文|半导体产业纵横

AI运算指以“深度学习” 为代表的神经网络算法，需要系统能够高效处理大量非结构化数据（文本、视频、图像、语音等）。需要硬件具有高效的线性代数运算能力，计算任务具有：单位计算任务简单，逻辑控制难度要求低，但并行运算量大、参数多的特点。对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求。

AI应用场景的丰富带来众多碎片化的需求，基于此适配各种功能的处理器不断衍生。

CPU即中央处理器（Central Processing Unit），作为计算机系统的运算和控制核心，主要负责多任务管理、调度，具有很强的通用性，是计算机的核心领导部件，好比人的大脑。不过其计算能力并不强，更擅长逻辑控制。

正是因为CPU的并行运算能力不是很强，所以很少有人优先考虑在 CPU 上直接训练模型。不过芯片巨头英特尔就选择了这么一条路。

像英特尔至强可扩展处理器这种 AI build-in 的 CPU 在支持模型训练上已经有了极大地提升，去年由莱斯大学、蚂蚁集团和英特尔等机构的研究者发表的一篇论文中表明，在消费级 CPU 上运行的 AI 软件，其训练深度神经网络的速度是 GPU 的 15 倍，另外相比显存 CPU 的内存更易扩展，很多推荐算法、排序模型、图片 / 影像识别等应用，已经在大规模使用 CPU 作为基础计算设备。

相比价格高昂的 GPU，CPU 其实是一种性价比很高的训练硬件，也非常适合对结果准确度要求高兼顾成本考量的制造业、图像处理与分析等行业客户的深度学习模型。

GPU即图形处理器（Graphics Processing Unit），采用数量众多的计算单元和超长的流水线，擅长进行图像处理、并行计算。

对于复杂的单个计算任务来说，CPU 的执行效率更高，通用性更强；而对于图形图像这种矩阵式多像素点的简单计算，更适合用 GPU 来处理，也有人称之为人海战术。而AI 领域中用于图像识别的深度学习、用于决策和推理的机器学习以及超级计算都需要大规模的并行计算，因此更适合采用 GPU 架构。

多核 CPU 与 GPU 的计算网格（图中绿色方格为计算单元）

CPU和GPU还有一个很大的区别就是：CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要处理大量类型统一的数据时，则可调用GPU进行并行计算。但GPU无法单独工作，必须由CPU进行控制调用才能工作。

在AI计算领域英伟达的GPU几乎占到市场的绝大部分，但近几年也有不少国产企业进军高端GPU，比如沐曦首款采用7nm工艺的异构GPU产品已流片、壁仞前不久也发布了单芯片峰值算力达到PFLOPS级别的BR100，还有燧原科技、黑芝麻、地平线等公司都在向高端GPU发力。

DPU即数据处理器（Data Processing Unit），用于优化卷积神经网络，广泛应用于加速深度学习推理算法。

当CPU算力释放遇瓶颈，DPU能够卸载 CPU 的基础层应用（如网络协议处理、加密解密、数据压缩等），从而释放CPU低效应用端的算力，将CPU算力集中在上层应用。区别于GPU，DPU主要用于对数据解析与处理，提高数据接发的效率，而GPU则是专注于数据的加速计算。因此，DPU将有望成为释放CPU算力新的关键芯片，并与CPU、GPU形成优势互补，提高算力天花板。

DPU还具有高性能网络接口，能以线速或网络中的可用速度解析、处理数据，并高效地将数据传输到GPU和CPU。

英伟达收购Mellanox后，凭借原有的ConnectX系列高速网卡技术，推出其 BlueField系列DPU，成为DPU赛道的标杆。英伟达首席执行官黄仁勋也曾表示：“ DPU 将成为未来计算的三大支柱之一，未来的数据中心标配是‘ CPU + DPU + GPU ’。CPU 用于通用计算， GPU 用于加速计算， DPU 则进行数据处理。”

当下的DPU的市场，已经成为各个巨头和初创公司的必争之地，除英伟达等企业开始布局DPU产业外，阿里巴巴、华为在内的各大云服务商也逐渐跻身DPU行业。其他还有芯启源、大禹智芯、星云智联、中科驭数、云豹智能等公司。

