CPU的兄弟居然这么多…APU、B、DEF…

  GPU -- Graphics Processing Unit, 图形处理器，采用多线程SIMD架构，虽然为图形处理而生，但在Nvidia的人工智能布局下，成为了AI算法的主要硬件选项。

  NPU -- Neural Network Processing Unit，神经网络处理器，是基于神经网络算法与加速的新型处理器总称，如中科院计算所/寒武纪公司出品的diannao系列。

  当一个26个字幕被用完后，即将出现xxPU，xxxPU，并以更快的速度占领起名界。

  作者简介：谭洪贺，资深IC工程师。博士毕业于清华大学，多年一直从事于数字集成电路开发工作。从DSP、ASIP到特定加解密算法的ASIC低功耗实现，从音视频编解码的高性能设计到计算机视觉、语音识别的高效能实现，逐步进入AI领域。现任地平线机器人技术资深IC工程师，深度参与AI算法在芯片端的实现工作。

  Accelerated Processing Unit。目前还没有AI公司将自己的处理器命名为APU，因为AMD早就用过APU这一个名字了。APU是AMD的一个处理器品牌。AMD在一颗芯片上集成传统CPU和图形处理器GPU，这样主板上将不再需要北桥，任务可以灵活地在CPU和GPU间分配。AMD将这种异构结构称为加速处理单元，即APU。

  Audio Processing Unit。声音处理器，顾名思义，处理声音数据的专用处理器。不多说，生产APU的芯片商有好多家。声卡里都有。

  Brain Processing Unit。地平线机器人（Horizon Robotics）以BPU来命名自家的AI芯片。地平线年的start-up，总部在北京，目标是“嵌入式人工智能全球领导者”。地平线的芯片未来会直接应用于自己的基本的产品中，包括：智能驾驶、智能生活和智能城市。地平线机器人的公司名容易让人误解，以为是做“机器人”的，其实不然。地平线做的不是“机器”的部分，是在做“人”的部分，是在做人工智能的“大脑”，所以，其处理器命名为BPU。相比于国内外其他AI芯片start-up公司，地平线的第一代BPU走的相对保守的TSMC的40nm工艺。BPU已经被地平线申请了注册商标，其他公司就别打BPU的主意了。

  Biological Processing Unit。一个口号“21 世纪是生物学的世纪”忽悠了无数的有志青年跳入了生物领域的大坑。其实，这句话需要这么理解，生物学的进展会推动21世纪其他学科的发展。比如，对人脑神经系统的研究成果就会推动AI领域的发展，SNN结构就是对人脑神经元的模拟。不管怎么说，跟着时间的推移，坑总会被填平的。不知道生物处理器在什么时间会有质的发展。

  Bio-Recognition Processing Unit。生物特征识别现在已经不是纸上谈兵的事情了。指纹识别已经是近来智能手机的标配，电影里的黑科技虹膜识别也上了手机，声纹识别可以支付了...不过，除了指纹识别有专门的ASIC芯片外，其他生物识别还基本都是sensor加通用cpu/dsp的方案。不管怎样，这些芯片都没占用BPU或BRPU这个宝贵位置。

  CPU就不多说了，也不会有AI公司将自己的处理器命名为CPU的。不过，CPU与AI处理器并不冲突。

  此外，在现有的移动市场的AP中，在CPU之外，再集成一两个AI加速器IP（例如针对视觉应用的DSP，见VPU部分）也是一种趋势。例如，华为近期就在为其集成了AI加速器的麒麟970做宣传。

  kalrayinc 一家做多核并行处理器的公司，有针对数据中心和无人驾驶的解决方案。最近公布了第三代MPPA处理器“Coolidge”的计划，并融资$26 Million。计划采用16nm FinFET工艺，集成80-160个kalray 64-bit core，以及80-160个用于机器视觉处理和深度学习计算的协处理器。

  Deephi Tech（深鉴） 深鉴是一家位于北京的start-up，初创团队有很深的清华背景。深鉴将其开发的基于FPGA的神经网络处理器称为DPU。到目前为止，深鉴公开发布了两款DPU：亚里士多德架构和笛卡尔架构，分别针对CNN以及DNN/RNN。虽然深鉴号称是做基于FPGA的处理器开发，但是从公开渠道能够正常的看到的招聘信息以及非公开的业内交流来看，其做芯片已成事实。

