寒武紀科技（Cambricon）是中科院計算所孵化的一家獨角獸公司，2016年推出的寒武紀1A處理器（Cambricon-1A）是世界首款商用深度學習專用處理器，面向智能手機、安防監控、可穿戴設備、無人機和智能駕駛等各類終端設備。
華為官方在Twitter也發布了一張海報，上面寫著一句話：“AI不止是語音助手”，預示華為下一代自研的處理器將擺脫束縛，實現更多人機交互的可能性。余承東認為：“人工智能時代的來臨，意味著移動互聯網進入到智慧互聯網時代，用戶入口將有由從傳統的APP，向智慧助理+API入口發展。未來的智能手機將成為真正的智慧手機，到2025年超過90%的智能終端用戶將從個性化、智慧化的智能個人助理服務中獲益?！?/span>
全球智能芯片領域“搶占賽道”白熱化
而放眼全球，科技巨頭對于智能芯片追逐和布局已經到了白熱化的地步：
1. 人工智能顯卡芯片總龍頭英偉達股價2年8倍，繼續領漲美國科技股；
2. 2016年7月20日，軟銀宣布將以243億英鎊(約合320億美元)，43%的溢價收購移動端芯片總龍頭ARM，英國芯片設計公司ARM；
3. 2016年9月，英特爾收購視覺芯片公司Movidius；
4. 2017年3月，英特爾宣布以153億美元收購以色列無人駕駛Mobileye；
5.谷歌自主研發人工智能數據中心芯片TPU，搭載AlphaGo應用，橫掃人類圍棋界
“芯片”是站在整個電子產業鏈最頂端的行業，在英特爾芯片壟斷PC時代、ARM芯片稱霸移動互聯網時代的歷史進程中，芯片永遠都是作為產業鏈最上游，是行業先導指標。核心芯片決定一個計算時代的基礎架構！當今谷歌、微軟、IBM、Facebook、英偉達等IT巨頭之所以紛紛投巨資加速人工智能核心芯片的研發，都是意圖從源頭上掌控核心芯片架構，取得人工智能計算時代的主導權。未來3-5年，隨著人工智能定制芯片的突破，所有行業都將實現人工智能化！屆時，智能化市場之規模和容量將數十倍于現今的移動互聯網市場。
在PC時代處于霸主地位的X86架構和移動互聯網時代壟斷全行業的ARM架構的發展歷程表明，核心芯片決定了一個新的計算平臺的基礎架構和發展生態，新的計算時代來臨之時往往是新興企業彎道超車的絕佳機遇，目前使用的GPU、FPGA均非人工智能定制芯片，天然存在局限性，人工智能專用芯片對于IT巨頭和初創企業是同一起跑線的藍海。
目前以深度學習為代表的人工智能新計算需求，主要采用 GPU、FPGA，AISC定制化芯片等已有適合并行計算的通用芯片來實現加速。
三種主流人工智能芯片方向：GPU, FPGA，AISC定制
GPU：以英偉達為主導的GPU芯片，作為圖像處理器，設計初衷是為了應對圖像處理中需要大規模并行計算。因此，其在應用于深度學習算法時，存在應用過程中無法充分發揮并行計算優勢，硬件結構固定不具備可編程性，運行深度學習算法能效遠低于 FPGA。
FPGA：即現場可編輯門陣列，是一種新型的可編程邏輯器件。其設計初衷是為了實現半定制芯片的功能，即硬件結構可根據需要實時配臵靈活改變。目前的FPGA 市場由 Xilinx 和 Altera主導，兩者共同占有 85％的市場份額，其中Altera 在 2015 年被 intel 以 167 億美元收購（此交易為 intel 有史以來涉及金額最大的一次收購案例），另一家Xilinx 則選擇與 IBM 進行深度合作，背后都體現了 FPGA 在人工智能時代的重要地位。
對于機器學習算法的性能和功耗的角度來說：FPGA 可以開發出為機器學習算法專用的架構，但是 FPGA 本身的峰值性能較 GPU 要差很多。
FPGA 實現的機器學習加速器在架構上可以根據特定應用優化所以比 GPU 有優勢，但是 GPU 的運行速度（>1GHz) 相比 FPGA 有優勢 (~200MHz)。所以，對于平均性能，看的就是 FPGA 加速器架構上的優勢是否能彌補運行速度上的劣勢。
AISC定制：ASIC是指依產品需求不同而定制化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計、制造。以谷歌TPU為代表的AISC定制化芯片（包括4個芯片能夠提供180TFLOPs浮點運算的計算能力）就是一種最大化性能需求和成本能耗平衡的重要手段。
打個形象的比方，我們設計一款人工智能芯片就像設計一個某種功能的房子，那么我們有三種選擇：
1. 買一個已有的比較通用的房子，然后改變內部的軟件設施來讓這個房子達到我們需要的功能，優點是對于用戶代價小，但肯定沒法達到性能最大化，這就對應了通用型GPU芯片；
2. 買一個半成品的房子，我們可以隨時改變房子里面的各個房間格局，優點是相對第一種房子性能肯定會更貼近我們需求，而且也保證了一定靈活性，如果需求有改變，可以隨時再改變內部房間格局，這對應了FPGA芯片；
3. 完全一塊磚一塊磚按自己需求重新搭建一個房子，這種肯定性能上最能貼近我們的需求，但是一次性投入太大，如果不是確定性需求需要冒風險，這就對應ASIC芯片。
所以我們可以不難理解為什么大部分創業公司都會采用英偉達GPU這類生態成熟的通用芯片，為什么在人工智能算法沒有最終成熟需要不斷改進時FPGA會出現在一些應用領域，而谷歌這類財大氣粗自己需求量很大的公司自己用ASIC的TPU。