中国CPU/GPU/DSP先天不足，靠啥在深度学习上赶超美国？

（机器学习类网络本身也没有如同脉冲神经网络一样特别贴合生物神经元模型），通过调度在不同时刻计算不同的神经元从而完成整个神经网络的计算。这其中，涉及到处理器设计本身的一点是，通过不同参数的选取就能够完成不同规格（处理能力）的处理器实现。

笔者曾采访过杜子东博士（杜子东博士长期从事人工神经网络和脉冲神经网络处理器的研究工作，在处理器架构最好的三个国际顶级会议ISCA/MICRO/ASPLOS上发表过多篇论文，是中国计算机体系结构领域青年研究者中的翘楚），杜子东博士表示，"包括他们（IBM）在内，大家都认为他们（IBM）走错了路……"，并认为，"真北相对于寒武纪没有什么优势。硬要说有的话，那就是IBM的品牌优势和广告优势"。

技术有优势，不过还有商业问题

就深度学习处理器而言，美国可以凭借其在CPU和GPU上深厚的技术积累，并在芯片集成度和制造工艺水平占据绝对优势的情况下，开发出能用于深度学习，且性能不俗的众核芯片和GPGPU。

但因为之前提到，CPU、GPU相对于NPU在深度学习方面天生会有一定劣势，在芯片集成度和制造工艺水平相当的情况下，其表现必然逊色于NPU。而将DSP用于处理神经网络的做法，其本质上也是对现有的技术进行修改，用传统SIMD/DSP架构来适配神经网络，和真正的NPU依然有一定差距。谷歌的TPU在深度学习中能起到加速作用，但也只能辅助CPU和GPU，而不是独挑大梁。

在NPU领域，由于IBM点歪了科技树，以及中科院在该领域前瞻性地开展了一系列科研工作，使中国能在目前处于优势地位。

当然，技术归技术，和PC时代一样，技术之外还有商业问题。中国和美国的深度学习处理器，哪一款产品能在商业上取得成功，则很大程度上取决于技术以外的因素。就现在情况来看，大家基本处于同一起跑线，鹿死谁手，还未可知。