如今，有一個詞聽到耳根生繭卻有些觸不可及，這個詞就是“人工智能”，曾經它活在科幻小說中，如今它活在新聞標題中，然而降臨在我們身邊，還是一個未知的時間、未知的地點、未知的場景。
自2016年3月AlphaGo戰勝李世石，全世界掀起了一場對人工智能的熱戀，一個仍在實驗室里的襁褓瞬間就成了國民對象。一場AI軍備競賽也逐漸浮出水面，無論是科技大佬還是初創公司，誰都不愿錯過這場即將爆發的AI風暴。
前幾天，谷歌又掀起一場AI風波，TPU來襲、劍指GPU，本來就難分勝負的AI芯片之戰，更撲朔迷離。
那么本期《趣科技》我們就來講講誰是AI時代真正的“硬”角色。
最近我們總聽到一種論調“中國人工智能直追美國”，而麥肯錫最新研究報告顯示，盡管中國在人工智能的論文數量方面超過美國，但是中國AI研究的影響力尚不及美國或者英國。這究竟是為什么？為何一個很鼓舞人心的消息后面總有一個殘酷的現實。
在人工智能的賽道上，有三大軍團，即算法、計算能力、芯片，而核心陣地顯然是在硬件方面。我國與美國的差距也主要是在此方面。
目前，在AI芯片領域，有幾大競爭主力：
- GPU，視覺處理器，只有英偉達、AMD兩大玩家；
- FPGA，現場可編程門陣列，玩家有賽靈思、Altera（已被英特爾收購）、Lattice、Microsemi；
- ASIC，專用集成電路，美國英特爾、高通、微軟，英國Graphcore，中國中科院計算所、地平線機器人等均有布局；
- 類腦芯片，美國IBM、高通，中國中科院計算所、北京大學、中星微等已有不俗的成績。
顯然，在GPU和FPGA上我國缺席，在ASIC與類腦芯片上也只是一個追隨者，這就是與美國的差距所在。而說我們緊追美國也不為過，在AI應用層面，在語音識別和定向廣告等方面，百度已經走在全球前列。
隨著人工智能的大量涌現，AI芯片市場群雄爭霸，廠商紛紛推出新的產品，都想領跑智能時代——但問題是，誰會擔當這個角色呢？
目前來看，GPU是厚積薄發正當時，在深度學習領域發揮著巨大作用；FPGA被視為AI時代的萬能芯片，架構靈活獨具特色；ASIC這個后起之秀,被企業視作引發一輪全面的顛覆的杰作。其推動代表之一就是谷歌，2016年宣布將獨立開發一種名為TPU的全新的處理系統，而在前幾日，這個神秘的TPU現真容。谷歌表示TPU 已經在谷歌數據中心內部使用大約兩年，并且TPU 在推理方面的性能要遠超過 GPU。
TPU，為深度學習而生的ASIC
TPU 是谷歌專門為加速深層神經網絡運算能力而研發的一款芯片，可用來加速神經網絡（NN）的推理階段，其實是一款 ASIC。
我們先來看一下什么是ASIC，ASIC指依照產品需求不同而定制化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計、制造。一般來說，ASIC 在特定功能上進行了專項強化，可以根據需要進行復雜的設計，但相對來說，實現更高處理速度和更低能耗。相對應的，ASIC 的生產成本也非常高。
谷歌為什么要做TPU呢？一方面是有錢任性，畢竟一般公司很難承擔為深度學習開發專門處理器 ASIC 芯片的成本和風險；另一方面是自身需求大，龐大的體量比如谷歌圖像搜索、谷歌照片、谷歌云視覺 API、谷歌翻譯等產品和服務都需要用到深度神經網絡，開發一款ASIC可得到廣泛的應用。
早在2011年谷歌就意識到他們遇到的問題，開始思考使用深度學習網絡了，這些網絡運算需求高，令他們的計算資源變得緊張。
CPU能夠非常高效地處理各種計算任務，但 CPU 的局限是一次只能處理相對來說很少量的任務；GPU 在執行單個任務時效率較低，而且所能處理的任務范圍更小，GPU 是理想的深度學習芯片，但是能耗的問題又非常嚴重。于是TPU應用而生。
顯然，在GPU和FPGA上我國缺席，在ASIC與類腦芯片上也只是一個追隨者，這就是與美國的差距所在。而說我們緊追美國也不為過，在AI應用層面，在語音識別和定向廣告等方面，百度已經走在全球前列。
隨著人工智能的大量涌現，AI芯片市場群雄爭霸，廠商紛紛推出新的產品，都想領跑智能時代——但問題是，誰會擔當這個角色呢？
目前來看，GPU是厚積薄發正當時，在深度學習領域發揮著巨大作用；FPGA被視為AI時代的萬能芯片，架構靈活獨具特色；ASIC這個后起之秀,被企業視作引發一輪全面的顛覆的杰作。其推動代表之一就是谷歌，2016年宣布將獨立開發一種名為TPU的全新的處理系統，而在前幾日，這個神秘的TPU現真容。谷歌表示TPU 已經在谷歌數據中心內部使用大約兩年，并且TPU 在推理方面的性能要遠超過 GPU。
TPU，為深度學習而生的ASIC
TPU 是谷歌專門為加速深層神經網絡運算能力而研發的一款芯片，可用來加速神經網絡（NN）的推理階段，其實是一款 ASIC。
我們先來看一下什么是ASIC，ASIC指依照產品需求不同而定制化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計、制造。一般來說，ASIC 在特定功能上進行了專項強化，可以根據需要進行復雜的設計，但相對來說，實現更高處理速度和更低能耗。相對應的，ASIC 的生產成本也非常高。
谷歌為什么要做TPU呢？一方面是有錢任性，畢竟一般公司很難承擔為深度學習開發專門處理器 ASIC 芯片的成本和風險；另一方面是自身需求大，龐大的體量比如谷歌圖像搜索、谷歌照片、谷歌云視覺 API、谷歌翻譯等產品和服務都需要用到深度神經網絡，開發一款ASIC可得到廣泛的應用。
早在2011年谷歌就意識到他們遇到的問題，開始思考使用深度學習網絡了，這些網絡運算需求高，令他們的計算資源變得緊張。
CPU能夠非常高效地處理各種計算任務，但 CPU 的局限是一次只能處理相對來說很少量的任務；GPU 在執行單個任務時效率較低，而且所能處理的任務范圍更小，GPU 是理想的深度學習芯片，但是能耗的問題又非常嚴重。于是TPU應用而生。