市场对人工智能的热情持续高涨，特别是硬件领域。
正在向人工智能服务器供应商转型的图形处理器(GPU)生产巨头英伟达(NVIDIA)股价周一创出历史新高，凸显出市场对人工智能硬件领域的追捧。
目前，Google、Facebook、Microsoft、百度等科技巨头纷纷涉足人工智能。Google本周就宣布，正在为人工智能研发专门的芯片TensorFlow处理器(TPU)。人工智能将成为下一个大风口，首当其冲的就包括硬件。
在图像语音识别、无人驾驶等人工智能领域的运用层面，图形处理器(GPU)正迅速扩大市场占比，而谷歌专门为人工智能研发的TPU则被视为GPU的竞争对手。
概念
人工智能的实现需要依赖三个要素：算法是核心，硬件和数据是基础。
算法主要分为为工程学法和模拟法。工程学方法是采用传统的编程技术，利用大量数据处理经验改进提升算法性能;模拟法则是模仿人类或其他生物所用的方法或者技能，提升算法性能，例如遗传算法和神经网络。
硬件方面，目前主要是使用GPU并行计算神经网络。
下图体现这些要素之间的关系：
从产业结构来讲，人工智能生态分为基础、技术、应用三层。
基础层包括数据资源和计算能力;技术层包括算法、模型及应用开发;应用层包括人工智能+各行业(领域)，比如在互联网、金融、汽车、游戏等产业应用的语音识别、人脸识别、无人机、机器人、无人驾驶等功能。
GPU
英伟达(NVIDIA)制造的图形处理器(GPU)专门用于在个人电脑、工作站、游戏机和一些移动设备上进行图像运算工作，是显示卡的“心脏”。
GPU与CPU的区别
本身架构方式和运算目的的不同，导致英特尔制造的CPU和GPU之间有所区别(图表来自浙商证券)。
GPU之所以能够迅速发展，主要原因是GPU针对密集的、高并行的计算，这正是图像渲染所需要的，因此GPU设计了更多的晶体管专用于数据处理，而非数据高速缓存和流控制。
与CPU相比，GPU拥有更多的处理单元。据海通证券分析师郑宏达、魏鑫介绍，
和CPU上大部分面积都被缓存所占据有所不同，诸如GTX200GPU之类的核心内很大一部分面积都作为计算之用。如果用具体数据表示，大约估计在CPU上有20%的晶体管是用作运算之用的，而(GTX200)GPU上有80%的晶体管用作运算：
GPU的处理核心SP基于传统的处理器核心设计，能够进行整数，浮点计算，逻辑运算等操作，从硬体设计上看就是一种完全为多线程设计的处理核心，拥有复数的管线平台设计，完全胜任每线程处理单指令的工作。
GPU处理的首要目标是运算以及数据吞吐量，而CPU内部晶体管的首要目的是降低处理的延时以及保持管线繁忙，这也决定了GPU在密集型计算方面比起CPU来更有优势。
GPU+CPU异构运算
就目前来看，GPU不是完全代替CPU，而是两者分工合作。
在GPU计算中CPU和GPU之间是相连的，而且是一个异构的计算环境。这就意味着应用程序当中，顺序执行这一部分的代码是在CPU里面进行执行的，而并行的也就是计算密集这一部分是在GPU里面进行。
异构运算(heterogeneouscomputing)是通过使用计算机上的主要处理器，如CPU以及GPU来让程序得到更高的运算性能。一般来说，CPU由于在分支处理以及随机内存读取方面有优势，在处理串联工作方面较强。在另一方面，GPU由于其特殊的核心设计，在处理大量有浮点运算的并行运算时候有着天然的优势。完全使用计算机性能实际上就是使用CPU来做串联工作，而GPU负责并行运算，异构运算就是“使用合适的工具做合适的事情”。
只有很少的程序使用纯粹的串联或者并行的，大部分程序同时需要两种运算形式。编译器、文字处理软件、浏览器、e-mail客户端等都是典型的串联运算形式的程序。而视频播放，视频压制，图片处理，科学运算，物理模拟以及3D图形处理(Raytracing及光栅化)这类型的应用就是典型的并行处理程序。
GPU的运用
正是因为GPU特别适合大规模并行运算的特点，因此，“GPU在深度学习领域发挥着巨大的作用”。
GPU可以平行处理大量琐碎信息。深度学习所依赖的是神经系统网络——与人类大脑神经高度相似的网络——而这种网络出现的目的，就是要在高速的状态下分析海量的数据。例如，如果你想要教会这种网络如何识别出猫的模样，你就要给它提供无数多的猫的图片。而这种工作，正是GPU芯片所擅长的事情。而且相比于CPU，GPU的另一大优势，就是它对能源的需求远远低于CPU。GPU擅长的是海量数据的快速处理。
深度学习令NVIDIA业绩加速增长，利用GPU的大规模并行处理能力来学习人工智能算法再合适不过，GPU并行计算能力正在渗透一个又一个高精尖行业，推动GPU的需求不断增长。移动端，不论是当前火热的移动直播，还是移动VR设备，基于图形处理的需求都在急剧爆发。目前移动市场的GPU还远远落后于PC端，市场被高通、ARM、imagination等三大巨头占据。
GPU的劣势
不过，GPU也有不足之处。
虽然GPU更擅长于类似图像处理的并行计算，因为像素与像素之间相对独立，GPU提供大量的核，可以同时对很多像素进行并行处理。但是，这并不能带来延迟的提升(而仅仅是处理吞吐量的提升)。比如，当一个消息到达时，虽然GPU有很多的核，但只能有其中一个核被用来处理当前这个消息，而且GPU核通常被设计为支持与图像处理相关的运算，不如CPU通用。
GPU主要适用于在数据层呈现很高的并行特性(data-parallelism)的应用，比如GPU比较适合用于类似蒙特卡罗模拟这样的并行运算。
GPU的另外一个问题是，它的“确定性”不如可编程的硅芯片FPGA，相对较容易产生计算错误。
TPU
TPU，即谷歌的张量处理器——Tensor Processing UNIt。
据谷歌工程师NormJouppi介绍，TPU是一款为机器学习而定制的芯片，经过了专门深度机器学习方面的训练，它有更高效能(每瓦计算能力)。大致上，相对于现在的处理器有7年的领先优势，宽容度更高，每秒在芯片中可以挤出更多的操作时间，使用更复杂和强大的机器学习模型，将之更快的部署，用户也会更加迅速地获得更智能的结果。
谷歌专门为人工智能研发的TPU被疑将对GPU构成威胁。不过谷歌表示，其研发的TPU不会直接与英特尔或NVIDIA进行竞争。
据谷歌介绍，TPU已在谷歌的数据中心运行了一年多，表现非常好。谷歌的很多应用都用到了TPU，比如谷歌街景，以及AlphaGo等。
TPU最新的表现正是人工智能与人类顶级围棋手的那场比赛。在AlphaGo战胜李世石的系列赛中，TPU能让AlphaGo“思考”更快，“想”到更多棋招、更好地预判局势。
