不知道大家在医院就医的时候是否有这样的体验：做个CT价……
AI芯片之于人工智能的意义，则可以理解为发动机之于汽车……
又是一年六一儿童节，虽然，早就超了过这个节日的年纪，……
2017年底的美国NIPS大会上，特斯拉宣布了正在研制AI芯片……
&一部手机内部大约需要安装12～15块柔性电路板，……
演讲人：曾伟权时间： 10:00:00
演讲人：黄科涛时间： 10:00:00
演讲人：Tracy Ma时间： 10:00:00
预算：￥500000预算：￥10000
广东省广东省
人工智能下的TPU/NPU/CPU/GPU
[导读]人工智能将推动新一轮计算革命，深度学习需要海量数据并行运算，传统计算架构无法支撑深度学习的大规模并行计算需求。因此，深度学习需要更适应此类算法的新的底层硬件来加速计算过程。 芯片也为响应人工智能和深度学
人工智能将推动新一轮计算革命，深度学习需要海量数据并行运算，传统计算架构无法支撑深度学习的大规模并行计算需求。因此，深度学习需要更适应此类算法的新的底层硬件来加速计算过程。本文引用地址:
芯片也为响应人工智能和深度学习的需要，在速度和低能耗方面被提出了更高的要求，目前使用的 GPU、FPGA
均非人工智能定制芯片，天然存在局限性，除具有最明显的优势GPU外，也有不少典型人工智能专用芯片出现。
一、谷歌&&TPU(Tensor Processing Unit)即谷歌的张量处理器
TPU是一款为机器学习而定制的芯片，经过了专门深度机器学习方面的训练，它有更高效能(每瓦计算能力)。大致上，相对于现在的处理器有7年的领先优势，宽容度更高，每秒在芯片中可以挤出更多的操作时间，使用更复杂和强大的机器学习模型，将之更快的部署，用户也会更加迅速地获得更智能的结果。
根据Google一位杰出硬件工程师Norm
Jouppi在一篇部落格文章中的说法，该种加速器早在一年多前就运用于Google的数据中心：&TPU已经启动许多Google的应用，包括用以改善搜索引擎结果关联度的RankBrain，以及在街景服务(Street
View)改善地图与导航的精确度与质量。&
谷歌专门为人工智能研发的TPU被疑将对GPU构成威胁。不过谷歌表示，其研发的TPU不会直接与英特尔或NVIDIA进行竞争。
二、中星微&&中国首款嵌入式神经网络处理器(NPU)芯片
中星微在今年6月 20
日，率先推出中国首款嵌入式神经网络处理器(NPU)芯片，这是全球首颗具备深度学习人工智能的嵌入式视频采集压缩编码系统级芯片，并取名&星光智能一号&。这款基于深度学习的芯片运用在人脸识别上，最高能达到98%的准确率，超过人眼的识别率。该芯片于今年3月6日实现量产，目前出货量为十几万件。
NPU采用了&数据驱动&并行计算的架构，单颗NPU(28nm)能耗仅为400mW，极大地提升了计算能力与功耗的比例，可以广泛应用于高清视频监控、智能驾驶辅助、无人机、机器人等嵌入式机器视觉领域。
三、英特尔&&非传统意义上的英特尔处理器(CPU)
英特尔公司开发的第二代Xeon Phi处理器完美契合了人工智能的需求。Xeon Phi并非传统意义上的英特尔处理器(CPU)，最新的Xeon
Phi协处理器拥有多达72个内核，而且每个内核有两个用于提供更好的单核浮点运算性能的英特尔AVX-512
SIMD处理单元，所以这些处理器非常适合运行机器学习/深度学习工作任务。
四、人工智能风口下最受关注的还是要数GPU
因其并行计算优势最先被引入深度学习，全球可编程图形处理技术的领军企业英伟达借此已开始打造新的计算平台。目前，包括谷歌、Facebook、微软等科技巨头公司在内的人工智能领域研究的领先者，已经在使用英伟达所提供的专门应用于该领域研究的芯片产品。
Facebook的人工智能硬件平台Big
