AI芯片什么是AI芯片的架构、分类及关键技术概述
人工智能芯片目前有两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要以3 种类型的芯片为代表，即 GPU、FPGA、ASIC，但CPU依旧发挥着不可替代的作用；另一种是颠覆经典的冯·诺依曼计算架构，采用类脑神经结构来提升计算能力，以IBM TrueNorth 芯片为代表。

传统CPU
计算机工业从1960年代早期开始使用CPU这个术语。

迄今为止，CPU从形态、设计到实现都已发生了巨大的变化，但是其基本工作原理却一直没有大的改变。

通常CPU 由控制器和运算器这两个主要部件组成。

传统的CPU 内部结构图如图所示：
传统CPU内部结构图(ALU计算模块)
从图中我们可以看到：实质上仅单独的ALU模块(逻辑运算单元)是用来完成数据计算的，其他各个模块的存在都是为了保证指令能够一条接一条的有序执行。

这种通用性结构对于传统的编程计算模式非常适合，同时可以通过提升CPU主频(提升单位时间内执行指令的条数)来提升计算速度。

但对于深度学习中的并不需要太多的程序指令、却需要海量数据运算的计算需求，这种结构就显得有些力不从心。

尤其是在功耗限制下，无法通过无限制的提升CPU 和内存的工作频率来加快指令执行速度，这种情况导致CPU 系统的发展遇到不可逾越的瓶颈。

并行加速计算的GPU
GPU 作为最早从事并行加速计算的处理器，相比CPU 速度快，同时比其他加速器芯片编程灵活简单。

传统的CPU 之所以不适合人工智能算法的执行，主要原因在于其计算指令遵循串行执行的方式，没能发挥出芯片的全部潜力。

与之不同的是，GPU 具有高并行结构，在处理图形数据和复杂算法方面拥有比CPU 更高的效率。

对比GPU 和CPU 在结构上的差异，CPU大部分面积为控制器和寄存器，而GPU 拥有更ALU(逻辑运算单元)用于数据处理，。