随着人工智能和机器学习在全球经济中变得越来越普遍，人们越来越关注驱动它们的硬件。目前，几乎所有 AI 系统都运行在称为 GPU 的芯片上，该芯片专为视频游戏而设计。 

当前的芯片设计是否适合人工智能未来的用途，还是需要一种新型芯片？答案可能会对 IT 部门产生深远的影响。Hodan Omaar 是信息技术和创新基金会的政策分析师。

BRINK：首先，您能解释一下 GPU 芯片与我们大多数计算机中使用的更为知名的 CPU 芯片之间的区别吗？

Omaar：中央处理单元 (CPU) 和图形处理单元 (GPU) 有很多共同点，但它们具有不同的架构，并且为不同的目的而构建。CPU 具有少量处理内核，它们提供 CPU 执行某些任务或计算所需的能力。 

CPU 可以将这些内核集中在快速完成单个任务上，但它会依次执行这些任务，即一次一个。因此，CPU 可以更好地执行速度或延迟很重要的计算任务。 

跑车和卡车的区别

GPU 由许多更小、更专业的内核组成，这些内核协同工作以在处理任务上提供巨大的性能，这些任务可以轻松地在多个内核之间进行划分和处理。这使得 GPU 更适合于带宽而不是速度更重要的任务。 

为了看到这一点，假设 CPU 是一辆跑车，而 GPU 是一辆半卡车，它们的任务是将装满箱子的房子从一个地方搬到另一个地方。跑车将更快地移动箱子，但它必须不断地来回行驶，而半卡车将承载更大的负载，但行驶速度会更慢。 

BRINK：为什么 GPU 在 AI 中的表现似乎比 CPU 好得多？

Omaar：机器学习、深度学习和自动驾驶等人工智能应用涉及高度并行化、可预测的计算。考虑训练 AI 系统以根据天气、订单历史和大致位置等因素推荐比萨饼所涉及的计算。虽然因子本身的值可能因地区而异，但系统在每个地区执行的算术运算是相同的。因此，使用可以同时并行执行操作的 GPU 比顺序执行操作的 CPU 更有效。

一般来说，AI 芯片不仅并行执行更多计算，它们还具有许多针对 AI 工作负载优化的功能。例如，许多人工智能芯片是为低精度计算而设计的——这在速度和效率之间权衡计算的数值精度——因为人工智能应用程序不需要使用高精度值来准确编码和操作所需的数据。训练人工智能算法。它们还可以使用可以更好地执行 AI 代码的特定编程语言来构建。

开发最先进的人工智能芯片对于确保人工智能开发人员和用户在人工智能研发和部署中保持竞争力非常重要。

BRINK：GPU 是为游戏而设计的，所以它们是处理 AI 的最佳芯片类型吗？

Omaar：确实，GPU 最初是为视频游戏行业设计的，因为它们特别擅长矩阵运算，矩阵运算是用于构建和处理逼真图像的主要数学工具。我提到的 AI 系统为训练和推理所做的许多独立和相同的操作也是矩阵乘法运算，因此它们非常适合 GPU。

但是一组新的人工智能芯片开始出现，专门用于不同的任务。这部分是因为 CPU 的改进正在放缓，因为在单个处理器上安装更多晶体管的能力开始达到其物理极限。 

新一代人工智能芯片即将到来

专用人工智能芯片市场大致分为三类。首先是 GPU，主要用于训练和开发 AI 算法。第二种是所谓的“现场可编程门阵列”（FPGA），主要用于将经过训练的 AI 算法应用于新的数据输入。FPGA是从其他AI芯片不同，因为它们的结构可以被程序设计者修改AFTE ř制造。 

第三组 AI 芯片是“专用集成电路”（ASIC），可用于训练或推理任务。ASIC 具有为特定算法定制的硬件，并且通常比 FPGA 提供更高的效率。但由于它们的应用范围非常狭窄，因此随着新 AI 算法的创建，它们会更快地过时。 

BRINK：有人说美国在这个市场上正在失去竞争力。这有多大的顾虑？

Omaar：开发最先进的 AI 芯片对于确保 AI 开发人员和用户在 AI 研发和部署中保持竞争力非常重要。美国仍然是为人工智能系统设计芯片的世界领先者。在的2021 年人工智能竞争力报告中，我们发现至少有 62 家美国公司正在开发人工智能芯片，而中国为 29 家公司，欧盟为 14 家公司。 

美国在人工智能芯片生产方面拥有诸多优势，包括优质的基础设施和物流、创新集群、一流大学以及在该领域的领先历史。