目前,，Google、Facebook,、Microsoft,、百度等科技巨頭紛紛涉足人工智能,。市場對人工智能的熱情持續(xù)高漲，特別是硬件領(lǐng)域,。有分析師指出,，人工智能將成為下一個科技風(fēng)口，主要的就包括硬件,。

前幾天,，AlphaGo確定5月份要來到中國，對戰(zhàn)當(dāng)前世界排名第一的圍棋選手柯潔,，它是否能打敗柯潔,，變的勢不可擋？去年,，在AlphaGo打敗李世乭的時候,，或許我們都曾想過，它怎么能這么聰明,，是什么支撐了一個機(jī)器人的強(qiáng)大快速的運(yùn)算能力呢,？

沒錯，關(guān)鍵就是谷歌的TPU,。在圖像語音識別,、無人駕駛等人工智能領(lǐng)域的運(yùn)用層面，圖形處理器 (GPU)正迅速擴(kuò)大市場占比,，而谷歌專門為人工智能研發(fā)的TPU則被視為GPU的競爭對手,。TPU是什么？它怎么就被視為GPU的競爭對手了呢,？

人工智能各要素的概念

人工智能的實現(xiàn)三s需要依賴三個要素：算法是核心,，硬件和數(shù)據(jù)是基礎(chǔ)。

算法主要分為為工程學(xué)法和模擬法,。工程學(xué)方法是采用傳統(tǒng)的編程技術(shù),，利用大量數(shù)據(jù)處理經(jīng)驗改進(jìn)提升算法性能；模擬法則是模仿人類或其他生物所用的方法或者技能,，提升算法性能,，例如遺傳算法和神經(jīng)網(wǎng)絡(luò)。

硬件方面,，目前主要是使用 GPU 并行計算神經(jīng)網(wǎng)絡(luò),。

下圖就可體現(xiàn)這些要素之間的關(guān)系：

從產(chǎn)業(yè)結(jié)構(gòu)來講，人工智能生態(tài)分為基礎(chǔ)、技術(shù),、應(yīng)用三層,。

基礎(chǔ)層包括數(shù)據(jù)資源和計算能力；技術(shù)層包括算法,、模型及應(yīng)用開發(fā),；應(yīng)用層包括人工智能+各行業(yè)（領(lǐng)域），比如在互聯(lián)網(wǎng),、金融,、汽車、游戲等產(chǎn)業(yè)應(yīng)用的語音識別,、人臉識別,、無人機(jī)、機(jī)器人,、無人駕駛等功能,。

什么是TPU

TPU，即谷歌的張量處理器——Tensor Processing Unit,。

據(jù)谷歌工程師Norm Jouppi介紹,，TPU是一款為機(jī)器學(xué)習(xí)而定制的芯片，經(jīng)過了專門深度機(jī)器學(xué)習(xí)方面的訓(xùn)練,，它有更高效能（每瓦計算能力）,。大致上，相對于現(xiàn)在的處理器有7年的領(lǐng)先優(yōu)勢,，寬容度更高,，每秒在芯片中可以擠出更多的操作時間，使用更復(fù)雜和強(qiáng)大的機(jī)器學(xué)習(xí)模型,，將之更快的部署,，用戶也會更加迅速地獲得更智能的結(jié)果。谷歌專門為人工智能研發(fā)的TPU被疑將對GPU構(gòu)成威脅,。不過谷歌表示,，其研發(fā)的TPU不會直接與英特爾或NVIDIA進(jìn)行競爭。

TPU最新的表現(xiàn)正是人工智能與人類頂級圍棋手的那場比賽,。在AlphaGo戰(zhàn)勝李世石的系列賽中,，TPU能讓AlphaGo“思考”更快，“想”到更多棋招,、更好地預(yù)判局勢,。

深度學(xué)習(xí)的運(yùn)算流程

對于任何運(yùn)算來說，更換新硬件無非是為了兩個目的：更快的速度和更低的能耗,。而深度學(xué)習(xí)這個看起來玄乎的詞語,，究其本質(zhì)也不過是大量的運(yùn)算。我們都知道那句老話：萬能工具的效率永遠(yuǎn)比不上專用工具。無論是CPU,、GPU還是FPGA，其屬性都算是一種通用工具,。因為它們都可以應(yīng)付許多不同的任務(wù),。而專用的TPU自然從道理上來說就應(yīng)該會比前面幾種硬件的效率都要高。這里的效率高,，既是指速度更快,，也是指能耗會更低。