Sur就是依托Nvidia的GPU而打造的。GPU在人工智能中的应用十分广泛，因为这种芯片上搭载的处理核心数量多于Intel生产的传统处理器，使得它们十分适用于AI软件所需要的海量计算。&Big
Sur&的设计特点是易于维修的主板，它装有8个NVIDIA的Tesla M40。
(1)GPU对于人工智能领域的意义又是什么呢?英伟达(NVIDIA)制造的图形处理器(GPU)专门用于在个人电脑、工作站、游戏机和一些移动设备上进行图像运算工作，是显示卡的&心脏&。该公司正从一家显卡供应商转变为人工智能服务器供应商。
GPU在&深度学习&领域发挥着巨大的作用，因为GPU可以平行处理大量琐碎信息。深度学习所依赖的是神经系统网络&&与人类大脑神经高度相似的网络&&而这种网络出现的目的，就是要在高速的状态下分析海量的数据。例如，如果你想要教会这种网络如何识别出猫的模样，你就要给它提供无数多的猫的图片。而GPU擅长的正是海量数据的快速处理。
对于人工智能和深度学习来说，目前硬件加速主要靠使用图形处理单元(GPU)集群作为通用计算图形处理单元(GPGPU)。
与传统的通用处理器(GPP)相比，GPU的核心计算能力要多出几个数量级，也更容易进行并行计算。尤其是英伟达的CUDA，作为最主流的GPGPU编写平台，各个主要的深度学习工具均用其来进行GPU
(2)GPU有什么优势呢?GPU最明显的优势是更快的处理速度，相比于CPU，GPU的一大优势是高速度。国内最好的人工智能硬件研究项目&寒武纪&小组的最新研究结果表明，GPU能够提供平均
58.82X 倍于CPU的速度。GPU的另一大优势，是它对能源的需求远远低于CPU。
最新款的专门用于人工智能研究领域的Tesla
P100图形处理芯片，号称公司为这款GPU的研发投入了20亿美元。它可以执行深度学习神经网络任务，速度是英伟达之前高端系统的12倍，预计新产品将会极大推动机器学习的极限。
黄仁勋在4月初的发布会上表示，未来10年，人工智能市场总值约为5000亿美元。他表示，深度学习令我们的业绩加速增长。这是一种全新的计算模式，利用GPU的大规模处理能力来学习人工智能算法。它的普及正在席卷一个又一个行业，推动我们的图形处理器市场需求不断增长。
4月4日，在日本东京国际展览中心，工作人员演示一款通过图像分析技术来识别商品的自动收银机。第二届人工智能博览会4月4日至6日在东京国际展览中心举行。来源：新华......关键字： 美军正在测试一种使用人工智能技术制成的“超级战士”外骨骼，可增强士兵的机动能力，并允许士兵承受更大的负重。......关键字：
AI“大神” YannLeCun 给了在这次人工智能浪潮中到处制造话题的索菲亚团队一记暴击。YannLeCun 终于还是没忍住，站了出来，怒喷机器人索菲亚是一场彻头彻尾的骗局。......关键字：
昨日，富士康集团在深圳举办实体经济与数字经济融合发展高峰论坛，并庆祝富士康30周岁生日，创新工场董事长兼CEO李开复在《AI-工业互联网与消费互联网的融合发展》分论坛进行了主题分享。
他首先谈到了中美在人工智......关键字：
无到有(make something from scratch)一直是工程师的浪漫，例如自行调配出操作系统、自己写系统核心等(如 Linux)。然而在家从无到有打造出“一颗”CPU 就没听过了吧?最近有一位 YouTuber 就在免焊万用电......关键字：
我 要 评 论
