文|半導體產業縱橫

AI運算指以“深度學習” 為代表的神經網絡算法，需要系統能夠高效處理大量非結構化數據（文本、視頻、圖像、語音等）。需要硬件具有高效的線性代數運算能力，計算任務具有：單位計算任務簡單，邏輯控制難度要求低，但并行運算量大、參數多的特點。對于芯片的多核并行運算、片上存儲、帶寬、低延時的訪存等提出了較高的需求。

AI應用場景的豐富帶來眾多碎片化的需求，基于此適配各種功能的處理器不斷衍生。

CPU

CPU即中央處理器（Central Processing Unit），作為計算機系統的運算和控制核心，主要負責多任務管理、調度，具有很強的通用性，是計算機的核心領導部件，好比人的大腦。不過其計算能力并不強，更擅長邏輯控制。

正是因為CPU的并行運算能力不是很強，所以很少有人優先考慮在 CPU 上直接訓練模型。不過芯片巨頭英特爾就選擇了這么一條路。

像英特爾至強可擴展處理器這種 AI build-in 的 CPU 在支持模型訓練上已經有了極大地提升，去年由萊斯大學、螞蟻集團和英特爾等機構的研究者發表的一篇論文中表明，在消費級 CPU 上運行的 AI 軟件，其訓練深度神經網絡的速度是 GPU 的 15 倍，另外相比顯存 CPU 的內存更易擴展，很多推薦算法、排序模型、圖片 / 影像識別等應用，已經在大規模使用 CPU 作為基礎計算設備。

相比價格高昂的 GPU，CPU 其實是一種性價比很高的訓練硬件，也非常適合對結果準確度要求高兼顧成本考量的制造業、圖像處理與分析等行業客戶的深度學習模型。

GPU

GPU即圖形處理器（Graphics Processing Unit），采用數量眾多的計算單元和超長的流水線，擅長進行圖像處理、并行計算。

對于復雜的單個計算任務來說，CPU 的執行效率更高，通用性更強；而對于圖形圖像這種矩陣式多像素點的簡單計算，更適合用 GPU 來處理，也有人稱之為人海戰術。而AI 領域中用于圖像識別的深度學習、用于決策和推理的機器學習以及超級計算都需要大規模的并行計算，因此更適合采用 GPU 架構。

多核 CPU 與 GPU 的計算網格（圖中綠色方格為計算單元）

CPU和GPU還有一個很大的區別就是：CPU可單獨作用，處理復雜的邏輯運算和不同的數據類型，但當需要處理大量類型統一的數據時，則可調用GPU進行并行計算。但GPU無法單獨工作，必須由CPU進行控制調用才能工作。

在AI計算領域英偉達的GPU幾乎占到市場的絕大部分，但近幾年也有不少國產企業進軍高端GPU，比如沐曦首款采用7nm工藝的異構GPU產品已流片、壁仞前不久也發布了單芯片峰值算力達到PFLOPS級別的BR100，還有燧原科技、黑芝麻、地平線等公司都在向高端GPU發力。

DPU

DPU即數據處理器（Data Processing Unit），用于優化卷積神經網絡，廣泛應用于加速深度學習推理算法。

當CPU算力釋放遇瓶頸，DPU能夠卸載 CPU 的基礎層應用（如網絡協議處理、加密解密、數據壓縮等），從而釋放CPU低效應用端的算力，將CPU算力集中在上層應用。區別于GPU，DPU主要用于對數據解析與處理，提高數據接發的效率，而GPU則是專注于數據的加速計算。因此，DPU將有望成為釋放CPU算力新的關鍵芯片，并與CPU、GPU形成優勢互補，提高算力天花板。

DPU還具有高性能網絡接口，能以線速或網絡中的可用速度解析、處理數據，并高效地將數據傳輸到GPU和CPU。

英偉達收購Mellanox后，憑借原有的ConnectX系列高速網卡技術，推出其 BlueField系列DPU，成為DPU賽道的標桿。英偉達首席執行官黃仁勛也曾表示：“ DPU 將成為未來計算的三大支柱之一，未來的數據中心標配是‘ CPU + DPU + GPU ’。CPU 用于通用計算， GPU 用于加速計算， DPU 則進行數據處理。”

當下的DPU的市場，已經成為各個巨頭和初創公司的必爭之地，除英偉達等企業開始布局DPU產業外，阿里巴巴、華為在內的各大云服務商也逐漸躋身DPU行業。其他還有芯啟源、大禹智芯、星云智聯、中科馭數、云豹智能等公司。

