5月份，谷歌推出其用于阿法狗的二代AI架構芯片TPU2，還就此發布論文顯示TPU的速度比現行的CPU、GPU高30倍；與之爭鋒相對的是，GPU巨頭英偉達CEO黃仁勛在隨后的年度開發大會上稱：TPU太僵化，英特爾的FPGA太耗能。英特爾的CPU、英偉達的GPU、TPU群雄崛起，現在的AI底層芯片接近“三國殺”的局面。有趣的是，他們比的不是誰的技術更強，而是誰的路子是正確的。

前端數據獲取，后端決策控制都需要CPU，中間GPU的并行計算優勢更大，而TPU在長期訓練上成本能耗都低，三者配合才構成完整的AI。

———一位業內人士評價

從CPU到TPU變了什么？

CPU、GPU、TPU都是一種芯片架構，他們的區別是什么呢？“簡單理解，CPU是一個大學生，會一些專業技能(比如說游戲辦公等日常任務)；GPU是一個高中生，課本知識學得很好(比如說圖像識別)；TPU則是小學生，只知道1+1=2。”愛活網創始人劉澤申告訴南都記者，CPU可以完成不同的任務，但在功耗成本一定情況下，計算能力很難再提升了；TPU很“白癡”，但功耗更低，并行更多，GPU介乎兩者之間。“簡單說來，就是一個公司有錢請30個大學生或者3萬個小學生，要怎么分配就看你的需求。”

那AI需要什么。“AI實際上就是暴力計算，需要的是海量計算，簡單說來就是訓練與推理，不斷優化從A點到B點的路線，”一位AI創業者開玩笑說，這相當于算30萬題1+1，30萬個小學生速度肯定比30個精算師快，“其實可以理解人工智能底層需求實際上是最‘白癡’的。”

但英偉達不這么看。有英偉達相關人士告訴南都記者，TPU的缺陷在于不能更換任務，靈活性差。不過，反過來在“懟”傳統芯片老大CPU上，英偉達表示，“AI需要工作負載與加速運算。”黃仁勛在一篇博文里說，以前那種花數十億美元的CPU節點來打造數據中心已經不適應AI的大規模運作。“目前亞馬遜等主流前端應用廠商都在英偉達芯片上開發其軟件系統。

“未來算法越來越專用化，AI需要海量迭代的‘暴力計算’能力，從這個角度說，CPU確實沒以前那么重要了。”馭勢科技創始人，前英特爾研究院院長吳甘沙告訴南都記者，“但反過來AI是一個系統，不只是一個算法，CPU還是標配。”

“AI還是需要像CPU這樣的全能選手作為支撐，”英特爾相關人士告訴南都記者，沒有一把鑰匙能開萬把鎖，“英特爾的Xeon占全球支援AI應用服務器芯片市場超過97%。”從這個角度說，CPU可能在服務器后端連接作用更加明顯。

“三國殺”怎么殺？

在面對TPU上，黃仁勛說：“人們無需再投資建立一個TPU，我們有現成的，而且由世界上最優秀的芯片設計師設計。”

一位AI創業者告訴媒體，英偉達的好處在于其開源，不鎖定使用服務，這對于開發者很重要。

至于CPU老大英特爾，其相關人士則告訴南都記者，“很多企業用戶已經有很多CPU，他們更希望利用現有資產。”但英特爾也意識到CPU的運算能力接近極致，通過“買買買”來擴充自己的版圖，這兩年就有167億美元收購FPGA(介于TPU與GPU的一種架構)生產商Altera公司、153億美元收購自動駕駛方案的Mobileye以及深度學習神經網絡的Nervana Systems。英特爾研究院院長宋繼強在今年展示了利用Nervana優勢推出專用AI芯片Lake Crest，這也是他目前主流的“CPU+FPGA”架構———不忘老本行，新趨勢也不掉隊。