许多智能设备和物联网设备都是由某种形式的人工智能(AI)驱动的无论是语音助理、面部识别摄像头，还是电脑。这些设备需要采用某种技术为它们进行的数据处理提供支持。有些设备需要在云平台的大型数据中心处理数据，而也有一些设备将通过本身的人工智能芯片进行处理。
那么什么是人工智能芯片?本文将重点介绍用于不同应用的不同种类的人工智能芯片。
1、通用芯片（GPU）
GPU是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，主要处理图像领域的运算加速。
GPU是不能单独使用的，它只是处理大数据计算时的能手，必须由CPU进行调用，下达指令才能工作。
但CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要处理大数据计算时，则可调用GPU进行并行计算。
2、半定制化芯片（FPGA）
FPGA适用于多指令，单数据流的分析，与GPU相反，因此常用于预测阶段，如云端。FPGA是用硬件实现软件算法,因此在实现复杂算法方面有一定的难度，缺点是价格比较高。与 GPU 不同，FPGA 同时拥有硬件流水线并行和数据并行处理能力,适用于以硬件流水线方式处理一条数据，且整数运算性能更高，因此常用于深度学习算法中的推断阶段。不过FPGA 通过硬件的配置实现软件算法，因此在实现复杂算法方面有一定的难度。将FPGA 和 CPU 对比可以发现两个特点,一是 FPGA 没有内存和控制所带来的存储和读取部 分速度更快,二是 FPGA 没有读取指令操作,所以功耗更低。劣势是价格比较高、编程复杂、整体运算能力不是很高。目前国内的AI 芯片公司如深鉴科技就提供基于 FPGA 的解决方案。
3、全定制化芯片（ASIC）
ASIC是为实现特定场景应用要求时，而定制的专用AI芯片。除了不能扩展以外,在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动设备端。
定制的特性有助于提高 ASIC 的性能功耗比，缺点是电路设计需要定制，相对开发周期长，功能难以扩展。但在功耗、可靠性、集成度等方面都有优势，尤其在要求高性能、低功耗的移动应用端体现明显。谷歌的 TPU、 寒武纪的 GPU，地平线的 BPU都属于 ASIC芯片。谷歌的 TPU比 CPU和 GPU的方案快 30 至 80 倍，与 CPU和 GPU相比，TPU把控制电路进行了简化，因此减少了芯片的面积，降低了功耗。
4、类脑芯片
类脑芯片架构是一款模拟人脑的神经网络模型的新型芯片编程架构，这一系统可以模拟人脑功能进行感知方式、行为方式和思维方式。
有人说，ASIC是人工智能芯片的一个主要发展方向，但真正的人工智能芯片未来发展的方向是类脑芯片。
类脑芯片研究是非常艰难的，IBM、高通、英特尔等公司的芯片策略都是用硬件来模仿人脑的神经突触。