TPU

TPU即張量處理器（Tensor Processing Unit）是谷歌專門為加速深層神經網絡運算能力而研發的ASIC 芯片，專用機器學習的人工智能加速處理器。

AI 系統通常涉及訓練和推斷過程。簡單來說，訓練過程是指在已有數據中學習，獲得某些能力的過程；而推理過程則是指對新的數據，使用這些能力完成特定任務（比如分類、識別等）；推理是將深度學習訓練成果投入使用的過程。

有老話言，萬能工具的效率永遠比不上專用工具。TPU與同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升。此外，在 TPU 中采用 GPU 常用的 GDDR5 存儲器能使性能TPOS指標再高 3 倍，并將能效比指標 TOPS/Watt 提高到 GPU 的 70 倍，CPU 的 200 倍。

2016年 TPU 消息剛剛公布時，谷歌資深硬件工程師Norman Jouppi 在谷歌Research 博客中特別提到，TPU 從測試到量產只用了 22 天，其性能把人工智能技術往前推進了差不多 7 年，相當于摩爾定律 3 代的時間。

IPU

IPU即圖像處理單元（Intelligent Processing Unit），可以從圖像傳感器到顯示設備的數據流提供全面支持，連接到相關設備，比如：攝像機、顯示器、圖形加速器、電視編碼器和解碼器。相關圖像處理與操作包括傳感器圖像信號處理、顯示處理、圖像轉換等，以及同步和控制功能。 采用的是大規模并行同構眾核架構，同時將訓練和推理合二為一，為AI計算提供了全新的技術架構，兼具處理二者工作的能力。

IPU是英國AI芯片創業公司Graphcore率先提出的概念，Graphcore的第一代IPU如今已在微軟Azure云以及Dell-EMC服務器中使用，為AI算法帶來了飛躍性的性能提升，也為開發者帶來更廣闊的創新空間及更多創新機會。

目前，IPU正在成為僅次于GPU和谷歌TPU的第三大部署平臺，基于IPU的應用已經覆蓋包括自然語言處理、圖像/視頻處理、時序分析、推薦/排名及概率模型等機器學習的各個應用場景。

2021年，英特爾推出了IPU技術，近日又和谷歌共同設計了新型定制基礎設施處理單元（IPU）芯片 E2000 ，代號為“Mount Evans”，以降低數據中心主 CPU 負載，并更有效和安全地處理數據密集型云工作負載。

NPU

CPU和GPU的制造成本較高，功耗也比較大，加之AI場景下需要運算的數據量與日俱增，一種針對神經網絡深度學習的高效智能處理器應運而生，也就是NPU。

NPU即神經網絡處理器（Neural network Processing Unit），它是用電路模擬人類的神經元和突觸結構。用于加速神經網絡的運算，解決傳統芯片在神經網絡運算時效率低下的問題，特別擅長處理視頻、圖像類的海量多媒體數據。

與CPU、GPU處理器運行需要的數千條指令相比，NPU只要一條或幾條就能完成，且在同等功耗下NPU 的性能可以達到 GPU 的 118 倍，因此在深度學習的處理效率方面優勢明顯。NPU 目前較多地在端側應用于 AI 推理計算，在云端也有大量運用于視頻編解碼運算、自然語言處理、數據分析，部分NPU還能運用于 AI 的訓練。

比如在手機SoC中，CPU是負責計算和整體協調的，而GPU是負責和圖像有關的部分，NPU負責和AI有關的部分，其工作流程則是，任何工作都要先通過CPU，CPU再根據這一塊工作的性質來決定分配給誰。如果是圖形方面的計算，就會分配給GPU，如果是AI方面的計算需求，就分配給NPU。

NPU具體的應用有：基于人臉識別的考勤機、基于 DHN（深度哈希網絡）的掌紋識別、基于圖像分類的自動垃圾分類、自動駕駛汽車、自動跟焦攝像機、監視系統等。

2014年中科院的陳天石科研團隊發表了 DianNao 系列論文，隨即席卷了體系結構界，開啟了專用人工智能芯片設計的先河，后來中科院旗下的寒武紀科技推出了其第一代 NPU 寒武紀 1A，并用在了華為麒麟 970 芯片中，華為也推出了自研的基于 DaVince 架構的 NPU ，阿里則推出了“含光”架構的 NPU 。

隨著芯片構造方式的變化，大量異構處理器方案也不斷衍生，每個芯片都對處理器性能、優化目標、所需的數據吞吐量以及數據流做出了不同的選擇。在這幾大類處理器芯片中，IPU與DPU發展速度領先。隨著5G邊緣云、自動駕駛和車路協同、金融計算等帶來越來越多的數據量，各種“X”PU的市場價值都在不斷攀升。