微處理芯片通常被比作計算機的“大腦”。兩種主要類型 - CPU和GPU - 需要運行軟件，渲染圖像，以及運行需要多個並行進程的任何任務，例如機器學習或數據分析。 目前絕大多數人工智能處理過程都需要GPU，而且該領域的主導者Nvidia在過去五年左右保持穩定。
然而，NewtonX採訪了包括亞馬遜和微軟在內的科技巨頭的高管，他們透露，現有企業並不滿足於讓Nvdia主導芯片市場，谷歌，亞馬遜，蘋果和微軟之間的設備競賽已經開始。 關於該主題的NewtonX採訪系列闡述了競爭如何發揮作用，以及每個公司希望在這場科技角逐的競賽中獲得的收益。
什麼是芯片？ 簡單介紹一下 GPU，CPU和TPU
CPU（計算機處理單元）已經出現，因為個人計算機早已問世。 CPU並不是計算機的同義詞 - 相反，它們是計算機的大腦。它們位於計算機主板上，通過將數十億個微觀晶體管放置在一個計算機芯片上構建而成。這些晶體管允許芯片進行運行存儲在計算機存儲器上的程序所需的計算。隨著時間的推移，這些晶體管變得越來越小，這導致CPU速度越來越快。
GPU（圖形處理單元）是一項新技術：Nvidia於1999年發佈了第一款GPU GeForce 256。基本上，GPU允許快速圖像渲染，從而減輕CPU中圖形密集型應用程序的負擔。 GPU已經成為人工智能計算的重要組成部分，因為它們允許實時圖形處理。事實上，世界上最快的超級計算機——中國的天河1A，是CPU和Nvidia GPU的混合體。
CPU和GPU均採用英國芯片設計公司ARM的架構構建，該公司幾乎是當今智能手機中的每一款芯片。
TPU是由Google開發的用於神經網絡機器學習的尚未商用的AI加速器芯片。 谷歌在其AlphaGo、谷歌街景文本處理、谷歌搜索結果中使用了TPU，並且每天在Google照片中處理超過1億張照片。 TPU不是GPU或CPU的替代品; 它們用於高容量計算（例如一次分類數百萬張照片）。
TPU加速了大型複雜神經網絡模型的準確性; 之前花費數週時間在CPU / GPU硬件平臺上進行培訓的模型可以在幾小時內在TPU上進行培訓。 谷歌也是第一家開發可行的AI專用芯片的公司，但其競爭對手也正在拼命追趕。
而且，谷歌月前還為企業應用設計了一款名為Edge TPU的AI芯片，而且Edge TPU可作為客戶的開發套件提供。Edge TPU旨在執行機器學習算法訓練的任務。 例如，它將能夠識別圖片中的對象。 最初的TPU專注於訓練，但新的Edge TPU將負責執行任務。
對AI處理能力的角逐：每個科技巨頭投入巨大精力
在2018年初，ARM推出了兩款新芯片：ARM機器學習處理器，它可以提高AI應用語音和麵部識別的計算速度，以及ARM物體檢測處理器，它針對檢測人和物體進行了優化。發佈是及時的：同月，谷歌表示將允許其他公司通過其雲計算服務購買其TPU的訪問權限。與所有ARM芯片架構一樣，該公司本身並不製造芯片，而是將其設計許可給第三方。
其他科技公司的湧入。Apple設計並構建了一個神經引擎芯片作為iPhone X的一部分，用於處理手機的圖像和語音處理神經網絡。 NewtonX芯片專家表示，神經引擎不僅可能成為iPhone的核心，也可能成為所有智能手機的核心，因為它們更加依賴於AR，圖像識別和語音識別。事實上，在2017年，中國的電信公司華為也宣佈了一個加速機器學習的神經處理單元。
“紐約時報”估計人工智能專用創業芯片公司的數量已經達到45家並且還在不斷增長，考慮到中國隱形公司的數量，專家表示這個數字還要大一些。
谷歌還在Pixel 2上推出了第一款定製成像芯片的智能手機AI芯片。該處理器處理谷歌的機器學習HDR +攝影速度比手機的主CPU快五倍，但耗電量只有十分之一。 （谷歌開發TPU的主要動機是提高計算能力，同時降低能源消耗）。 該芯片還使谷歌的HDR +可用於第三方相機應用程序，如Instagram。
不甘落伍，亞馬遜已經開始為Alexa構建自己的AI芯片。 2015年，亞馬遜收購了以色列芯片製造商Annapurna Labs，目前該公司擁有近500名員工，擁有高水平的芯片專業知識。
為什麼大家都熱衷於製造AI芯片？ AI芯片給科技巨頭帶來了什麼?
在AI芯片革命之前，大多數基於AI的處理都發生在雲端。這有兩個缺點：它增加了響應時間並在數據中心中使用了大量的能量。隨著智能手機和其他垂直行業（包括醫療保健和交通運輸）日益增加人工智能和機器學習依賴性，擁有AI專用芯片可以承擔處理負載以運行人工智能任務將是至關重要的。雖然人工智能任務的大部分培訓仍將在雲中進行，但訓練算法的實際運行可以在硬件上進行。
將技術巨頭引入這一領域可能會給像Nvidia和AMD這樣的芯片製造商帶來激烈的競爭，特別是如果任何一家巨頭將其特定於AI的硬件出售給其他公司，不過目前Google似乎不會這樣做。
閱讀更多 引力空間站 的文章