热门关键词处理器：麒麟970比A11“聪明”一倍&&&&&&&&前面我们讨论了很多华为Mate10的新特性，但是似乎有一个动心我们始终都没有办法绕过，那就是华为所搭载的麒麟970处理器了。可以说麒麟970正是华为Mate10系列的核心魅力所在，那么这一部分我们就详细的为大家总结一下麒麟970都有什么令人瞠目结舌的精彩表现。华为Mate10是第一款搭载麒麟970处理器的&&&&&&&&麒麟970采用了目前业界最为先进的10nm工艺制作，在指甲盖大小的芯片上集成了55亿个。虽然Cortex-A73*4+Cortex-A53*4的架构看上去似乎与上一代产品差异不大，但是在整体性能上，麒麟970比前代产品提高了20%，而在能效上更是提高了50%之多。NPU在图片智能识别上有着巨大的优势&&&&&&&&而性能的提升仅仅是麒麟970最微不足道的提升，华为Mate10的麒麟970处理器原创的加入了新的结构——NPU。NPU的全称是&Neural-network&Processing&Unit，也就是神经网络处理单元。关于这颗&NPU&的功能，大家可以简单理解为专门高效地进行&AI&相关计算定制的处理器。NPU对比GPU和CPU运算能力提升数十倍之多&&&&&&&&在发布会上，华为表示性能上NPU是CPU的25倍，在能效比上更是达到了CPU的50倍之多。在图片识别的部分，华为Mate10的优异表现也是凭借着NPU的独特计算能力完成的，我们在拍照部分提到的华为Mate10快速识别场景并调整参数同样基于这一点，仅仅5秒就完成了图像识别，而则需要9s本文属于原创文章，如若转载，请注明来源：http://mobile.zol.com.cn/660/6603008.html&&&&&&&&以上是关于华为Mate10产品评测的报道，有关华为Mate10的外观、屏幕、拍照、续航、性能等后续内容，请持续关注中关村在线关于华为Mate10评测的报道。
提示：支持键盘“← →”键翻页
主屏尺寸 4G网络
投诉欺诈商家:
天津重庆哈尔滨沈阳长春石家庄呼和浩特西安太原兰州乌鲁木齐成都昆明贵阳长沙武汉郑州济南青岛烟台合肥南京杭州东莞南宁南昌福州厦门深圳温州佛山宁波泉州惠州银川
摄影手机硬件笔电平板
下载ZOL APP秒看最新热品NPU可以提高CPU能力吗_百度知道
NPU可以提高CPU能力吗
我有更好的答案
NPU是协处理器，帮助CPU计算一些专门的数据，CPU就不要自己计算了，减轻CPU的计算负荷。和GPU是类似的。CPU的能力是固定的，NPU不能改变CPU的能力。随着处理的数据系统越来越庞大，集成在CPU中显然要求太高。我们既要有空运，也要发展海运、铁运、公路运。组合起来效率才高。
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。NPU-网络处理器介绍1
npu=network process units
，npu不是测试的项目,是网络处理器，可以把这个认为是一个组件（或者子系统），有的时候也可以称呼为NPU协处理器。
网络处理是指对在通信和网络设备中传送的数据包进行的处理，网络处理不仅出现在网络核心，还出现在MAN/LAN(图1)中。网络处理可通过几类半导体器件实现，因而网络OEM能根据特定需求选择适当的器件组合。那么究竟由谁决定需求呢？这些需求是由通信运营商和互联网业务提供商(ISP)决定的。业务提供商要求网络设备的架构和增值功能不仅能为客户提供不同类型的业务，而且还能增加收入。业务提供商与商业用户签署了数百万美元的业务品质协议(SLA)，以确保特定的业务类型和品质。因此业务提供商在开发构成网络设备的半导体器件中，为获得适当的特性和灵活性，需要投入大量资金。
揭开网络处理的面纱
　　网络处理最基本的概念是建立在预定义分类和规则上的网络数据包智能分组处理分析、流程和实现准则。需要注意的是，分类和规则必须可定制，以满足不同业务提供商的需求。本文将重点讨论线路卡。每个线路卡的入口和出口信道上均带有数据通路和控制通路，数据通路负责以线速率处理和传送分组数据而不产生较大的延迟，而控制通路则负责提供处理智能、强化规则、处理意外情况并监控统计数字。
选择适当的半导体器件
