人工智能加速，人工智能专用芯片是未来趋势
深度学习算法是实现人工智能技术和应用的核心，其在运行过程中需要对海量的数据进行运算处理——用已有的样本数据去训练人工神经网络、用训练好的人工神经网络去运算其他数据。对于传统计算架构而言，这将是一个极大的挑战。
面对深度学习算法这一计算新需求，GPU（图形处理器）、FPGA（可编程门阵列）、ASIC（专用集成电路）等成为了人工智能芯片领域的“被追捧者”。比如GPU，相比于CPU，其具有高并行结构，拥有更多的ALU（Arithmetic Logic Unit，逻辑运算单元）用于数据处理，适合对密集型数据进行并行处理。
值得我们注意的事，不管是让英伟达一举闻名的GPU，抑或是当前与GPU不分伯仲的FPGA，在属性上，它们都只能算是人工智能通用芯片。相比于一开始就是“私人订制”的ASIC，在深度学习算法的运行上，GPU和FPGA或多或少都有着一些局限：
GPU局限：GPU能够游刃有余的训练人工神经网络，但在输出应用时，它一次只能处理一张图像；相比于FPGA的灵活，GPU硬件结构固定，不具备可调整性；在实现相同性能的功耗上，GPU远大于FPGA以及ASIC。
FPGA局限：为了实现可重构特性，FPGA内部有大量极细粒度的基本单元，但是每个单元的计算能力都远远低于GPU中的ALU模块；在深度学习算法的运行速度和功耗上，FPGA表现的都不如ASIC；FPGA价格较为昂贵，在某些情况下甚至会高于ASIC。
不可否认，对于当前人工智能的发展，GPU和FPGA都做出了不小的贡献，但是从未来发展趋势来看，人工智能专用芯片才是未来的核心。
从上面的一些比较我们可以看出，在功耗和速度上，GPU、FPGA与ASIC之间还是有着一定差距的。
针对人工智能芯片的通用与专用的区别，地平线机器人芯片专家马凤翔称，相比于通用芯片，专用芯片是为特定场景而定制的，具备低功耗、低成本、高性能的优势。再通俗一点讲，就如寒武纪创始人之一的陈云霁所举出的例子，普通的处理器就好比“瑞士军刀”，虽然通用，但不专业，造成浪费，但是做菜的时候，还是菜刀得心应手，而专业的深度学习处理器就是这把更高效、更快捷的“菜刀”。
与此同时，不仅仅是性能的要求，随着人工智能技术的发展，其应用范围也将进一步扩大。未来，自动驾驶、机器人、智能家居等等终将充斥我们的生活，这其中所隐藏的将是一个无可估量的市场需求。届时，不管是所需要处理的数据，抑或是运算速度，与现在相比都将不是一个量级，若想做的更好，就只能向人工智能专用芯片靠拢。
