都想吞下人工智能这个蛋糕，CPU/GPU/FPGA有何高招？

性能。若以每台CPU服务器约5，000美元计算，可节省65万美元以上的服务器采购成本。

基于上述两种人工智能芯片，英伟达为资料中心提供唯一的端对端深度学习平台，并能够将训练时间从数天大幅缩短至数小时，从而实现资料的立即解析与服务的及时回应。

7.Nvidia的应用布局：自动驾驶

不仅仅是底层架构，英伟达在应用层面上也有非常明确的布局，其中最看重也最有领先优势的就是自动驾驶。早在2014年1月，英伟达就发布了为移动平台设计的第一代Tegra系列处理器，适用于智能手机、平板电脑和自动驾驶汽车，四个月后，DRIVE PX自动驾驶计算平台发布，可实现包括高速公路自动驾驶与高清制图在内的自动巡航功能。同年10月，搭载了Tegra K1处理器并应用了DRIVEPX计算平台的特斯拉新款Model S开始量产，英伟达成为第一个享受到自动驾驶红利的厂商。

2016年英伟达在自动驾驶领域并没有什么重大突破，基本只是从技术升级及厂商合作两个方面入手，除了特斯拉这个老朋友外，百度、沃尔沃也跟英伟达达成了合作，他们都将生产搭载DRIVE PX 2的智能驾驶汽车。恰逢此时，AI概念变得更加火热，智能驾驶也逐渐成熟，这些客观因素让英伟达收割了更多的红利，也让公司站在了聚光灯之下。

从整个自动驾驶行业来看，Google、苹果、微软等科技公司都在建立自己的汽车生态体系，不过智能汽车对于他们来说都不是核心业务，更为重要的是，他们并没有真正进入汽车供应链体系。与之相反，英伟达的Drive PX系列自动驾驶解决方案，已经进入了汽车的上游供应链中，并创造了利润，这也意味着英伟达将在汽车芯片市场与英特尔、高通、恩智浦、瑞萨电子等做CPU的公司正面碰撞，自动驾驶的风口让英伟达在汽车市场从"边缘人"变成了挑战者。

随着特斯拉Model S等备受瞩目的车型更加智能化与多媒体化，英伟达有了弯道超车的机会，并有望在汽车产业的上游供应链占据更有优势的地位。最新款的Tegra系列处理器功耗只有10瓦，几乎与同等级的FPGA产品功耗持平甚至更低，这对于车载移动芯片来说是巨大的优势。

但同样的，单移动处理器的架构和极低的功耗必然无法支撑起超大规模的运算，目前英伟达计算平台的功能定位仅聚焦于高速公路上的自动巡航，而CPU的应用可以拓展至车机娱乐信息系统层面。未来自动驾驶的发展方向必然是整车的控制中心，从目前英伟达基于Tesla架构的主流芯片来看，低功耗、极速运算与逻辑控制是可以同时实现的，英伟达公司在自动驾驶领域的优势非常明显。

8.Nvidia的产业优势：完善的生态系统

与其它芯片公司相比，带有CUDA的重点软件生态系统是英伟达占领人工智能市场的关键促成因素。从2006年开始，英伟达发布了一个名叫CUDA的编程工具包，该工具包让开发者可以轻松编程屏幕上的每一个像素。在CUDA发布之前，给GPU编程对程序员来说是一件极其痛苦的事，因为这涉及到编写大量低层面的机器码以实现渲染每一个不同像素的目标，而这样的微型计算操作通常有上万个。CUDA在经过了英伟达的多年开发之后，成功将Java或C++这样的高级语言开放给了GPU编程，从而让GPU编程变得更加轻松简单，研究者也可以更快更便宜地开发他们的深度学习模型。

四、未来市场：半定制芯片FPGA

技术世界正在迈向一个全新的轨道，我们对于人工智能的想象已经不再局限于图片识别与声音处理，机器，将在更多领域完成新的探索。不同领域对计算的需求是差异的，这就要求深度学习的训练愈发专业化与区别化。芯片的发展趋势必将是在每一个细分领域都可以更加符合我们的专业需求，但是考虑到硬件产品一旦成型便不可再更改这个特点，我们不禁开始想，是不是可以生产一种芯片，让它硬件可编程。

也就是说，这一刻我们需要一个更适合图像处理的硬件系统，下一刻我们需要一个更适合科学计算的硬件系统，但是我们又不希望焊两块板子，我们希望一块板子便可以实现针对每一个应用领域的不同需求。这块板子便是半定制芯片FPGA，便是未来人工智能硬件市场的发展方向。

1.FPGA是什么?场效可编程逻辑闸阵列FPGA运用硬件语言描述电路，根据所需要的逻辑功能对电路进行快速烧录。一个出厂后的成品FPGA的逻辑块和连接可以按照设计者的需要而改变，这就好像一个电路试验板被放在了一个芯片里，所以FPGA可以完成所需要的逻辑功能。

FPGA和GPU内都有大量的计算单元，因此它们的计算能力都很强。在进行神经网络运算的时候，两者的速度会比CPU快很多。但是GPU由于架构固定，硬件原生支持的指令也就固定了，而FPGA则是可编程的。其可编程性是关键，因为它让软件与终端应用公司能够提供与其竞争对手不同的解决方案，并且能够灵活地针对自己所用的算法修改电路。