AI芯片行业报告：AI领强算力时代，GPU启新场景落地（81页）

根据机器学习算法步骤，可分为训练（training）芯片和推断（inference）芯片。训练芯片主要是指通过大量的数据输入，构建复杂的 深度神经网络模型的一种AI芯片，运算能力较强。推断芯片主要是指利用训练出来的模型加载数据，计算“推理”出各种结论的一种AI 芯片，侧重考虑单位能耗算力、时延、成本等性能。 从部署的位置来看，AI芯片可分为云端（服务器端）、终端（移动端）两大类。云端芯片，是指部署在公有云、私有云或混合云上的AI 芯片，不仅可用于训练，还可用于推断，算力强劲。终端芯片，是指应用于手机等嵌入式、移动终端等领域的AI芯片，此类芯片一般体 积小、耗电低、性能无需特别强大。从技术架构来看，AI芯片主要分为图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、类脑芯片 四大类。其中，GPU是较为成熟的通用型人工智能芯片，FPGA和ASIC则是针对人工智能需求特征的半定制和全定制芯片， 类脑芯片颠覆传统冯诺依曼架构，是一种模拟人脑神经元结构的芯片，类脑芯片的发展尚处于起步阶段。

GPU（图形处理器）又称显示核心、显卡、视觉处理器、显示芯片或绘图芯片，是一种专门在个人电脑、工作站、游戏机和一 些移动设备（如平板电脑、智能手机等）上运行绘图运算工作的微处理器。  GPU使显卡减少对CPU的依赖，并分担部分原本是由CPU所担当的工作，尤其是在进行三维绘图运算时，功效更加明显。图形 处理器所采用的核心技术有硬件坐标转换与光源、立体环境材质贴图和顶点混合、纹理压缩和凹凸映射贴图、双重纹理四像素 256位渲染引擎等。  GPU是一种特殊类型的处理器，具有数百或数千个内核，经过优化，可并行运行大量计算。虽然GPU在游戏中以3D渲染而闻名 ，但它们对运行分析、深度学习和机器学习算法尤其有用。CPU和GPU 相比，是由于其设计目标的不同，它们分别针对了 两种不同的应用场景。CPU需要很强的通用性来处理各种不同的 数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的 处理。这些都使得CPU的内部结构异常复杂。而GPU面对的则是 类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯 净的计算环境。