先回答問題，

（1）效能與傳統晶片，比如CPU、GPU有很大的區別。在執行AI演算法時，更快、更節能。

（2）工藝沒有區別，大家都一樣。至少目前來看，都一樣。

所謂的AI晶片，一般是指標對AI演算法的ASIC（專用晶片）。

傳統的CPU、GPU都可以拿來執行AI演算法，但是速度慢，效能低，無法實際商用。

比如，自動駕駛需要識別道路行人紅綠燈等狀況，但是如果是當前的CPU去算，那麼估計車翻到河裡了還沒發現前方是河，這是速度慢，時間就是生命。如果用GPU，的確速度要快得多，但是，功耗大，汽車的電池估計無法長時間支撐正常使用，而且，老黃家的GPU巨貴，經常單塊上萬，普通消費者也用不起，還經常缺貨。另外，GPU因為不是專門針對AI演算法開發的ASIC，所以，說到底，速度還沒到極限，還有提升空間。而類似智慧駕駛這樣的領域，必須快！在手機終端，可以自行人臉識別、語音識別等AI應用，這個必須功耗低，所以GPU OUT！

所以，開發ASIC就成了必然。

先來講講AI目前晶片大致的分類：從應用場景角度看，AI晶片主要有兩個方向，一個是在資料中心部署的雲端，一個是在消費者終端部署的終端。從功能角度看，AI晶片主要做兩個事情，一是Training（訓練），二是Inference（推理）。

目前AI晶片的大規模應用分別在雲端和終端。雲端的AI晶片同時做兩個事情：Training和Inference。Training即用大量標記過的資料來“訓練”相應的系統，使之可以適應特定的功能，比如給系統海量的“貓”的圖片，並告訴系統這個就是“貓”，之後系統就“知道”什麼是貓了；Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。

Training 和 Inference 在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。

Training需要極高的計算效能，需要較高的精度，需要能處理海量的資料，需要有一定的通用性，以便完成各種各樣的學習任務。

對於晶片廠家來說，誰有資料，誰贏！

Inference相對來說對效能的要求並不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端使用者，所以更關注使用者體驗的方面的最佳化。

谷歌TensorFlow團隊：深度學習的未來，在微控制器的身上

Pete Warden，是谷歌TensorFlow團隊成員，也是TensorFLow Mobile的負責人。

Pete 堅定地相信，未來的深度學習能夠在微型的、低功耗的晶片上自由地奔跑。

微控制器 (MCU) ，有一天會成為深度學習最肥沃的土壤。

為什麼是微控制器？微控制器遍地都是

微控制器（MCU）裡面有個小CPU，RAM只有幾kb的那種，但醫療裝置、汽車裝置、工業裝置，還有消費級電子產品裡，都用得到。

這樣的計算機，需要的電量很小，價格也很便宜，大概不到50美分。

之所以得不到重視，是因為一般情況下，MCU都是用來取代 (如洗衣機裡、遙控器裡的) 那些老式的機電系統——控制機器用的邏輯沒有發生什麼變化。

CPU和感測器不太耗電，傳輸耗錢、耗電！CPU和感測器的功耗，基本可以降到微瓦級，比如高通的Glance視覺晶片。

相比之下，顯示器和無線電，就尤其耗電了。即便是WiFi和藍芽也至少要幾十毫瓦。

因為，資料傳輸需要的能量，似乎與傳輸距離成正比。CPU和感測器只傳幾毫米，如果每個資料都需要端管雲這樣傳輸，每個演算法都需要輸送到雲端進行處理，自然代價就要貴得多。

