趣科技︱从英伟达GPU到谷歌TPU，AI芯片之争难落幕

里指出的以下几点值得注意：

"虽然Google和NVIDIA选择了不同的开发道路，但我们的方法中还是有一些共同点。特别是：

- 人工智能需要加速计算。在摩尔定律放缓的时代，加速器提供了深度学习重要的数据处理需求；
- 张量处理是深度学习训练和推理性能的核心；
- 张量处理是企业在构建现代数据中心时必须重点考虑的新工作量；
- 加速张量处理可以大大降低修建现代数据中心的成本。

除了黄仁勋，国内也有TPU叫板的声音，指出：谷歌所谓TPU其实是新瓶装旧酒--这款芯片仍然沿用了传统的脉动阵列机架构，也是当今许多面向深度学习的DSP所采用的的架构。 TPU在架构方面并没有太多新意。在其架构公开之前，在学术界和工业界其实已经有大量类似的工作（将脉动阵列机用于处理深度学习）。脉动阵列架构本身是个传统技术，早在1980年代初，中科院计算所的夏培肃院士和李国杰院士就曾将脉动阵列架构用于石油勘探--计算所曾经研发过的石油勘探专用机就是采用了脉动阵列架构。将脉动阵列架构用于深度学习，其实是近年来DSP和硬件加速领域的旧瓶装新酒。

同时，这里要强调一点，中科院计算所的人工智能专用芯片寒武纪团队成员与Olivier Temam教授、Paolo Ienne教授共同发表于ISCA2015的ShiDianNao学术论文就已经讨论过脉动阵列架构，而Olivier Temam教授现在恰恰供职于谷歌。

AI芯片之争果真让人看不清，TPU能否搅局成功也一时无法下结论，但是TPU 的出现让面向神经网络/深度学习特定领域加速的芯片趋势更加明显。同时， 谷歌 并没有表现出要在数据中心以外领域使用TPU的打算。也许谷歌TPU象征意义要大于实际意义，毕竟对于一个没有任何芯片制造历史的公司提出并实现了一个比英伟达GPU更快的方案，这是一种超越，更表明英伟达的护城河被攻破。未来是不是有一批公司追随谷歌脚步开发自己的ASIC呢，这是一个未知的问题，但是谷歌TPU带来一种趋势。

如果你对本系列感兴趣，欢迎点击《趣科技》继续阅读！

原创文章，未经许可，不得转载！