GPU CPU NPU

随着人工智能和深度学习逐渐进入人们视野，中科院、谷歌、IBM、英伟达等中美科研机构和商业公司也纷纷推出了用于深度学习的处理器。在上述产品中，既有CPU、GPU、DSP这样的传统芯片，也有专门为深度学习而生的NPU。那么，CPU、GPU、DSP、NPU等深度学习处理器各有什么特点，这些深度学习处理器谁更出彩呢？

CPU、GPU、DSP：以现有的技术进行微调

　　在英伟达开发出针对人工智能的定制GPU，并坚持DGX-1 系统之后，Intel也不甘落后，在收购深度学习创业公司 Nervana Systems之后，Intel也公布了用于深度学习的Xeon Phi家族新成员，在深度学习处理器领域开辟新战场。之后Intel和英伟达更是先后宣称自己的产品优于对方的产品，在舆论上打起来口水战。虽然现阶段短时间看还是GPU有优势——Intel的众核芯片也在一定程度上吸取了GPU的优势。不过，无论是针对人工智能的众核芯片还是定制版的GPU，本质上都不是专用处理器，实际上是拿现有的、相对成熟的架构和技术成果去应对新生的人工智能，并没有发生革命性的技术突破。

　　之前说过星光智能一号即所谓“中国首款嵌入式神经网络处理器”很有可能是一款可以运行神经网络的DSP，而非真正意义的神经网络专用芯片。
　　其实，Cadence公司的Tensilica Vision P5处理器、Synopsys公司的EV处理器和星光一号如出一辙，也是将传统的面向数字信号处理的DSP处理器架构用于处理神经网络，主要在运算器方面作了相应修改，例如低位宽和超越函数，而并非真正的NPU，能够适用于卷积神经网路（CNN），而对循环神经网络（RNN）和长短期记忆网络（LSTM）等处理语音和自然语言的网络有可能就无能为力了。
　　总之，Intel、英伟达、Synopsys公司、Cadence公司等都是在使用现有的比较成熟的技术去满足深度学习的需求，众核芯片和定制版GPU在本质上来说依旧是CPU和GPU，而并非专门针对深度学习的专业芯片，Synopsys公司和Cadence用传统SIMD/DSP架构来适配神经网络，和真正的NPU依然有一定差距。打一个比方，用众核芯片、GPU、DSP跑深度学习，就类似于用轿车去拉货，受轿车自身特点的限制，货物运输能力与真正大