（文章來源：電子信息產業網）

有學者指出，英偉達在芯片領域的強勢表現源于其對AI技術需要高并行浮點計算的預判。英偉達創始人黃仁勛認為，大腦在想象物體時會浮現相應的圖像，與GPU運行模式類似。相比串行運算的CPU，用大量小核心進行大規模并行計算的GPU能提升運算速度，更加適應深層神經網絡對矩陣乘法運算和卷積運算的需求。

“不考慮RGB信息，圖像就是一個二維陣列，GPU對每一個陣列、每一個單元采用相似的處理方法， 實現規模并行計算，而通用的人工智能算法也有著處理單元（神經元）多、處理方式相似的特點。在用AI升級計算能力方面，GPU是一個很好的方案。”賽迪智庫軟件產業所研究員蒲松濤告訴《中國電子報》記者。

據悉，英偉達發布的Volta架構Tesla V100 GPU在混合精度矩陣乘法和累加的峰值運算已達120 TFLOP/s，目前英偉達Drive PX芯片應用于自動駕駛，Jetson芯片應用于無人機和機器人，Tesla系列用于加速超算和云計算，從深度學習框架到產品終端皆有布局。

在今年的CVPR（IEEE國際計算機視覺與模式識別會議），英偉達將Volta架構的GPU免費贈送給100位AI研究者，其中包括15枚Tesla V100，可見英偉達對AI的進取心。據Jon Peddie Research數據，英偉達2017年在GPU市場占有率達72.5%，AI成為英偉達主導市場的抓手。

微軟宣布英特爾Stratix10 FPGA芯片成為其深度學習平臺Project Brainwave的關鍵加速器。英特爾可程式化解決方案事業群總經理Dan Mcnamara稱，英特爾FGPA根據微軟對AI算法最優化與AI實時處理的需求定制硬件加速器，FGPA的可編程集成電路能廣泛適應結構化與非結構化數據。英特爾FPGA將加速器集成在處理器硬件層能降低延遲、提升效能，增強平臺在深度學習、機器學習、網絡、存儲方面的表現。

支持定制、功耗更低、效率更高的FGPA能狙擊GPU的主流地位嗎？從架構來看，FGPA的算法直接構建在物理層，比依靠指令系統的CPU、GPU更有效率，可編程的開源屬性也讓FGPA更加靈活。

“FGPA性價比更低，功耗小，擴展性好，可編程可開發，非常適合深度學習在云端的算法訓練。但FGPA的部署量還與GPU有相當的差距，尚處于各自開發的階段，沒有統一的開源框架，” ?賽迪顧問電子信息行業分析師向陽在接受《中國電子報》專訪時說。向陽認為FGPA是一種趨勢，未來BAT或許會更多采用FGPA集成AI算法。

英特爾研發團隊也注意到現階段FGPA與GPU的差距。他們指出，深度學習對浮點運算和矩陣運算的需求讓GPU脫穎而出，但Stratix10 FPGA芯片有幾千個硬浮點單元、靈活的內嵌RAM、高帶寬內存，在效能上并沒有被GPU甩開。而深度神經網絡正在引入越來越多的不適合GPU處理的不規則并行數據，他們預測FGPA會成為下一代深度神經網絡的加速硬件。

談到AI芯片，就不得不提被視為Tesla V100最強對手的谷歌TPU 2.0。與英偉達不同，谷歌不打算出售TPU 2.0，而是將它集成到谷歌數據中心，預計開發者可在今年年底之前通過云平臺訓練、執行T神經網絡訓練。與競爭對手相比，谷歌對AI生態的主導意識更強，TPU 2.0需配合谷歌Tensorflow深度學習框架，使用Caffe、Torch的開發者則要基于TPU 2.0進行調整。