GPU/FPGA/ASIC/类脑芯片，他们各自的优势是什么

（文章来源：千家网）

为了进行大数据处理，当前的方案一般采用高性能的处理器辅助MCU进行计算，但是随着摩尔定律时间周期拉长，处理器上可集成的器件数量会达到极限，而数据量还在不断增加，因此我们需要通过架构的变化来满足数据量的增长，这就是人工智能芯片推出的背景。

目前来看，人工智能芯片有四类架构：GPU、FPGA、ASIC和类脑芯片。

GPU：是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，如名字一样，图形处理器，GPU善于处理图像领域的运算加速。但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。

FPGA：和GPU相反，FPGA适用于多指令，单数据流的分析，因此常用于预测阶段，如云端。FPGA是用硬件实现软件算法，因此在实现复杂算法方面有一定的难度，缺点是价格比较高。将FPGA和GPU对比发现，一是缺少内存和控制所带来的存储和读取部分，速度更快。二是因为缺少读取的作用，所以功耗低，劣势是运算量并不是很大。结合CPU和GPU各自的优势，有一种解决方案就是异构。

ASIC芯片：是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的TPU、寒武纪的GPU，地平线的BPU都属于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，与CPU和GPU相比，TPU把控制缩小了，因此减少了芯片的面积，降低了功耗。

很多人认为ASIC是人工智能芯片的一个主要发展方向，其实在ASIC芯片里还有一个特殊的群体—类脑计算，林雨认为，“这才是真正的人工智能芯片未来发展的方向。类脑计算是真正模拟人脑进行设计，人脑的特点就是神经元进行传输数据。当我们用硬件去模拟人脑时，在硬件环节里还有许多多余的元素，而类脑芯片就拟合人脑的作用。要做类脑芯片非常难，IBM、高通、英特尔等公司的芯片策略都是用硬件来模仿人脑的神经突触。”

（责任编辑：fqj）