的控件，以减轻算力网络环境中的安全威胁。算力建模模块可以根据服务类型进行算力建模。OAM 模块则实现了算力网络的操作，管理和维护。
通感算赋能的算力网络实现基于业务需求快速、灵活适配算力资源，需要完成对算力信息的度量、感知、路由、交易与编排。
算力资源并不像电力那样，能够用“度/千瓦时”这样的单位简单的进行量化，尤其考虑到中央处理器（Central Processing Unit , CPU）、图形处理器（Graphics Processing Unit, GPU）、现场可编程门阵列（Field-Programmable Gate Array, FPGA）、专用集成电路（Application Specific Integrated Circuit, ASIC）等不同芯片的类型，更是难以进行统一的衡量。因此，需要在标准规范的基础上达成共识，为量化异构算力资源以及多样化业务需求建立统一的描述语言，给算力资源赋予可度量、可计费的标准单位。
算力的度量可以根据应用场景的不同采用不同的度量方法，例如在通感一体化技术中的感知信息辅助的波束赋形、干扰消除等场景可以依据算法复杂度进行度量；而针对图像处理类业务则可以依据图形处理速率进行度量。目前，在现有应用案例中，还是以虚拟机、容器之类的粗粒度单元衡量方式为主。
算力感知是对所有类型的资源信息的感知，包括对用户需求的感知。算法感知存在两条技术路线：
1）由资源所有方主动提供资源信息，并通过网络或者云管、资源管理等集中系统告知用户；
2）由网络或者集中系统主动去探知资源信息。
目前两种技术路线都处在不断发展的过程中。而算力网络采用两种思路并存的方式，可基于用户意图驱动的方式主动提供资源需求信息；也可以利用网络的泛在感知能力，感知网络算力资源使用状态，同时基于历史先验信息，采用监督学习，从资源需求、资源消耗等方面进行预测，实现资源预配，加快资源部署速度，提升资源整体利用率。
算力路由将网络算力资源信息进行分发，从而获得以用户为中心的算力资源视图，让用户能够清楚明白的了解各类算力资源的分布情况与报价情况，为算力的编排交易提供基础。
与传统的网络路由方式一致，算力路由也可采用分布式、集中式以及混合式方案。分布式方案通过扩展互联网协议（Internet Protocol, IP）协议，在协议中增加资源信息和业务需求信息来实现信息泛洪与资源路由；集中式方案利用软件定义网络（Software Defined Network, SDN）控制器等集中管控单元来收集网络信息与算力信息，再统一呈现给用户；混合式方案结合以上两种方式的特点，利用分布式协议来分发资源信息，再利用集中管控单元来进行统一处理。
随着智能业务的发展，算力资源的使用出现了高频、短时的新特点，比如人工智能算法中训练部分，需要在短时间内完成大数据样本下的模型训练，但在训练完成后，推理部分只需用相对少量的算力资源即可。因此，传统的按月、按天租赁资源的方式已经不能满足要求，需要结合高频、短时的特点，来设计新的资源交易体系，将交易周期压缩到小时、甚至分钟级别。在交易完成之后，算力编排不仅需要根据交易内容快速提供资源，如快速分配算力资源、建立网络连接，也需要能够在算力资源使用完成后，快速释放资源，并更新资源信息。