　　网络处理可采用多种半导体解决方案，但可广义地归为ASIC和可编程器件两类。那么这两类器件是如何实现网络系统设计的呢？应用于网络处理的ASIC和可编程器件的主要原理与任何其他应用并无区别。从高端角度看，ASIC可为固定功能提供较高性能，但灵活度很有限。虽然ASIC的流片费用(NRE)较高并且产品的上市时间较长，但其高产量还是颇具成本效益。
　　另一方面，可编程解决方案可提供较高的系统速率，包括复杂功能(特殊和异常处理)、灵活性和最短的产品上市时间。可编程器件无需流片费用，价格比相应的ASIC略为昂贵。因为可编程解决方案灵活度较高并可升级，因而具有比ASIC更长的产品寿命，由此降低了整体系统的成本。
　　尽管上面对ASIC和可编程解决方案进行了区分，但目前还没有能综合两种半导体优势并满足各种需求的完美解决方案。器件的最终选择取决于特定需求，首先考虑应用于网络处理的可编程解决方案。
1. 可编程解决方案
　　可编程解决方案主要有两类：网络处理器(NPU)和FPGA，两者都是可编程的。NPU可提供以处理器为中心(即以软件为中心)的可编程特性，而FPGA则提供以硬件为中心的可编程特性。设计人员很快就能认识到以软件为中心的方法的性能将低于以硬件为中心的方法。理解网络处理和网络处理器之间的差异相当重要：网络处理是一种功能，而网络处理器则是一类可编程器件。
2. 实现网络处理器
　　网络处理器最初被用于设计网络设备中的现成器件，这些器件在各方面提供灵活性和扩展性的同时，还提供了充分的性能。几家大型和小型半导体公司参与了竞争，并推出带有极高灵活性和超短产品上市时间的线速网络处理器。大多数NPU均带有多种编程特性经过优化的嵌入式RISC
CPU以及适用于通用分组处理功能的类ASIC硬件电路(图3)。每个RISC引擎经过优化以执行特定任务。该思想有利于在硬件电路中处理常规层2/层3功能，而RISC引擎则处理复杂和特殊情形。当然，所需的任何定制均可委托给RISC引擎。NPU通常采用汇编/微代码，有时也采用定制的C语言实现可编程特性。
　　FPGA是对数据进行高速并行处理的理想器件，具有极强的灵活性和扩展性。FPGA总是通过增添简单实用的网络设备，解决由NPU引发的问题并紧跟市场。例如，
Virtex-II Pro
FPGA包含高性能的可编程架构、嵌入式PowerPC处理器和3.125Gbps收发器，从而成为网络处理的理想选择。FPGA是OEM跨接层2/层3不同传输流并实现高速功能(如安全协处理器)的最佳选择。通过增强网络特性，FPGA可提供高性能的数据和控制处理功能。但与NPU不同，FPGA不带有内置的网络处理功能，因而必须通过编程以进行网络处理。对于NPU，OEM必须开发汇编代码(或某种层次的C代码)以实现网络处理功能；而对于FPGA，OEM必须采用硬件描述语言(HDL)、具有知识产权的内核和C语言实现FPGA中的数据通路和控制通路。
可编程解决方案如何解决网络处理问题？
　　首先考虑那些能从可编程解决方案(NPU或FPGA)中获得巨大利益的特定网络处理功能。
　　1. 深度分组处理
　　尽管层2和层3处理在ASIC中很容易实现，但为了在类似的传输流中区分不同的优先级，还需要在层4和层5中进行更深层的分组处理。可编程解决方案可更深入地处理这些分组。与需要多个NPU进行深层分组处理的NPU解决方案不同，FPGA解决方案只需一块FPGA，这是因为FPGA中的硬件并行处理完全可以同NPU中基于RISC的处理方法相媲美。多个NPU不仅为硬件和软件分区带来新挑战并增加了软件的复杂度，而且还增大了系统延迟和功耗。一般而言，如果采用NPU或FPGA进行更深层处理，则完全不需要ASIC。
2. 软件可升级性
　　采用集中处理器设计的主要优势在于软件。控制层软件是诸多OEM的关键增值业务，并能使他们与竞争对手的业务彼此区分。因此，代码复用功能对于产品的上市时间以及支持原有产品至关重要。C代码的开发相对较快并能轻松地升级/接口到新处理器。DSP设计人员和架构设计人员对此有深刻的理解，并当代码复用比性能更重要时采用DSP处理器。
