先回答问题，

　　（1）性能与传统芯片，比如CPU、GPU有很大的区别。在执行AI算法时，更快、更节能。

　　（2）工艺没有区别，大家都一样。至少目前来看，都一样。

　　所谓的AI芯片，一般是指针对AI算法的ASIC（专用芯片）。

　　传统的CPU、GPU都可以拿来执行AI算法，但是速度慢，性能低，无法实际商用。

　　比如，自动驾驶需要识别道路行人红绿灯等状况，但是如果是当前的CPU去算，那么估计车翻到河里了还没发现前方是河，这是速度慢，时间就是生命。如果用GPU，的确速度要快得多，但是，功耗大，汽车的电池估计无法长时间支撑正常使用，而且，老黄家的GPU巨贵，经常单块上万，普通消费者也用不起，还经常缺货。另外，GPU因为不是专门针对AI算法开发的ASIC，所以，说到底，速度还没到极限，还有提升空间。而类似智能驾驶这样的领域，必须快！在手机终端，可以自行人脸识别、语音识别等AI应用，这个必须功耗低，所以GPU OUT！

　　所以，开发ASIC就成了必然。

　　目前对AI芯片的需求主要集中在哪些方面。

　　先来讲讲AI目前芯片大致的分类：从应用场景角度看，AI芯片主要有两个方向，一个是在数据中心部署的云端，一个是在消费者终端部署的终端。从功能角度看，AI芯片主要做两个事情，一是Training（训练），二是Inference（推理）。

　　目前AI芯片的大规模应用分别在云端和终端。云端的AI芯片同时做两个事情：Training和Inference。Training即用大量标记过的数据来“训练”相应的系统，使之可以适应特定的功能，比如给系统海量的“猫”的图片，并告诉系统这个就是“猫”，之后系统就“知道”什么是猫了；Inference即用训练好的系统来完成任务，接上面的例子，就是你将一张图给之前训练过的系统，让他得出这张图是不是猫这样的结论。

　　Training 和 Inference 在目前大多数的AI系统中，是相对独立的过程，其对计算能力的要求也不尽相同。

　　Training需要极高的计算性能，需要较高的精度，需要能处理海量的数据，需要有一定的通用性，以便完成各种各样的学习任务。

　　对于芯片厂家来说，谁有数据，谁赢！

　　Inference相对来说对性能的要求并不高，对精度要求也要更低，在特定的场景下，对通用性要求也低，能完成特定任务即可，但因为Inference的结果直接提供给终端用户，所以更关注用户体验的方面的优化。

　　谷歌TensorFlow团队：深度学习的未来，在单片机的身上

　　Pete Warden，是谷歌TensorFlow团队成员，也是TensorFLow Mobile的负责人。

　　Pete 坚定地相信，未来的深度学习能够在微型的、低功耗的芯片上自由地奔跑。

　　单片机 (MCU) ，有一天会成为深度学习最肥沃的土壤。

　　为什么是单片机？单片机遍地都是

　　单片机（MCU）里面有个小CPU，RAM只有几kb的那种，但医疗设备、汽车设备、工业设备，还有消费级电子产品里，都用得到。

　　这样的计算机，需要的电量很小，价格也很便宜，大概不到50美分。

　　之所以得不到重视，是因为一般情况下，MCU都是用来取代 (如洗衣机里、遥控器里的) 那些老式的机电系统——控制机器用的逻辑没有发生什么变化。

　　CPU和传感器不太耗电，传输耗钱、耗电！CPU和传感器的功耗，基本可以降到微瓦级，比如高通的Glance视觉芯片。

　　相比之下，显示器和无线电，就尤其耗电了。即便是WiFi和蓝牙也至少要几十毫瓦。

　　因为，数据传输需要的能量，似乎与传输距离成正比。CPU和传感器只传几毫米，如果每个数据都需要端管云这样传输，每个算法都需要输送到云端进行处理，自然代价就要贵得多。

