【TPU和GPU，谁将一统AI芯片】摩尔定律之后一万倍，10万+热文引爆激辩

正文

请到「今天看啥」查看全文

小伙子写的非常清晰！我们对冲基金从8年前就开始使用ASIC进行高频交易，而ASIC在交易领域的实际应用，可以追溯到上世纪九十年代后期。

艾娅轩： 体系结构和AI领域的玩家们，不能错过的原创，非AI硬件技术细节稿却深入剖析技术内涵。

ljf： 一篇文章看懂一个领域

但对于文章认为TPU代表了未来发展方向这一观点，很多读者提出了自己的看法。为此，新智元也采访了原作者王逵博士。

TPU的生态问题

唐杉： 我们在一个芯片项目中各个任务需要的投入（cost），其中最大的部分是Software，Verification和Validation。而Architecture设计只占其中的很小一部分。这个比例和目前大多数芯片厂商的人员配置也是基本相符的。形成这种趋势，是因为现在的芯片往往只是一个复杂系统中的一部分。芯片设计厂商（或者方案商）提供给客户的已经远远不止芯片本身，而是一套完整的软硬件解决方案。Nvidia在Deep learning上的巨大成功，是归功于它的芯片底层硬件架构，还是它完善的软硬件生态呢？当然是后者。Google之所以敢于和能够自己设计TPU芯片，是和Tensorflow布局和以及data center方面的经验分不开的。绝大多数deep learning用户看到的是Tensorflow（或者其它训练框架）和CUDA，而不是底层硬件（只要硬件别太昂贵）。

孙治平： 对于一个AI芯片项目来说，考虑整个软硬件生态，要比底层硬件架构的设计重要得多，最终给用户提供一个好用的解决方案，才是王道。

朱晶： 做AI ASIC 拿架构说是竞争力的可能还是有不小风险，这玩意儿还得看完整生态。

王逵： 我非常同意唐杉博士的观点，生态才是王道。任何一次芯片架构的革命，都和软件分不开。当年各种RISC架构如同雨后春笋般涌现，很重要的推动力就是Unix操作系统和C语言编译器的成熟，有了它们，操作系统和应用程序才能非常低成本地移植到新CPU上。如今各种深度学习的框架就如同Unix，XLA这样的中间层表示就如同C语言。它们有了开源的成熟方案之后，专用芯片的生态问题会得到极大的缓解。

通用和专用的问题

陈怡然： （这篇文章）观点还是很独特的。不过我觉得TPU本质上其实就是ASIC，和以前的DSP专用芯片刚开始的出发点类似。如果说不同，可能面临的商业应用更广阔。但最后一定会在通用性和性能之间再次平衡。问题的关键不在技术本身，在于找到最佳平衡点。

蒋纯 ： 这个ASIC更准确应该叫DSA吧

周枫： 写得浅显易懂，对技术介绍得不错。但是ASIC最靠谱的结论不同意，更有可能是ASIC是跑车，满足特殊需求，GPU才是支持产业的乘用小车，量最大，通用性最好。规模Volume这个东西是决定性的，而优势都在GPU这边。看今明年Intel出招吧。

请到「今天看啥」查看全文