　　然而NPU不具备代码复用，因为NPU的软件大多是不可移植的，即这些软件是专有的汇编代码或因定制程度过高而丧失移植性的C代码。汇编代码是处理器专用开发工具，通常开发周期较长，从而加大了设计商的开发风险。事实
上，一家公司为NPU设计的代码甚至难以移植到该公司后续开发的NPU中。NPU业界清醒地认识到这一点，因而正致力于行业的标准化，以使设计人员重拾信心。另一方面，虽然FPGA具有较强的软件升级功能，但在利用HDL或C代码开发数据层处理以及利用C代码开发控制层处理时，仍将面对诸多难题。采用专用的汇编代码修改特性比采用业界标准的HDL和C代码风险更高，也更困难。某些FPGA制造商提供了基于平台和工具集方法的工具，以实现软件在各代FPGA中的无缝移植。
3. 硬件可升级性
　　硬件的可升级特性确保了较长的产品寿命，因而成为可编程解决方案的一个关键特性。此外，可升级性还有助于网络设备跟踪标准和协议的持续变化。否则，该设备将很快落伍。NPU只在处理器中提供可编程特性，其类似ASIC的定制硬件并不能直接进行编程。因此，NPU在硬件升级上的劣势与ASIC非常相似。FPGA顾名思义就是现场可编程，因而能轻松升级，以很好地满足需求变化。
　4. 复杂分类查询
　　像VPN(虚拟专用网)和IPSec这样的业务需要复杂查询功能。查询和分类可通过复杂的迭代算法实现，但迭代算法抑制了NPU中RISC引擎的效能
，进而影响系统的整体性能。为此，NPU可采用两种策略：(a)增加NPU的时钟频率以获取净空范围。(b)增加多个NPU解决问题。过高的时钟频率将引发信号完整性问题并增加主板的复杂度，而多个NPU则将引发类似上述深层分组处理的问题。NPU的查询需要成本较高的内存子系统，而FPGA能在逻辑电路的状态机内实现查询，但这也并非总是有效的。或许查询协处理器和SDRAM正是不可或缺的。
　　记账方法将随运营商拓展的新业务而发生改变。这些记账方法因提供商而异，因而不能以固定功能加以实现。可编程解决方案可通过保持和解释数据统计而迅速提供记账架构，其目标是使支持外设的数目达到最小。NPU和FPGA都提供了必要的记账灵活性。
6. 更少的器件
　　假定一个设备(如路由器)带有多个线路卡，那么线路卡上较少的器件就能带来累积效益。器件数目和期望性能之间总存在一个平衡点，因而将所有器件堆积在一个设备中将破坏整体性能。例如，如果能在主分组处理器件上实现安全处理功能，不仅能减少器件数目，还可从增加的性能中受益。NPU最初承诺能以较少的器件执行所有功能，但最终没能实现。基于网络处理的解决方案需要多个专用协处理器以达到性能要求。令FPGA受限的并非性能，而是规格效率。某些需要查询和密集控制的应用可通过采用协处理器/嵌入式处理器来更好地实现，因此FPGA逻辑电路也适用于高速数据处理。
7. 产品上市时间
　　产品上市时间是推动网络处理可编程解决方案发展的主要动力之一。NPU利用以处理器为中心的模式，保证了较短的产品上市时间。然而，汇编代码开发、多个NPU的系统分区、协处理器的数据相关性延缓了产品上市时间。但必须指出的是，与ASIC相比，这样的产品上市时间已经大大缩短。FPGA不仅可以通过缩短开发周期，还能通过缩短调试周期以加快产品上市时间。两者之间最大的区别在于软件：NPU采用汇编代码，而FPGA则采用HDL。
　　NPU需要对诸多功能进行维护，FPGA则是任何可编程设计的最佳选择方案。利用网络处理解决该问题无需借助多个协处理器，因为这并不是当初引入NPU的初衷。适当的解决方案是有选择地合理利用FPGA、NPU及一至两个协处理器。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。