风险识别模型 随着人工智能革新浪潮与技术进程的推进，AI芯片成了该领域下一(2)

调研机构Deloitte预测，2018年基于深度学习的全球GPU市场需求大约在50万块左右，FPGA和ASIC需求则分别是20万块和10万块左右。相比GPU集群，FPGA因其定制化、低功耗和忽略延迟的特点，在终端推测环节有着广泛应用，所以它为微软、亚马逊、阿里等云商以及苹果、三星、华为等手机制造商广为接受。而GPU与TPU作为训练环节的主力，则开启了两种不同产品形态争锋对立的局面，也就是说，在深度学习训练领域，完全成了NVIDIA和谷歌两者之间的战争。

谷歌的优势在于凭借自身TPU+ TensorFlow+云的资源禀赋吸引开发者和拓展企业级市场、专有领域，但该模式的前提必须是谷歌极力维系TensorFlow作为深度学习主流框架而长期存在，一旦神经网络算法主流架构有变，TPU作为高度制定化的芯片产物，其单位成本之高恐酿成不可回避的风险。相反，倘若谷歌的计划顺利实施，其垄断的生态优势同样对NVIDIA形成巨大威胁。风险识别模型

最后

AI芯片战争已经全面打响，由人工智能进程引发的第二次芯片革命已经让业界嗅到了熟悉的工业革命的气息。正如19世纪蒸汽机、内燃机的迭代结束了大洋之上纵横数个世纪的风帆时代，人工智能算力的突破亦将成为摩尔定律的变革者，将延续了近一个世纪的计算机科学文明引入下一阶段。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-83379-2.html