4月19日，有消息稱，阿里巴巴達摩院正在研發一款神經網絡芯片——Ali-NPU，主要運用于圖像視頻分析、機器學習等AI推理計算。按照設計，這款芯片性能將是目前市面上主流CPU、GPU架構AI芯片的10倍，而制造成本和功耗僅為一半，其性價比超過40倍。

事實上，隨著人工智能產業的發展，CPU、GPU、TPU、DPU、NPU、BPU……各種PU也開始爆發式出現。那么，究竟這些PU在性能和使用上有何異同，又有哪些優劣呢？

CPU：計算力占據部分很小 擅長邏輯控制

CPU是最為普遍，最為常見的中央處理器。主要包括運算器（ALU）和控制單元（CU），除此之外還包括若干寄存器、高速緩存器和它們之間通訊的數據、控制及狀態的總線。依循馮諾依曼架構，CPU需要大量空間放置存儲單元和控制邏輯，計算能力只占據很小的部分，更擅長邏輯控制。

CPU結構簡化圖

GPU：計算單元數量眾多 但無法單獨使用

GPU的誕生可以解決CPU在計算能力上的天然缺陷。采用數量眾多的計算單元和超長的流水線，善于處理圖像領域的運算加速。但GPU的缺陷也很明顯，即無法單獨工作，必須由CPU進行控制調用才能工作。

CPU、GPU微架構對比圖

TPU：高性能低功耗 然則開發周期長、轉換成本高

谷歌專門為 TensorFlow 深度學習框架定制的TPU，是一款專用于機器學習的芯片。TPU可以提供高吞吐量的低精度計算，用于模型的前向運算而不是模型訓練，且能效更高。但它的缺陷主要是開發周期長、可配置性能有限，缺乏靈活性且轉換成本高。

DPU：可實現快速開發與產品迭代

國際上，Wave Computing最早提出DPU。在國內，DPU最早是由深鑒科技提出，是基于Xilinx可重構特性的FPGA芯片，設計專用深度學習處理單元，且可以抽象出定制化的指令集和編譯器，從而實現快速的開發與產品迭代。

深鑒“雨燕”DPU平臺

NPU：運行效率提升 不支持大樣本訓練

NPU是神經網絡處理器，在電路層模擬人類神經元和突觸，并且用深度學習指令集直接處理大規模的神經元和突觸，一條指令完成一組神經元的處理。相比于CPU和GPU的馮諾伊曼結構，NPU通過突觸權重實現存儲和計算一體化，從而提高運行效率。但NPU也有自身的缺陷，比如不支持對大量樣本的訓練。

BPU：比在CPU上用軟件實現更為高效 不可再編程

BPU是由地平線主導的嵌入式處理器架構。第一代是高斯架構，第二代是伯努利架構，第三代是貝葉斯架構。BPU主要是用來支撐深度神經網絡,比在CPU上用軟件實現更為高效。然而，BPU一旦生產，不可再編程，且必須在CPU控制下使用。

從CPU、GPU的市場來看，已經基本被英特爾、英偉達和AMD三分天下。而在ASIC框架下的TPU，只有谷歌的體量和實力才有開發專用加速的動力。

推出DPU的深鑒科技有清華和斯坦福雙重學術背景，公司目前的兩條發展路線是：以芯片技術為主的純技術路線，以及基于技術的產品路線。其處理器做深度學習應用端，不做訓練端。目前，其深度壓縮技術可以將神經網絡壓縮數十倍而不影響精度，還可以使用芯片存儲深度學習算法模型，減少內存讀取次數，降低運行功耗。

去年底，地平線在創辦兩年后終于發布首款芯片——“征程”與“旭日”。目前，這兩款處理器都屬于嵌入式人工智能視覺芯片，分別面向智能駕駛和智能攝像頭。2018年CES上，英特爾和地平線還發布了基于伯努利架構的新一代征程處理器，其發展路徑圖為：2018年，感知；2019年，建模；2020年，決策。

而因為與英特爾的合作，地平線不禁讓市場聯想到英特爾早前重金收購的Mobileye。在嵌入式人工智能領域，Mobileye是業界領頭羊。地平線在英特爾的定位版圖是否是中國版Mobileye？但其創始人余凱的抱負是，地平線是要做中國的英特爾。

相較而言，阿里在三家中最為熱衷芯片布局，上述包括寒武紀、深鑒科技均有阿里參投。