AI 芯片的分类与技术

人工智能芯片的发展呈现出两种不同的技术路线：其一是沿用现有计算架构，通过增强硬件运算性能来实现目标，主要以三类芯片为代表，分别为 GPU、FPGA 和 ASIC，而 CPU 仍然在其中扮演着关键角色；其二是突破传统的冯·诺依曼架构，采用类似人脑神经网络的结构来提升运算效率，典型代表是 IBM 公司研发的 TrueNorth 芯片。

1. 传统 CPU
   自上世纪六十年代初以来，CPU 这一概念便在计算机领域中被广泛使用。直至今日，CPU 在外形、设计以及实现方式上经历了显著的变化，但其核心运行机制却始终未发生根本性改变。
   一般而言，CPU 主要由控制器和运算器两个核心组件构成。如图 3 所示为传统 CPU 的内部结构示意图。从图中可以看出：真正负责执行数据运算的仅是 ALU（算术逻辑单元）模块，其余部分的功能则主要是确保指令能够按照顺序依次执行。这种通用性架构非常适用于传统编程计算任务，并且可通过提高 CPU 主频（即单位时间内处理指令的数量）的方式来增强计算速度。
   然而，在深度学习应用中所需的计算模式与传统编程存在明显差异——这类任务并不依赖大量程序指令，而是需要对海量数据进行处理。因此，在这种背景下，传统 CPU 架构的局限性逐渐显现出来。特别是在功耗受到严格限制的情况下，无法无限制地提升 CPU 和内存的工作频率以加快指令执行速度，这使得基于 CPU 的系统在