但我們不能光講道理,，也要擺出一些數(shù)據(jù),。實際上，Xilinx曾經(jīng)表示在特定的FPGA開發(fā)環(huán)境下深度學(xué)習(xí)的能效比會達(dá)到CPU/GPU架構(gòu)的25倍,，不是一倍兩倍,， 是25倍！同學(xué)們可以拿出紙和筆了,，讓我們舉一個實際的例子來講講這種效率提升的原因：以在深度神經(jīng)網(wǎng)絡(luò)（DNN）上進(jìn)行的圖像識別為例子,，網(wǎng)絡(luò)的整個結(jié)構(gòu)大致是這樣的：

其中除輸入層是用來將圖像的特征提取為函數(shù)、輸出層用來輸出結(jié)果外,，其他的隱層都是用來識別,、分析圖像的特征的。當(dāng)一幅圖被輸入時,，第一層隱層會首先對其進(jìn)行逐像素的分析,。此時的分析會首先提取出圖像的一些大致特征，如一些粗略的線條,、色塊等,。如果輸入的是一張人臉的圖像，則首先獲得的會是一些傾斜的顏色變換,。

第一層的節(jié)點會根據(jù)自己對所得信號的分析結(jié)果決定是否要向下一層輸出信號,。而所謂的分析過程，從數(shù)學(xué)上來看就是每個隱層中的節(jié)點通過特定的函數(shù)來處理相鄰節(jié)點傳來的帶權(quán)重值的數(shù)據(jù),。并決定是否向下一層輸出結(jié)果,，通常每一層分析完成后便有些節(jié)點不會再向下一層輸出數(shù)據(jù)，而當(dāng)下一層接收到上一層的數(shù)據(jù)的時候,，便能在此基礎(chǔ)上識別出一些更復(fù)雜的特征,，如眼睛、嘴巴和鼻子等,，

逐次增加辨識度之后,，在最高一層，算法會完成對面部所有特征的識別，并在輸出層給出一個結(jié)果判斷,?；诓煌膽?yīng)用，這個結(jié)果可能有不同的表現(xiàn),。比如分辨出這是誰的臉,。

谷歌的TPU對其他廠商有什么影響？

在TPU發(fā)布之前,，這個領(lǐng)域內(nèi)的大多數(shù)廠商都在同時利用FPGA和GPU來改進(jìn)訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò)算法,。NVIDIA則是其中比較特殊的一家：它是世界最大的GPU制造商之一，一直在不遺余力的推廣自己的產(chǎn)品在深度學(xué)習(xí)領(lǐng)域的應(yīng)用,。但其實GPU的設(shè)計初衷主要并不是進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算,，而是圖像處理。更多是由于其特殊的構(gòu)造碰巧也比較適用于神經(jīng)網(wǎng)絡(luò)運(yùn)算罷了,，盡管NVIDIA也在推出一些自有的深度學(xué)習(xí)算法,，但由于GPU自身的特性一直還是被FPGA壓著一頭。而此次的TPU會讓這個市場上憑空再多一個競爭對手,，因此我認(rèn)為這款TPU對NVIDIA的影響是最大的,。

另一些在人工智能領(lǐng)域已經(jīng)與谷歌有著相似程度的成就的公司則預(yù)計不會受到太多影響，如微軟和蘋果,。微軟一直在探索FPGA對人工智能相關(guān)運(yùn)算的加速,，并且有自己開發(fā)的算法。經(jīng)過長時間的調(diào)試,，基于FPGA的這些算法也未必會在最終表現(xiàn)上輸給谷歌多少,。如果微軟愿意，其實它也可以隨時開始開發(fā)一款自己的人工智能芯片,，畢竟微軟也是自己開發(fā)過很多專屬硬件的了,。

