中興華為的事兒這兩天被討論爛了，裡面涉及到的多數是傳統芯片，比如CPU、GPU，但說實話，傳統芯片已經不再時髦了。

美國著名科技媒體The Information在去年發佈了一篇文章，預測微軟、亞馬遜等科技巨頭，在2018年都會嘗試打造自己的AI芯片。

這篇文章可以說非常有預見性，現在包括阿里、Facebook等在內的公司都開始了AI芯片的研發。

CPU注重邏輯，GPU專注運算，而AI芯片，則是為人工智能和深度學習專門開發的。

目前AI芯片大致可以為兩類，商用級和民用級。

商用級AI芯片

商用級AI芯片的代表是TPU，由谷歌在2016年正式發佈，全名是張量處理器（Tensor Processing Unit），可以輔助谷歌的TensorFlow運行（TensorFlow是一個軟件引擎，為深度學習提供驅動力）。

早年深度神經網絡用的都是CPU，CPU能處理的事情很雜，全能！後來又用上了GPU，就是我們電腦裡的顯卡。

主機電腦裡的遊戲顯卡

它專為圖像處理而生，但在結構上和CPU沒有本質區別。所以GPU除了善於處理圖像外，還能用來進行密碼破解、金融分析、數值分析等等。比如比特幣的挖礦，很多用的就是GPU。

TPU在通用性上最差，它通常只專注於一件事，也正因如此，讓它在特定的場合和應用上有極端的效率，所謂“萬能工具的效率永遠比不上專用工具”。

做個類比，如果說CPU是一個全知全能的老教授，GPU就是100個小學生。算複雜公式，自然前者當仁不讓，但如果做大規模的簡單計算，比如5+6=11，顯然100個小學生的效率更高。

而TPU，則是班裡的怪才，可能除法算的特別好，但其他方面的能力幾乎是0。

說完了基本面，我們看看它在商用領域的應用場景：

01 下棋

TPU是AlphaGo背後不可或缺的功臣。

起初AlphaGo的硬件平臺採用了傳統芯片：48顆CPU和8塊GPU，AlphaGo的分佈式版本則利用了更多的芯片，40個搜索線程運行在1202顆CPU和176顆GPU上。

在與樊麾的比賽中，狗就用的這個配置，因此當李世石看完比賽後，對“人機大戰”很有信心，但隨後谷歌把硬件平臺換成了TPU，結果以絕對優勢擊敗了李世石。

與柯潔對戰的AlphaGo其實是一個特殊的離線版本，僅由一個TPU在不連接網絡的情況下完成對戰，它的體積要比原版小很多，而性能卻是翻倍的提高。

谷歌資深硬件工程師Norman Jouppi的刊文表示，谷歌TPU的處理速度要比GPU和CPU快15-30倍（對比的是英特爾Haswell CPU以及Nvidia Tesla K80 GPU），而在能效上，TPU更是提升了30到80倍。

谷歌的TPU已經在各種領域中得以應用，除了圍棋，還有谷歌翻譯、圖像搜索（Google Image Search）、谷歌照片（Google Photo）、谷歌雲視覺API（Google Cloud Vision API）等等。

02 服務器

Google作為全球最大的互聯網公司，每天會產生大量的數據，為了服務用戶，谷歌組件了世界上最大的計算機網絡，配備了15個倉庫大小的數據中心，在全球四個大陸上都有分佈。

六年前，谷歌為安卓系統加入了語音識別技術，也就是我們熟悉的Google Assistant。谷歌工程師很快發現，如果用戶每天使用Google Assistant的頻率比搜索引擎高，服務器很快會面臨崩潰。