TPU即张量处理器（Tensor Processing Unit）是谷歌专门为加速深层神经网络运算能力而研发的ASIC 芯片，专用机器学习的人工智能加速处理器。

AI 系统通常涉及训练和推断过程。简单来说，训练过程是指在已有数据中学习，获得某些能力的过程；而推理过程则是指对新的数据，使用这些能力完成特定任务（比如分类、识别等）；推理是将深度学习训练成果投入使用的过程。

有老话言，万能工具的效率永远比不上专用工具。TPU与同期的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 存储器能使性能TPOS指标再高 3 倍，并将能效比指标 TOPS/Watt 提高到 GPU 的 70 倍，CPU 的 200 倍。

2016年 TPU 消息刚刚公布时，谷歌资深硬件工程师Norman Jouppi 在谷歌Research 博客中特别提到，TPU 从测试到量产只用了 22 天，其性能把人工智能技术往前推进了差不多 7 年，相当于摩尔定律 3 代的时间。

IPU即图像处理单元（Intelligent Processing Unit），可以从图像传感器到显示设备的数据流提供全面支持，连接到相关设备，比如：摄像机、显示器、图形加速器、电视编码器和解码器。相关图像处理与操作包括传感器图像信号处理、显示处理、图像转换等，以及同步和控制功能。 采用的是大规模并行同构众核架构，同时将训练和推理合二为一，为AI计算提供了全新的技术架构，兼具处理二者工作的能力。

IPU是英国AI芯片创业公司Graphcore率先提出的概念，Graphcore的第一代IPU如今已在微软Azure云以及Dell-EMC服务器中使用，为AI算法带来了飞跃性的性能提升，也为开发者带来更广阔的创新空间及更多创新机会。

目前，IPU正在成为仅次于GPU和谷歌TPU的第三大部署平台，基于IPU的应用已经覆盖包括自然语言处理、图像/视频处理、时序分析、推荐/排名及概率模型等机器学习的各个应用场景。

2021年，英特尔推出了IPU技术，近日又和谷歌共同设计了新型定制基础设施处理单元（IPU）芯片 E2000 ，代号为“Mount Evans”，以降低数据中心主 CPU 负载，并更有效和安全地处理数据密集型云工作负载。

CPU和GPU的制造成本较高，功耗也比较大，加之AI场景下需要运算的数据量与日俱增，一种针对神经网络深度学习的高效智能处理器应运而生，也就是NPU。

NPU即神经网络处理器（Neural network Processing Unit），它是用电路模拟人类的神经元和突触结构。用于加速神经网络的运算，解决传统芯片在神经网络运算时效率低下的问题，特别擅长处理视频、图像类的海量多媒体数据。

与CPU、GPU处理器运行需要的数千条指令相比，NPU只要一条或几条就能完成，且在同等功耗下NPU 的性能可以达到 GPU 的 118 倍，因此在深度学习的处理效率方面优势明显。NPU 目前较多地在端侧应用于 AI 推理计算，在云端也有大量运用于视频编解码运算、自然语言处理、数据分析，部分NPU还能运用于 AI 的训练。

比如在手机SoC中，CPU是负责计算和整体协调的，而GPU是负责和图像有关的部分，NPU负责和AI有关的部分，其工作流程则是，任何工作都要先通过CPU，CPU再根据这一块工作的性质来决定分配给谁。如果是图形方面的计算，就会分配给GPU，如果是AI方面的计算需求，就分配给NPU。

NPU具体的应用有：基于人脸识别的考勤机、基于 DHN（深度哈希网络）的掌纹识别、基于图像分类的自动垃圾分类、自动驾驶汽车、自动跟焦摄像机、监视系统等。

2014年中科院的陈天石科研团队发表了 DianNao 系列论文，随即席卷了体系结构界，开启了专用人工智能芯片设计的先河，后来中科院旗下的寒武纪科技推出了其第一代 NPU 寒武纪 1A，并用在了华为麒麟 970 芯片中，华为也推出了自研的基于 DaVince 架构的 NPU ，阿里则推出了“含光”架构的 NPU 。

随着芯片构造方式的变化，大量异构处理器方案也不断衍生，每个芯片都对处理器性能、优化目标、所需的数据吞吐量以及数据流做出了不同的选择。在这几大类处理器芯片中，IPU与DPU发展速度领先。随着5G边缘云、自动驾驶和车路协同、金融计算等带来越来越多的数据量，各种“X”PU的市场价值都在不断攀升。