不難想象，由于每一層分析的時候都要對極大量的數(shù)據(jù)進(jìn)行運(yùn)算,，因此對處理器的計算性能要求極高,。這時CPU的短板就明顯的體現(xiàn)出來了，在多年的演化中,，CPU依據(jù)其定位需要不斷強(qiáng)化了進(jìn)行邏輯運(yùn)算（If else之類）的能力,。相對的卻沒有提高多少純粹的計算能力。因此CPU在面對如此大量的計算的時候難免會感到吃力,。很自然的,，人們就想到用GPU和FPGA去計算了。

目前的深度學(xué)習(xí)硬件設(shè)備還有哪些,？與傳統(tǒng)CPU有何差異,？

一.FPGA

FPGA最初是從專用集成電路發(fā)展起來的半定制化的可編程電路,，它無法像CPU一樣靈活處理沒有被編程過的指令，但是可以根據(jù)一個固定的模式來處理輸入的數(shù)據(jù)然后輸出,，也就是說不同的編程數(shù)據(jù)在同一片F(xiàn)PGA可以產(chǎn)生不同的電路功能,，靈活性及適應(yīng)性很強(qiáng)，因此它可以作為一種用以實現(xiàn)特殊任務(wù)的可再編程芯片應(yīng)用與機(jī)器學(xué)習(xí)中,。

譬如百度的機(jī)器學(xué)習(xí)硬件系統(tǒng)就是用FPGA打造了AI專有芯片,，制成了AI專有芯片版百度大腦——FPGA版百度大腦，而后逐步應(yīng)用在百度產(chǎn)品的大規(guī)模部署中,，包括語音識別、廣告點擊率預(yù)估模型等,。在百度的深度學(xué)習(xí)應(yīng)用中,，F(xiàn)PGA相比相同性能水平的硬件系統(tǒng)消耗能率更低，將其安裝在刀片式服務(wù)器上,，可以完全由主板上的PCI Express總線供電,，并且使用FPGA可以將一個計算得到的結(jié)果直接反饋到下一個，不需要臨時保存在主存儲器,，所以存儲帶寬要求也在相應(yīng)降低,。

二.GPU

英偉達(dá)（NVIDIA）制造的圖形處理器 (GPU)專門用于在個人電腦、工作站,、游戲機(jī)和一些移動設(shè)備上進(jìn)行圖像運(yùn)算工作,，是顯示卡的“心臟”。

1.GPU與CPU的區(qū)別

本身架構(gòu)方式和運(yùn)算目的的不同,，導(dǎo)致英特爾制造的CPU 和 GPU之間有所區(qū)別,。

GPU之所以能夠迅速發(fā)展，主要原因是GPU針對密集的,、高并行的計算,，這正是圖像渲染所需要的，因此 GPU 設(shè)計了更多的晶體管專用于數(shù)據(jù)處理,，而非數(shù)據(jù)高速緩存和流控制,。

與CPU相比，GPU擁有更多的處理單元,。GPU和CPU 上大部分面積都被緩存所占據(jù)有所不同,，諸如GTX 200 GPU之類的核心內(nèi)很大一部分面積都作為計算之用。如果用具體數(shù)據(jù)表示,，大約估計在 CPU 上有 20%的晶體管是用作運(yùn)算之用的,，而（GTX 200）GPU 上有 80%的晶體管用作運(yùn)算：

GPU 的處理核心 SP 基于傳統(tǒng)的處理器核心設(shè)計，能夠進(jìn)行整數(shù),，浮點計算,，邏輯運(yùn)算等操作,，從硬體設(shè)計上看就是一種完全為多線程設(shè)計的處理核心，擁有復(fù)數(shù)的管線平臺設(shè)計,，完全勝任每線程處理單指令的工作,。

GPU 處理的首要目標(biāo)是運(yùn)算以及數(shù)據(jù)吞吐量，而 CPU 內(nèi)部晶體管的首要目的是降低處理的延時以及保持管線繁忙,，這也決定了 GPU 在密集型計算方面比起 CPU 來更有優(yōu)勢,。

2.GPU+CPU異構(gòu)運(yùn)算

就目前來看，GPU不是完全代替CPU,，而是兩者分工合作,。

在 GPU 計算中 CPU 和 GPU 之間是相連的，而且是一個異構(gòu)的計算環(huán)境,。這就意味著應(yīng)用程序當(dāng)中,，順序執(zhí)行這一部分的代碼是在 CPU 里面進(jìn)行執(zhí)行的，而并行的也就是計算密集這一部分是在 GPU 里面進(jìn)行,。