但是，谷歌沒有選擇繼續開服務器倉庫，而是打起了TPU的主意。

谷歌的TPU專門執行神經網絡服務，具體來說，當用戶使用安卓手機上的語音助手時，TPU才會運行。

TPU的存在讓神經網絡可以高效計算，並有了自主學習的能力，大大提高了效率，也給谷歌剩下了好幾個數據中心的搭建成本。

TPU業務不斷壯大，但谷歌並沒有售賣TPU芯片的想法，而是想通過TPU，提供非常好的雲服務。

今年2月，谷歌的Cloud TPU對外全面開放，價格為每個Cloud TPU每小時6.5美元。

從下圖可以看出，有了TPU的加持，谷歌的雲服務在硬實力上已經能和全球最牛的亞馬遜AWS相抗衡了。

谷歌的TPU完全是自己研發的，並且只在自家的TensorFlow中效率最高，這裡有一定的技術壁壘。

今後，谷歌很可能成為TPU主流供應商，它可以服務於任何一個神經網絡引擎，

當然，其他巨頭也不想受制於人，Facebook、微軟等公司都有自己的神經網絡服務，而這些服務都需要海量的計算設備和服務器，TPU是最好的解決方案。

03 自動駕駛

自動駕駛主要依靠的就是各種傳感器，在這其中，對於圖像的識別和處理又是重中之重。

對於路況數據的處理，通常的辦法是在車裡塞一個電腦，比如特斯拉就搭載了英偉達開發的Drive PX 2 AI計算平臺。

裡面包括2個獨立的GPU，12個CPU核心，16nm製程，水冷系統等等，性能上相當於150個MacBook Pro，這在傳統汽車上是完全見不到的。

這套硬件不是針對特斯拉研發的，它可以處理很多東西，包括激光雷達、毫米波雷達，和攝像頭等傳感器收集的數據。

如果能在這個“電腦”裡塞進一個TPU模塊，圖像處理就會變得更快，功耗和發熱又能有顯著減少。

特別像特斯拉這種，不用激光雷達，而以8個攝像頭為支撐的無人駕駛模式，TPU將會帶來質的提升。

特斯拉新的駕駛系統，增加了攝像頭數量

在AI芯片領域，科技巨頭們會試圖擺脫傳統芯片廠商的控制。一方面可以降低成本，也可以進行深度調教。另一方面，英特爾等公司也有些不思進取，它們的產品，顯然已經不能滿足當下的需求。

民用級AI芯片

相對於傳統的CPU和GPU，AI芯片在手機裡是新苗子，但是它的作用正在逐步被放大。

華為、蘋果、谷歌都為自己的手機開發了AI芯片，上游的供應商，高通和ARM所發售的移動芯片裡，都正在使用相關AI技術。

iPhone X搭載了A11仿生處理器，就集成了一個每秒運算次數可達6000億次的神經網絡引擎。

它的存在讓iPhone X變得與眾不同，比如X的人像模式，可以在拍完後追加燈光效果，其本質就是摳圖，識別出人臉，把背景變暗，給臉加亮。

這個識別的過程用到了深度學習技術，如果沒有AI芯片，摳圖的效果會大打折扣。

同時，iPhone X上的面部解鎖也是對NPU的應用。人的臉每天都是不一樣的，歲月催人老，更不用說什麼化妝、刮鬍子這種短時間內的劇烈變化。

而有了機器學習，就能讓iPhone X主動適應人的面部變化，而無需你重新錄入面部信息。

蘋果在其官網的文案描述是：

A11這款芯片能夠利用機器學習技術來識別你樣貌的變化。當你戴上眼鏡、帽子或留起鬍鬚時，你的朋友或許一眼認不出你，但是 iPhone X 可以。

華為旗艦機上使用了麒麟970處理器，上面集成了來自寒武紀授權的NPU專用處理單元。

NPU（neural processing unit）是專為機器學習而開發的硬件，它不僅能執行神經網絡所需的高速運算，而且具有傑出的能效。

NPU的加入為Mate10提供了“拍照場景識別”的功能。

相機能對環境進行判斷，然後針對特定的場景對照片進行優化。比如相機識別出你在拍天，哪怕有霧霾，也能讓天變藍。

識別出面前是個食物，那必須拍得令人垂涎欲滴；如果是個妹子，就得把對方P得楚楚動人。

NPU的加持，讓Mate 10能夠對13種場景與物體進行識別，諸如美食、鮮花、文字、動物（狗、貓）、下雪、夜晚等。

如果這個東西做好了，對於照相體驗來說可能是顛覆性的。一個非專業人士，只要端起手機，NPU就能自動識別場景，並調出與場景相匹配的最佳拍照參數。按下快門，隨手就是一張大片有木有？

高通今年的旗艦處理器：驍龍845，也將AI作為了一個宣傳重點。

845支持很多AI框架協議，比如谷歌的TensorFlow，臉書的Caffe 2，給不同的手機廠家開放了AI的應用權限。

驍龍845

廠商們可以給自己的手機開發出更豐富的功能，可以讓單攝像頭拍出雙攝才有的虛化效果，可以進行人臉識別和解鎖，智能語音也能變得更快更準確。

科技巨頭們在AI芯片上的佈局，印證一個芯片產業的發展趨勢：在數據比重越來越大的今天，諸如谷歌、微軟、阿里、騰訊等公司都會為了數據處理而購買更多的AI芯片。

CPU和GPU等傳統芯片依然會在數量上佔據主流，但科技公司對於這種通用型芯片的需求會減少。

至於兼顧性能和功耗的AI芯片，將覆蓋包括雲服務、自動駕駛、智能手機、智能音箱等各種領域，成為支撐物聯網革命的關鍵，帶我們進入一個萬物有靈的時代。