感測器的資料很多，傳輸起來很費勁！感測器能獲取的資料，比人們能用到的資料，多得多。例如：衛星的圖片資料很多，但是傳到地球很困難。

衛星或者宇宙飛船上的宇航員可以用高畫質相機來拍高畫質影片。但問題是，衛星的資料儲存量很小，傳輸頻寬也很有限，從地球上每小時只能下載到一點點資料。

地球上的很多感測器也一樣，本地獲得很容易，但是傳輸到遠端的資料中心就需要很多的代價。

跟深度學習有什麼關係

如果感測器的資料可以在本地運算，又不需要很多的代價和電力。

我們需要的是，能夠在微控制器上運轉的，不需要很多電量的，依賴計算不依賴無線電，並且可以把那些本來要浪費掉的感測器資料利用起來的。

這也是機器學習，特別是深度學習，需要跨越的鴻溝。

相比之下，神經網路大部分的時間，都是用來把那些很大很大的矩陣乘到一起，翻來覆去用相同的數字，只是組合方式不同了。

這樣的運算，當然比從DRAM裡讀取大量的數值，要低碳得多。

需要的資料沒那麼多的話，就可以用SRAM這樣低功耗的裝置來儲存。

如此說來，深度學習最適合MCU了，尤其是在8位元計算可以代替浮點運算的時候。

1、深度學習很低碳

那麼AI的計算，每次運算需要多少皮焦耳？

比如，MobileNetV2的影象分類網路最簡單的結構，大約要用2,200萬次運算。

如果，每次運算要5皮焦，每秒鐘一幀的話，這個網路的功率就是110微瓦，用紐扣電池也能堅持近一年。

2、對感測器也友好

最近幾年，人們用神經網路來處理噪音訊號，比如影象、音訊、加速度計的資料等等。

如果可以在MCU上執行神經網路，那麼更大量的感測器資料就可以得到處理，而不是浪費。

那時，不管是語音互動，還是影象識別功能，都會變得更加輕便。

Training將在很長一段時間裡集中在雲端，Inference的完成目前也主要集中在雲端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。

目前的市場情況：雲端AI晶片市場已被巨頭瓜分殆盡，創業公司生存空間幾乎消失。

雲端AI晶片無論是從硬體還是軟體，已經被傳統巨頭控制，給新公司預留的空間極小。不客氣的說，大多數AI晶片公司、希望在雲端AI做文章的初創公司幾乎最後都得死。

資料越多，對應用場景越理解的公司，對演算法、硬體的需求越清楚、越理解深入。

我們可以看到，晶片巨頭Nvidia（英偉達）已經牢牢佔據AI晶片榜首，由於CUDA開發平臺的普及，英偉達的GPU是目前應用最廣的通用AI硬體計算平臺。除了有實力自研晶片的企業（全世界也沒幾家），如果需要做AI相關的工作，必定需要用到Nvidia的晶片。Nvidia的晶片應用普遍，現在所有的AI軟體庫都支援使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亞馬遜的MXNet等。

除了一騎絕塵的英偉達，其他老牌的晶片巨頭都沒閒著，特別是Intel透過買、買、買奮力的將自己擠到了頭部玩家的位置。微軟在最新的Build大會上公佈了基於英特爾FPGA的 AI 方案，而英特爾的 FPGA 業務正是透過收購Altera獲得的。

除此之外，我們可以看到像Google這樣的網際網路廠商也亂入了前五。這當然要歸功於上面提到的TPU，雖然谷歌不直接售賣晶片，但是谷歌透過雲服務提供TPU的呼叫服務。谷歌很早就開源了Tensorflow軟體平臺，這使得Tensorflow成為最主流的機器學習軟體平臺，已經成了事實上行業的軟體平臺標準。而Tensorflow最佳的計算環境必定就是谷歌自己的雲服務了，透過軟體、硬體（或者說雲）環境的打通，谷歌妥妥的成為AI晶片領域的一方霸主。

現在業界爭論的焦點是AI晶片的處理器架構用哪種是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至還有更前沿的腦神經形態晶片。現在GPU可以認為是處於優勢地位，但其他幾種的處理器架構也各有優勢。Intel則是多方下注，不錯過任何一種處理器架構。谷歌在TPU（其實就是一種ASIC）方面的巨大投入帶來了硬體效能的極大提高，目前看來對GPU的衝擊將是最大的，原因不單單是因為專用架構帶來的效率優勢，還有商業模式方面帶來的成本優勢。在半導體行業內的普遍觀點是，一旦AI的演算法相對穩定，ASIC肯定是最主流的晶片形態。看看挖礦晶片的進化歷程，這個觀點非常有說服力。

通用CPU只包含一些通用運算單元，像加法器乘法器除法器浮點運算等等。矩陣運算要用軟體實現，會消耗更多的CPU資源。AI晶片包含了矩陣運算單元，在做AI運算時可節省CPU資源並加快運算速度。