　　传感器的数据很多，传输起来很费劲！传感器能获取的数据，比人们能用到的数据，多得多。例如：卫星的图片数据很多，但是传到地球很困难。

　　卫星或者宇宙飞船上的宇航员可以用高清相机来拍高清视频。但问题是，卫星的数据存储量很小，传输带宽也很有限，从地球上每小时只能下载到一点点数据。

　　地球上的很多传感器也一样，本地获得很容易，但是传输到远端的数据中心就需要很多的代价。

　　跟深度学习有什么关系

　　如果传感器的数据可以在本地运算，又不需要很多的代价和电力。

　　我们需要的是，能够在单片机上运转的，不需要很多电量的，依赖计算不依赖无线电，并且可以把那些本来要浪费掉的传感器数据利用起来的。

　　这也是机器学习，特别是深度学习，需要跨越的鸿沟。

　　相比之下，神经网络大部分的时间，都是用来把那些很大很大的矩阵乘到一起，翻来覆去用相同的数字，只是组合方式不同了。

　　这样的运算，当然比从DRAM里读取大量的数值，要低碳得多。

　　需要的数据没那么多的话，就可以用SRAM这样低功耗的设备来存储。

　　如此说来，深度学习最适合MCU了，尤其是在8位元计算可以代替浮点运算的时候。

　　1、深度学习很低碳

　　那么AI的计算，每次运算需要多少皮焦耳？

　　比如，MobileNetV2的图像分类网络最简单的结构，大约要用2,200万次运算。

　　如果，每次运算要5皮焦，每秒钟一帧的话，这个网络的功率就是110微瓦，用纽扣电池也能坚持近一年。

　　2、对传感器也友好

　　最近几年，人们用神经网络来处理噪音信号，比如图像、音频、加速度计的数据等等。

　　如果可以在MCU上运行神经网络，那么更大量的传感器数据就可以得到处理，而不是浪费。

　　那时，不管是语音交互，还是图像识别功能，都会变得更加轻便。

　　Training将在很长一段时间里集中在云端，Inference的完成目前也主要集中在云端，但随着越来越多厂商的努力，很多的应用将逐渐转移到终端。

　　目前的市场情况：云端AI芯片市场已被巨头瓜分殆尽，创业公司生存空间几乎消失。

　　云端AI芯片无论是从硬件还是软件，已经被传统巨头控制，给新公司预留的空间极小。不客气的说，大多数AI芯片公司、希望在云端AI做文章的初创公司几乎最后都得死。

　　数据越多，对应用场景越理解的公司，对算法、硬件的需求越清楚、越理解深入。

　　我们可以看到，芯片巨头Nvidia（英伟达）已经牢牢占据AI芯片榜首，由于CUDA开发平台的普及，英伟达的GPU是目前应用最广的通用AI硬件计算平台。除了有实力自研芯片的企业（全世界也没几家），如果需要做AI相关的工作，必定需要用到Nvidia的芯片。Nvidia的芯片应用普遍，现在所有的AI软件库都支持使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亚马逊的MXNet等。

　　除了一骑绝尘的英伟达，其他老牌的芯片巨头都没闲着，特别是Intel通过买、买、买奋力的将自己挤到了头部玩家的位置。微软在最新的Build大会上公布了基于英特尔FPGA的 AI 方案，而英特尔的 FPGA 业务正是通过收购Altera获得的。

　　除此之外，我们可以看到像Google这样的互联网厂商也乱入了前五。这当然要归功于上面提到的TPU，虽然谷歌不直接售卖芯片，但是谷歌通过云服务提供TPU的调用服务。谷歌很早就开源了Tensorflow软件平台，这使得Tensorflow成为最主流的机器学习软件平台，已经成了事实上行业的软件平台标准。而Tensorflow最佳的计算环境必定就是谷歌自己的云服务了，通过软件、硬件（或者说云）环境的打通，谷歌妥妥的成为AI芯片领域的一方霸主。

　　现在业界争论的焦点是AI芯片的处理器架构用哪种是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至还有更前沿的脑神经形态芯片。现在GPU可以认为是处于优势地位，但其他几种的处理器架构也各有优势。Intel则是多方下注，不错过任何一种处理器架构。谷歌在TPU（其实就是一种ASIC）方面的巨大投入带来了硬件效能的极大提高，目前看来对GPU的冲击将是最大的，原因不单单是因为专用架构带来的效率优势，还有商业模式方面带来的成本优势。在半导体行业内的普遍观点是，一旦AI的算法相对稳定，ASIC肯定是最主流的芯片形态。看看挖矿芯片的进化历程，这个观点非常有说服力。

　　没有AI芯片这种东西，只有建立在现有芯片或者FPGA之上的AI算法。

　　通用CPU只包含一些通用运算单元，像加法器乘法器除法器浮点运算等等。矩阵运算要用软件实现，会消耗更多的CPU资源。AI芯片包含了矩阵运算单元，在做AI运算时可节省CPU资源并加快运算速度。

未经允许不得转载：摇臂钻床_数控钻床_多轴钻床_台式钻床-东恒机械网 > AI芯片和传统芯片有何区别？ai芯片和传统芯片的区别