英偉達股價創歷史新高，華爾街紛紛倒戈，現在開始唱買入了。AI芯片想象力無限，英偉達會贏到最后嗎？本文由華盛學院九叔編譯，為您整理了幾個AI芯片的硬件方向。

GPU

GPU 最早是為生成基于多邊形網絡的計算機圖形而設計的。在最近幾年，由于近來計算機游戲和圖形引擎領域的需求和復雜度需要，GPU 積累了強大的處理性能。英偉達是 GPU 領域的領軍者，能生產有數千個內核的處理器，這些內核的設計工作效率可以達到 100％。實際上這些處理器也非常適用于運行神經網絡和矩陣乘法方面的計算，因此GPU乘著深度學習的東風成為了目前最炙手可熱的硬件解決方案。

FPGA

FPGA全稱“可編輯門陣列”（Field Programmable Gate Array），其基本原理是在FPGA芯片內集成大量的數字電路基本門電路以及存儲器，而用戶可以通過燒入FPGA配置文件來來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，即用戶今天可以把FPGA配置成一個微控制器MCU，明天可以編輯配置文件把同一個FPGA配置成一個音頻編解碼器。英特爾收購的Altera就是做FPGA的。

ASIC

ASIC則是專用集成電路（Application－Specific Integrated Circuit），一旦設計制造完成后電路就固定了，無法再改變。定制化的SoC就屬于ASIC。高通、AMD、ARM、英特爾和英偉達都在致力于將定制化芯片整合進它們的現有解決方案中。Nervana 和 Movidius（目前都在英特爾旗下）據說正在開發集合方案。SoC 在同一技術節點上所能提供的性能大約是 FPGA 系統的 10 倍，在特定結構中還要更高。由于 SoC 和處理器所需的功率變得越來越低，其區別將來自于新的集合內存系統和帶寬對外部存儲器的有效利用。在這一領域，整合為 systems－on－a－package（SOP）的 3D memory 至少可以節約 10 倍的功率。

類腦芯片

人類大腦的神經元盡管傳導信號的速度很慢，但是卻擁有龐大的數量（千億級），而且每個神經元都通過成千上萬個突觸與其他神經元相連，形成超級龐大的神經元回路，以分布式和并發式的方式傳導信號，相當于超大規模的并行計算，從而彌補了單神經元處理速度的不足。人腦的另一個特點是部分神經元不使用時可以關閉，從而整體能耗很低。IBM的true north芯片就是對人腦在芯片上的模仿。