如今，有一个词听到耳根生茧却有些触不可及，这个词就是“人工智能”，曾经它活在科幻小说中，如今它活在新闻标题中，然而降临在我们身边，还是一个未知的时间、未知的地点、未知的场景。

自2016年3月AlphaGo战胜李世石，全世界掀起了一场对人工智能的热恋，一个仍在实验室里的襁褓瞬间就成了国民对象。一场AI军备竞赛也逐渐浮出水面，无论是科技大佬还是初创公司，谁都不愿错过这场即将爆发的AI风暴。

前几天，谷歌又掀起一场AI风波，TPU来袭、剑指GPU，本来就难分胜负的AI芯片之战，更扑朔迷离。

那么本期《趣科技》我们就来讲讲谁是AI时代真正的“硬”角色。

最近我们总听到一种论调“中国人工智能直追美国”，而麦肯锡最新研究报告显示，尽管中国在人工智能的论文数量方面超过美国，但是中国AI研究的影响力尚不及美国或者英国。这究竟是为什么？为何一个很鼓舞人心的消息后面总有一个残酷的现实。

在人工智能的赛道上，有三大军团，即算法、计算能力、芯片，而核心阵地显然是在硬件方面。我国与美国的差距也主要是在此方面。

目前，在AI芯片领域，有几大竞争主力：

- GPU，视觉处理器，只有英伟达、AMD两大玩家；

- FPGA，现场可编程门阵列，玩家有赛灵思、Altera（已被英特尔收购）、Lattice、Microsemi；

- ASIC，专用集成电路，美国英特尔、高通、微软，英国Graphcore，中国中科院计算所、地平线机器人等均有布局；

- 类脑芯片，美国IBM、高通，中国中科院计算所、北京大学、中星微等已有不俗的成绩。

显然，在GPU和FPGA上我国缺席，在ASIC与类脑芯片上也只是一个追随者，这就是与美国的差距所在。而说我们紧追美国也不为过，在AI应用层面，在语音识别和定向广告等方面，百度已经走在全球前列。

随着人工智能的大量涌现，AI芯片市场群雄争霸，厂商纷纷推出新的产品，都想领跑智能时代——但问题是，谁会担当这个角色呢？

目前来看，GPU是厚积薄发正当时，在深度学习领域发挥着巨大作用；FPGA被视为AI时代的万能芯片，架构灵活独具特色；ASIC这个后起之秀,被企业视作引发一轮全面的颠覆的杰作。其推动代表之一就是谷歌，2016年宣布将独立开发一种名为TPU的全新的处理系统，而在前几日，这个神秘的TPU现真容。谷歌表示TPU 已经在谷歌数据中心内部使用大约两年，并且TPU 在推理方面的性能要远超过 GPU。

TPU，为深度学习而生的ASIC

TPU 是谷歌专门为加速深层神经网络运算能力而研发的一款芯片，可用来加速神经网络（NN）的推理阶段，其实是一款 ASIC。

我们先来看一下什么是ASIC，ASIC指依照产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。一般来说，ASIC 在特定功能上进行了专项强化，可以根据需要进行复杂的设计，但相对来说，实现更高处理速度和更低能耗。相对应的，ASIC 的生产成本也非常高。

谷歌为什么要做TPU呢？一方面是有钱任性，毕竟一般公司很难承担为深度学习开发专门处理器 ASIC 芯片的成本和风险；另一方面是自身需求大，庞大的体量比如谷歌图像搜索、谷歌照片、谷歌云视觉 API、谷歌翻译等产品和服务都需要用到深度神经网络，开发一款ASIC可得到广泛的应用。

早在2011年谷歌就意识到他们遇到的问题，开始思考使用深度学习网络了，这些网络运算需求高，令他们的计算资源变得紧张。

CPU能够非常高效地处理各种计算任务，但 CPU 的局限是一次只能处理相对来说很少量的任务；GPU 在执行单个任务时效率较低，而且所能处理的任务范围更小，GPU 是理想的深度学习芯片，但是能耗的问题又非常严重。于是TPU应用而生。

显然，在GPU和FPGA上我国缺席，在ASIC与类脑芯片上也只是一个追随者，这就是与美国的差距所在。而说我们紧追美国也不为过，在AI应用层面，在语音识别和定向广告等方面，百度已经走在全球前列。

随着人工智能的大量涌现，AI芯片市场群雄争霸，厂商纷纷推出新的产品，都想领跑智能时代——但问题是，谁会担当这个角色呢？

目前来看，GPU是厚积薄发正当时，在深度学习领域发挥着巨大作用；FPGA被视为AI时代的万能芯片，架构灵活独具特色；ASIC这个后起之秀,被企业视作引发一轮全面的颠覆的杰作。其推动代表之一就是谷歌，2016年宣布将独立开发一种名为TPU的全新的处理系统，而在前几日，这个神秘的TPU现真容。谷歌表示TPU 已经在谷歌数据中心内部使用大约两年，并且TPU 在推理方面的性能要远超过 GPU。

TPU，为深度学习而生的ASIC

TPU 是谷歌专门为加速深层神经网络运算能力而研发的一款芯片，可用来加速神经网络（NN）的推理阶段，其实是一款 ASIC。

我们先来看一下什么是ASIC，ASIC指依照产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。一般来说，ASIC 在特定功能上进行了专项强化，可以根据需要进行复杂的设计，但相对来说，实现更高处理速度和更低能耗。相对应的，ASIC 的生产成本也非常高。

谷歌为什么要做TPU呢？一方面是有钱任性，毕竟一般公司很难承担为深度学习开发专门处理器 ASIC 芯片的成本和风险；另一方面是自身需求大，庞大的体量比如谷歌图像搜索、谷歌照片、谷歌云视觉 API、谷歌翻译等产品和服务都需要用到深度神经网络，开发一款ASIC可得到广泛的应用。

早在2011年谷歌就意识到他们遇到的问题，开始思考使用深度学习网络了，这些网络运算需求高，令他们的计算资源变得紧张。

CPU能够非常高效地处理各种计算任务，但 CPU 的局限是一次只能处理相对来说很少量的任务；GPU 在执行单个任务时效率较低，而且所能处理的任务范围更小，GPU 是理想的深度学习芯片，但是能耗的问题又非常严重。于是TPU应用而生。