一、人工智能经验过三个阶段，迎来爆发式增长
狭义上讲只有可能运行人工智能算法的芯片都叫作 AI 芯片。然而通常意义上的 AI 芯片指的是针对人工智能算法做了非凡减速设计的芯片。
AI 芯片也被称为 AI 加速器或计算卡，即专门用于解决人工智能利用中的大量计算工作的模块（其余非计算工作仍由 CPU 负责）。
第一阶段：因为芯片算力有余，所以神经网络没有受到重视；
第二阶段：通用芯片 CPU 的算力大幅晋升，但依然无奈满足神经网络的需要；
第三阶段：GPU 和和新架构的 AI 芯片推动人工智能落地。
事件 1：2014 年李天石博士“DianNao”系列论文让科学界看到，在冯诺依曼架构下也能够实现 AI 专用芯片；
事件 2：Google 推出的 TPU 运算架构的 AlphaGo，接连战胜李世石和柯洁，看到了专用芯片的商业价值。
二、举荐式零碎模型参数，复杂度大幅减少
GPT- 3 模型目前已入选了《麻省理工科技评论》2021 年“十大突破性技术。
GPT- 3 的模型应用的最大数据集在解决前容量达到了 45TB。依据 OpenAI 的算力统计单位 petaflops/s-days，训练 AlphaGoZero 须要 1800-2000pfs-day，而 GPT- 3 用了 3640pfs-day。
算力时代，GPU 开辟新场景
三、深度学习模型复杂度对芯片，算力需要激增
AI 运算指以“深度学习”为代表的神经网络算法，须要零碎可能高效解决大量非结构化数据（文本、视频、图像、语音等）。须要硬件具备高效的线性代数运算能力，计算工作具备：单位计算工作简略，逻辑管制难度要求低，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要。
自 2012 年以来，人工智能训练任务所需要的算力每 3.43 个月就会翻倍，大大超越了芯片产业长期存在的摩尔定律（每 18 个月芯片的性能翻一倍）。
针对不同利用场景，AI 芯片还应满足：对支流 AI 算法框架兼容、可编程、可拓展、低功耗、体积及价格等需要。
算力时代，GPU 开辟新场景
四、部署地位对 AI 芯片性能，要求差别
依据机器学习算法步骤，可分为训练芯片和推断芯片。训练芯片次要是指通过大量的数据输出，构建简单的深度神经网络模型的一种 AI 芯片，运算能力较强。推断芯片次要是指利用训练进去的模型加载数据，计算“推理”出各种论断的一种 AI 芯片，偏重思考单位能耗算力、时延、老本等性能。
从部署的地位来看，AI 芯片可分为云端（服务器端）、终端（挪动端）两大类。
云端芯片，是指部署在私有云、公有云或混合云上的 AI 芯片，不仅可用于训练，还可用于推断，算力强劲。
终端芯片，是指利用于手机等嵌入式、挪动终端等畛域的 AI 芯片，此类芯片个别体积小、耗电低、性能无需特地弱小。
五、GPU 是较为成熟的通用型，人工智能芯片
从技术架构来看，AI 芯片次要分为图形处理器、现场可编程门阵列、专用集成电路、类脑芯片四大类。
其中，GPU 是较为成熟的通用型人工智能芯片，FPGA 和 ASIC 则是针对人工智能需要特色的半定制和全定制芯片，类脑芯片颠覆传统冯诺依曼架构，是一种模仿人脑神经元构造的芯片，类脑芯片的倒退尚处于起步阶段。
六、GPU 设计之初用于显示，图像应用
GPU 图形渲染流水线的具体实现可分为六个阶段，如图所示。
顶点着色器（VertexShader）；
形态拆卸（ShapeAssembly），又称图元拆卸；
几何着色器（GeometryShader）；
光栅化（Rasterization）；
片段着色器（FragmentShader）；
测试与混合（TestsandBlending）。
七、GPU 适宜并行运行，大量计算
GPU（图形处理器）又称显示外围、显卡、视觉处理器、显示芯片或绘图芯片，是一种专门在个人电脑、工作站、游戏机和一些挪动设施（如平板电脑、智能手机等）上运行绘图运算工作的微处理器。
GPU 使显卡缩小对 CPU 的依赖，并分担局部本来是由 CPU 所担当的工作，尤其是在进行三维绘图运算时，效用更加显著。图形处理器所采纳的核心技术有硬件坐标转换与光源、平面环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素 256 位渲染引擎等。
GPU 是一种非凡类型的处理器，具备数百或数千个内核，通过优化，可并行运行大量计算。尽管 GPU 在游戏中以 3D 渲染而闻名，但它们对运行剖析、深度学习和机器学习算法尤其有用。
起源：本文整顿【驭势资本】