AI芯片产业生态技术架构的发展分为四种类型。
01、GPU、FPGA等通用芯片的代表。
GPU：图形处理单元。
图形处理器的原始需求大部分来自于大型PC游戏的图形处理需求。
如今，由于技术的发展，移动终端也在慢慢崛起。
GPU领域的领导者是NVIDIA。
从游戏、数据中心到人工智能，市场对NVIDIA芯片的需求不断增加。
在游戏行业，它甚至还为加密货币矿工增加了服务。
等待过去的三年时间里，英伟达凭借在GPU方面的技术积累，走上了人工智能发展的快车道，三年内股价上涨了10倍。
NVIDIA GPU加速算法示意图以及股价上涨也与这家公司的转型有关。
英伟达也正在从一家图形芯片公司向人工智能平台构建者转型，专注于底层计算，致力于构建高效平台的战略，使英伟达在当前的技术革命中占有一席之地。
除了NVIDIA之外，还有AMD、ARM的Mali、Imagination的PowerVR、高通的Adreno等FPGA：现场可编程门阵列是在PAL、GAL、CPLD等可编程器件的基础上进一步发展起来的产品。
。
它作为专用集成电路（ASIC）领域的半定制电路出现，不仅解决了定制电路的缺点，而且克服了原有可编程器件中门数有限的缺点。
全球知名的FPGA厂商有：Altera、Xilinx、Actel、Lattice、Atmel等。
Altera作为全球历史最悠久的可编程逻辑器件制造商，是可编程逻辑器件的发明者，并开发了软件MAX+PLUSII和QuartusII。
Xilinx是FPGA的发明者。
拥有全球一半以上的市场，提供90%的高端65nm FPGA产品。
开发软件是ISE。
其产品主要应用于军事和航空航天领域。
Altera和Xilinx主要生产通用FPGA，其主要产品采用RAM技术。
Actel主要提供非易失性FPGA，其产品主要基于反熔丝技术和FLASH技术。
02、基于FPGA的半定制芯片代表如深鉴科技DPU、百度XPU等DPU：Deep-LearningProcessingUnit深度学习处理器北京清华背景的初创公司深鉴科技开发了基于FPGA的神经网络处理器称为 DPU。
神剑公开发布了两款DPU：亚里士多德架构和笛卡尔架构，分别针对CNN和DNN/RNN。
百度还发布了XPU，一款核心的、基于FPGA的云计算加速芯片，其合作伙伴是Xilinx。
XPU的目标是实现性能和效率之间的平衡，处理多样化的计算任务。
XPU的每个核心都集成了共享内存，用于数据同步。
所有内核均以 MHz03 运行。
全定制ASIC芯片代表ASIC如TPU、Cambricon-1A：专用集成电路ASIC在集成电路行业被认为是。
它是为特定目的而设计的集成电路。
ASIC芯片技术正在迅速发展。
目前ASIC芯片之间的转发性能通常可以达到1Gbs甚至更高，从而为交换矩阵提供了优良的物质基础。
TPU：张量处理单元谷歌张量处理器TPU的架构框图。
谷歌在今年5月的开发者大会上发布了TPU2，也称为Cloud TPU。
与TPU1相比，TPU2既可以用于训练，也可以用于推理。
TPU1实现了脉动阵列的流处理结构。
04.类脑计算芯片以IBM TrueNorth、westwell、高通Zeroth等为代表的类脑计算：是指借鉴大脑信息处理的基本规则，在硬件实现、软件算法等多个层面，对现有的计算系统和系统进行了本质性的改变，从而在计算能耗、计算能力、计算效率等多方面实现了实质性的改进。
TrueNorth：IBM 2017年发布的类人脑芯片集成了数万个“神经元”、一个“突触”，并行分布式神经核心使用了54亿个晶体管，但功耗却只有70mW。
TrueNorth芯片结构、功能及物理形态图 WestWell Lab：WestWell Lab是一家专注于神经拟态工程的类脑强人工智能商业公司，即通过模拟人脑神经元工作原理制造的芯片。
它兼具人性和人性的特点。
凭借大脑的学习能力和强大的特定计算能力，只需一枚邮票大小的芯片就可以模仿人脑在短时间内处理海量的感官信息。
相信随着技术的发展，以上四类技术架构最终都会达到同一个目标。
区别在于不同时期的需求不同。
这也是各家AI芯片初创公司必须争夺职位的原因。
但无论如何发展，技术永远是第一位的。