图形分解功能。GPU之所被设计出来，就是用作图形分解的。由于必需反对图形分解功能，GPU芯片减少了大量体积，这就意味著它在一定程度上要比专用芯片更为陈旧。

Google在最近的一篇博客中声称，其TPU在推理小说性能上要比现代GPU和CPU慢15-30倍，同时功耗还要较低30-80倍。（Nvidia回应反驳道，谷歌是在拿TPU和原有的GPU展开较为。）事实上，这种对比并不几乎公平。

GPU是通用型芯片，可继续执行绘图运算工作，用途多元。TPU则归属于ASIC，也就是专为特定用途设计的类似规格逻辑IC，由于只继续执行单一工作，速度更慢也在情理之中。TPU和GPU之间除了性能对决，更加多代表的是ASIC和通用型芯片这两种设计思路间的博弈论。

除了Nvidia和谷歌，另众多芯片巨头Intel也重新加入了这场博弈论。不久前，Intel以多达4亿美元的价格并购了AI芯片初创企业Nervana，并声称将在2020年之前将深度自学训练速度提高100倍。

Nvidia回应，Tesla V100是它在深度自学领域更为专业化，并需要与这些自定义化芯片竞争的有力证据。Nvidia GPU工程部高级副总裁Jonah Alben在谈及芯片竞赛时说：“当你考虑到包含一款用作深度自学训练的杰出芯片的所有要素时，你不会找到比特率、输出/输入和数学运算能力都很最重要。而在所有的这些方面，我们都是专家。

只要我们都用完全相同的油漆刷作画，就告诉究竟谁更加强劲了。”(公众号：)指出，尽管谷歌在自定义化AI芯片领域走在了最前茅，但Nvidia仍将在未来很多年里维持竞争力。Gartner的分析师马克·洪（Mark Hung）说，“目前为止，没任何一款AI芯片构建了大规模销售。

尽管对Nvidia来说，潜在的危险性一直不存在，但在这些公司大规模销售AI芯片前，并会对Nvidia导致确实的威胁。”这些将要来临的AI芯片与Nvidia之间的明争暗斗指出了一点，深度自学计算出来对更强计算能力的市场需求日益充沛。几年前GPU步入大爆发，正是因为它将深度自学网络的训练时间从几个月延长到了几天。

早在20世纪50年代就早已问世的深度自学，由于有强劲的计算能力作为后盾，此刻再一愈演愈烈出有了它的创造力。但是随着更加多企业企图将深度自学带入它们的产品和服务，对更慢的芯片的市场需求将没有止境。Alben说：“以我所闻，人类必须无限量的深度计算能力。

就越相似无限就越好。”版权文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：米乐|米乐·M6-www.gedu.vip