AI专用芯片NPU/TPU
作者：微信文章AI芯片是专门为加速AI应用中的矩阵计算任务而设计的处理器或计算模块。它们采用针对特定领域优化的体系结构(Domain-Specific Architecture, DSA)，重点提升执行AI算法所需的专用计算性能。
作为一种专用加速器，AI芯片通过在硬件层面优化深度学习算法中所需的矩阵乘法、卷积等关键运算，显著提高AI应用的执行速度，并降低功耗。与此相比，GPU减少了控制逻辑的复杂性，但增加了ALU(算术逻辑单元)的数量，从而提供了高计算并行度。而NPU则拥有大量的AI核心，使其能够高效地完成特定的AI计算任务。
技术路线：
作为加速应用的AI芯片，主要的技术路线有三种：GPU、FPGA、ASIC。
GPU(Graphics Processing Unit)：适合图形处理和科学计算，具有强大的并行处理能力和通用性。
FPGA(Field-Programmable Gate Array)：是一种可编程逻辑器件，可以根据需求进行重新配置。灵活性高，适合多种应用场景。性能介于通用处理器和ASIC之间，适合快速原型开发和小规模生产。
ASIC(Application-Specific Integrated Circuit)：是为特定应用设计的集成电路，具有高效能和低功耗的特点。其NPU和TPU都是ASIC，但NPU更加专注于神经网络，而TPU则是针对TensorFlow优化的。
NPU(Neural Processing Unit)：专门为加速神经网络计算而设计的处理器，优化了深度学习任务的执行。低功耗，适合移动设备和边缘计算。
TPU(Tensor Processing Unit)：Google开发的专用集成电路(ASIC)，用于加速机器学习任务，主要用于云计算环境，支持大规模模型训练和推理。
AI 芯片部署方式：云、边、端
云端计算
定义：云端计算是指通过互联网在远程服务器上提供计算资源、存储和服务，而不是在本地设备上进行处理。
位置：数据和应用程序存储在云服务提供商的数据中心，用户通过网络访问这些资源。
应用场景：适用于需要大规模数据处理、存储和分析的应用，如大数据分析、机器学习模型训练和企业级应用。
计算能力：云端计算提供强大的计算能力，可以根据需求动态扩展资源，支持复杂的计算任务。
边缘计算
定义：边缘计算是指在靠近数据源(如 IoT 设备、传感器等)的地方进行数据处理和分析，而不是将数据发送到远程数据中心或云端。
位置：通常部署在网络的边缘，例如路由器、网关或边缘服务器。
应用场景：适合需要实时处理和低延迟的应用，如智能监控、工业自动化和智能城市。
计算能力：通常具有更强的计算能力，可以处理较复杂的任务。
端侧计算
定义：端侧计算是将计算能力直接嵌入到终端设备中，允许设备独立执行 AI 算法和数据处理。
位置：部署在最终用户的设备上，如智能手机、摄像头、家用电器等。
应用场景：适合对隐私和安全要求较高的应用，如个人助手、健康监测和智能家居。
计算能力：通常受限于终端设备的硬件能力，因此处理能力相对较弱。
参考：
AI系统：原理与架构. (2024).科学出版社. ISBN 9787030792877.
页:
[1]