GPU是通用型的人工智慧處理晶片，
在雲的伺服器端做學習很好用，
FPGA是可程式化的晶片，
已經可以在針對AI
座程式化設計加速，
較低熱量與速度更快絕對是必然結果，
但是最低溫度與速度最快的會是ASIC，
在確定線路後直接設計，
不過無法更動。
而Google的ASIC的TPU
針對Tensorflow在雲端伺服器上強化，
效果強勁，
所以GPU最後會變成雲端學習
且無特殊晶片的AI學習框架用，
這種用途只會越來越少。

＃人工智慧
https://www.bnext.com.tw/…/ai-chip-king-may-no-longer-be-gp…

在2016年，谷歌發佈第一代TPU（Tensor Processing Unit）。這是一款專門針對機器學習客製化的專用晶片（ASIC），也是一款谷歌高度客製化的AI晶片，主要是採用谷歌深度學習框架TensorFlow而設計。由於AlphaGo聞名於世，因而谷歌TPU的強大運算能力絕對扮演重要角色。

谷歌於7月底宣佈TPU 3.0，即是Edge TPU正式進入Alpha內部測試階段，未來將使感測器和其他小工具能夠更快地處理數據。

TPU晶片其實可以用於各種場景，但是最初的一個用途是用於工業製造。消費電子製造商LG正在測試這款TPU，讓該系統可以自動檢測顯示器玻璃的製造缺陷。

目前，在製造用於顯示器面板的玻璃期間，檢查裝置每秒處理超過200個玻璃圖像。LG表示，任何出現的問題都是人工檢查的，現有系統的準確率約為50%。 可是採用谷歌的人工智慧即可提供99.9%的準確率。

谷歌進入客製化AI晶片是嘗試擴大與亞馬遜和微軟在雲端市場的競爭。自2015年以來，谷歌一直在使用TPU來加速自己數據中心的某些工作負載，而不是依賴英偉達等供應商提供的商用晶片。

可是，谷歌開始採用TPU之後，讓谷歌更為堅決相信其AI晶片正變得更具戰略性的武器。

在AI中，研究人員使用大量數據訓練模型，以便機器能夠在新數據到達時進行預測。TPU的初始版本只能做出這些預測，而2017年的第二個版本已經可以用於訓練模型，進而開始與英偉達(Nvidia)展開競爭。

至於第三代TPU，即是Edge TPU，其專門用於AI預測部分的微型晶片，比訓練模型的運算密集度還要更低。Edge TPU無需連接到一些功能強大的電腦即可進行運算，因此應用程式可以更快反應，且更可靠運行。其可以與感應器裝置中的標準晶片或微控制器一起處理AI工作。

谷歌其實不想讓Edge TPU與傳統晶片競爭，這種作法對於所有晶片供應商和設備製造商都非常有利。谷歌期望Edge TPU將會顛覆雲端市場之競爭，因為就成本和能源使用而言，谷歌晶片在某些類型的運算方面可以比傳統晶片更高效。

谷歌並不是唯一一家將重點放在所謂的物聯網處理上的雲端服務提供商，其重點是管理和處理來自許多小型嵌入式裝置的數據。2018年早些時候，微軟也曾經宣佈推出面向物聯網的晶片設計。