憑借強大的并行計算能力，在機器學習快速發(fā)展的推動下，GPU 目前在深度學習芯片市場非常受歡迎，大有成為主流的趨勢。互聯(lián)網(wǎng)巨頭，比如谷歌、Facebook、微軟、Twitter 和百度等公司都在使用 GPU 分析圖片、視頻和音頻文件，改進搜索和圖像標簽等應用功能。GPU 也被應用于 VR/AR 相關的產(chǎn)業(yè)。此外，很多汽車生產(chǎn)商也在使用 GPU 作為傳感器芯片發(fā)展無人車。可以說，GPU 是眼下智能產(chǎn)品市場用戶覆蓋率最廣泛的芯片。

研究公司 Tractica LLC 預計，到 2024 年深度學習項目在 GPU 上的花費將從 2015 年的 4360 萬增長到 41 億美元，在相關軟件上的花費將從 1.09 億增長到 104 億。

但是，也有人認為通用芯片 GPU 相比深度學習專用芯片并不具有優(yōu)勢。

這有一定道理。然而，設計新的芯片需要很多年，研發(fā)成本可能高達幾千萬甚至幾十億美元。而且，專用芯片比通用芯片更難編程。最重要的是，專用芯片——根據(jù)定義——只提升特定任務的性能表現(xiàn)，這也是為什么谷歌要制作 TPU 輔助 GPU 和 CPU。

英偉達工程架構副總裁 Marc Hamilton 表示，谷歌的 TPU 是一個非常有意思的技術，但其發(fā)布進一步印證了他們的觀點，那就是人工智能處理器將繼續(xù)從通用的 CPU 轉(zhuǎn)向 GPU 和 TPU 等其他芯片。此外，GPU 技術也在不斷發(fā)展，從算法層面加速智能感知計算速度。

Hamilton 還提到了百度人工智能科學家 Bryan Catanzaro 的話：深度學習并不是一個那么窄的領域，從計算角度看，深度學習是多樣化的而且演化迅速;要是制造一款適用于所有深度學習應用的專用芯片，本質(zhì)上也就成了 GPU 或 DSP。

當然，GPU 也有缺陷，比如不如 FPGA 靈活。同時，GPU 也不乏競爭者：除了同樣具備并行計算能力的 AMD，Nervana、Movidius 等公司都在制作與 GPU 類似的芯片，但側重于把數(shù)據(jù)更快轉(zhuǎn)移和分攤給圖像所需要的功能。

小結

除了采用其他架構，研究人員很早就開始探索使用新材料制作芯片。2015 年，三星、Gobal Foundries、IBM 和紐約州立大學等機構組成的研究聯(lián)盟推出了一個 7 納米的微芯片，其晶體管大約一半都由硅鍺(SiGe)合金制成。石墨烯也是芯片研發(fā)一個重點。機器學習加速新材料發(fā)現(xiàn)，也意味著使用新材料制作的芯片出現(xiàn)幾率大大提高。

總之，谷歌自己打造 TPU 預示著未來更多非半導體公司或許也將開始生產(chǎn)硬件;硬件制造商必須不斷改進自己的產(chǎn)品，與 CPU 進行更好的配合，并且貼近用戶越來越多樣化的需求。