江南体育在人工智能这个概念再度火爆之后，各种AI的相关产品也就成为被关注的领域。
但不管人工智能多么智能，其内部的AI芯片则是不可缺少的核心器件。专门用来处理AI相关计算任务的AI芯片，也就相当于是人工智能的大脑。
简单来说，AI芯片就是把算法有效地在硅片上实现，最终变成能和配套软件结合的实体产品。而目前市场上比较常见的用于AI的芯片有CPU（中央处理器）、GPU（图像处理器）、FPGA（现场可编程门阵列）和DSP（数字信号处理），以及他们的各种组合。
而现在能生产这种芯片的厂商可不多。于是这些芯片大厂的AI相关计算任务的芯片最的性能最好，也就成了一个让人好奇的地方JN SPORTS。
日前，据全球AI基准测试MLPerf的最新测试结果显示，高通的AI芯片在三项能效指标中的两项中击败了英伟达。
根据MLCommons的测试，以每个芯片每瓦可以处理多少数据中心服务器查询计算，在图片分类方面，高通AI 100的表现好于英伟达H100芯片。高通芯片每瓦可以执行197.6次查询，英伟达芯片只有108.4次JN SPORTS。
但在自然语言处理方面，无论是绝对性能还是能效，英伟达芯片都占据优势英伟达芯片每瓦可以处理10.8个样本，高通处理7.5个。
公开资料显示，MLCommons是一个衡量人工智能处理速度的第三方组织，旗下MLPerf是权威性最大、影响力最广的国际AI性能基准测试。
值得一提的是，虽然CPU、GPU都可以运行AI算法，但从严格意义上来讲，他们都不是AI芯片。AI芯片本质上是ASIC（专用集成电路），需要为AI算法专门设计。
只不过相比于ASIC芯片，GPGPU具有更强的通用性。主流的AI加速芯片市场上，GPU、GPU占到90%的市场份额。
早期A技术的开放框架软件生态更为成熟，对于初级客户来说，上手使用更加方便。GPU、GPU的通用性也更好，架构更加适合AI中针对模型的训练以及针对通用模型的部署。
但如果对于AI模型有深度的研究，也有能力对模型进行特殊的定制化处理JN SPORTS，那么ASIC芯片的产品和解决方案有更高的性价比。
对于ASIC芯片来说，ASIC芯片由于模型中特殊算子、特殊结构已经完成了硬件的固化，因此对于一些较大的改动，或是一些与硬件架构强相关的计算来说，可能会存在一定的限制。
总体来说，如果AI模型已经比较成熟，改动都在有限的范围内，那么ASIC芯片会更适用。但如果是一个初步的模型，未来还需要不断地演进和完善的话，用GPU、GPU芯片则更合适一些。
这么看来，在人工智能越发火爆的今后，高通、英伟达等芯片厂商的日子要越发好过了。返回搜狐，查看更多
官方微博