異構(gòu)運(yùn)算（heterogeneous computing）是通過使用計算機(jī)上的主要處理器,，如CPU 以及 GPU 來讓程序得到更高的運(yùn)算性能。一般來說,，CPU 由于在分支處理以及隨機(jī)內(nèi)存讀取方面有優(yōu)勢,，在處理串聯(lián)工作方面較強(qiáng)。在另一方面,，GPU 由于其特殊的核心設(shè)計,，在處理大量有浮點運(yùn)算的并行運(yùn)算時候有著天然的優(yōu)勢。完全使用計算機(jī)性能實際上就是使用 CPU 來做串聯(lián)工作,，而 GPU 負(fù)責(zé)并行運(yùn)算,，異構(gòu)運(yùn)算就是“使用合適的工具做合適的事情”。

只有很少的程序使用純粹的串聯(lián)或者并行的,，大部分程序同時需要兩種運(yùn)算形式,。編譯器、文字處理軟件,、瀏覽器,、e-mail 客戶端等都是典型的串聯(lián)運(yùn)算形式的程序。而視頻播放,，視頻壓制,，圖片處理，科學(xué)運(yùn)算,，物理模擬以及 3D 圖形處理（Ray tracing 及光柵化）這類型的應(yīng)用就是典型的并行處理程序,。

三.FPGA和GPU

實際的計算能力除了和硬件的計算速度有關(guān)，也同硬件能支持的指令有關(guān),。我們知道將某些較高階的運(yùn)算分解成低階運(yùn)算時會導(dǎo)致計算的效率下降,。但如果硬件本身就支持這種高階運(yùn)算,，就無需再將其分解了?？梢怨?jié)省很多時間和資源,。

FPGA和GPU內(nèi)都有大量的計算單元，因此它們的計算能力都很強(qiáng),。在進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算的時候速度會比CPU快很多,，但兩者之間仍存在一些差別。GPU出廠后由于架構(gòu)固定硬件原生支持的指令其實就固定了,。如果神經(jīng)網(wǎng)絡(luò)運(yùn)算中有GPU不支持的指令,，比如，如果一個GPU只支持加減乘除,，而我們的算法需要其進(jìn)行矩陣向量乘法或者卷積這樣的運(yùn)算,，GPU就無法直接實現(xiàn)，就只能通過軟件模擬的方法如用加法和乘法運(yùn)算的循環(huán)來實現(xiàn),，速度會比編程后的FPGA慢一些。而對于一塊FPGA來說,，如果FPGA沒有標(biāo)準(zhǔn)的“卷積”指令,，開發(fā)者可以在FPGA的硬件電路里“現(xiàn)場編程”出來。相當(dāng)于通過改變FPGA的硬件結(jié)構(gòu)讓FPGA可以原生支持卷積運(yùn)算,，因此效率會比GPU更高,。

其實講到這里，我們已經(jīng)比較接近谷歌開發(fā)TPU的原因了,。TPU是一種ASIC,，這是一種與FPGA類似，但不存在可定制性的專用芯片,，如同谷歌描述的一樣,，是專為它的深度學(xué)習(xí)語言Tensor Flow開發(fā)的一種芯片。因為是專為Tensor Flow所準(zhǔn)備,，因此谷歌也不需要它擁有任何可定制性了,，只要能完美支持Tensor Flow需要的所有指令即可。而同時,，TPU運(yùn)行Tensor Flow的效率無疑會是所有設(shè)備中最高的,。這就是谷歌開發(fā)TPU的最顯而易見的目的：追求極致的效率。

一場人工智能芯片之爭在谷歌發(fā)布這款專用機(jī)機(jī)器學(xué)習(xí)算法的專用芯片-TPU之后正式拉開序幕,。誰能走在人工智能的前面,，誰能主導(dǎo)未來人工智能發(fā)展趨勢，掌握核心技術(shù),，誰就能贏得這場戰(zhàn)爭的勝利吧,！