  TensTorrent 一家位于Toronto的start-up，研发专为深度学习和智能硬件而设计的高性能处理器，技术人员来自NVDIA和AMD。

  Deep Learning Accelerator。深度学习加速器。NVIDA宣布将这个DLA开源，给业界带来了不小的波澜。大家都在猜测开源DLA会给其他AI公司带来什么。参考这篇吧从Nvidia开源深度学习加速器说起

  Digital Signal Processor。数字信号处理器。芯片行业的人对DSP都不陌生，设计DSP的公司也很多，TI，Qualcomm，CEVA，Tensilica，ADI，Freescale等等，都是大公司，此处不多做介绍。相比于CPU，DSP通过增加指令并行度来提高数字计算的性能，如SIMD、VLIW、SuperScalar等技术。面对AI领域新的计算方式（例如CNN、DNN等）的挑战，DSP公司也在马不停蹄地改造自己的DSP，推出支持神经网络计算的芯片系列。在后面VPU的部分，会介绍一下针对Vision应用的DSP。和CPU一样，DSP的技术很长时间以来都掌握在外国公司手里，国内也不乏兢兢业业在这方向努力的科研院所，如清华大学微电子所的Lily DSP（VLIW架构，有独立的编译器），以及国防科大的YHFT-QDSP和矩阵2000。但是，也有臭名昭著的“汉芯”。

  Emotion Processing Unit。Emoshape 并不是这两年才推出EPU的，号称是全球首款情绪合成（emotion synthesis）引擎，可以让机器人具有情绪。但是，从官方渠道消息看，EPU本身并不复杂，也不需要做任务量巨大的神经网络计算，是基于MCU的芯片。结合应用API以及云端的增强学习算法，EPU可以让机器能够在情绪上了解它们所读或所看的内容。结合自然语言生成(NLG)及WaveNet技术，可以让机器个性化的表达各种情绪。例如，一部能够朗读的Kindle，其语音将根据所读的内容充满不同的情绪状态。

  先说一个最常用的FPU缩写：Floating Point Unit。浮点单元，不多做解释了。现在高性能的CPU、DSP、GPU内都集成了FPU做浮点运算。

  Graphics Processing Unit。图形处理器。GPU原来最大的需求来自PC市场上各类游戏对图形处理的需求。但是随着移动电子设备的升级，在移动端也逐渐发展起来。

  NVIDIA 说起GPU，毫无疑问现在的老大是NVIDIA。这家成立于1993年的芯片公司始终致力于设计各种GPU：针对个人和游戏玩家的GeForce系列，针对专业工作站的Quadro系列，以及针对服务器和高性能运算的Tesla系列。随着AI的发展，NVIDIA在AI应用方面不断发力，推出了针对无人驾驶的DRIVE系列，以及专为AI打造的VOLTA架构。特别提一下VOLTA，今年5月份，NVIDIA发布的Tesla V100采用TSMC 12nm工艺，面积竟然815mm^2，号称相关研发费用高达30亿美元。得益于在AI领域的一家独大，NVIFIA的股价在过去一年的时间里狂涨了300%。最后，也别忘了NVIDIA家还有集成了GeForce GPU的Tegra系列移动处理器。

  AMD 这几年NVIDIA的火爆，都快让大家忘了AMD的存在了。AMD是芯片行业中非常古老的一家芯片公司，成立于1969年，比NVIDIA要早很多年。AMD最出名的GPU品牌Radeon来自于其2006年以54亿美元收购的ATI公司（暴露年龄地说，本人的第一台PC的显卡就是ATI的）。本文第一个词条APU就是AMD家的产品。AMD新出的MI系列GPU将目标对准AI。

  ARM家的Mali Mali不是ARM的自创GPU品牌，来自于ARM于2006年收购的Falanx公司。Falanx最初的GPU是面向PC市场的，但是根本就无法参与到NVIDIA和ATI的竞争中去，于是转向移动市场；并且Falanx最初的GPU的名字也不是Mali，而是Maliak，为了好记，改为Mali，来自罗马尼亚文，意思是small，而不是我们熟悉的吃蘑菇救公主的超级玛丽（SuperMALI）。

  Imagination的PowerVR 主要客户是苹果，所以主要精力都在支持苹果，对别的客户的支持不足。但是，苹果突然宣布放弃PVR转为自研，对Imagination打击不小，股价大跌六成。Imagination现在正在寻求整体出售，土财快追，但是，美国未必批。

  VeriSilicon的Vivante Vivante（图芯）是一家成立于2004年的以做嵌入式GPU为主的芯片公司，于2015年被VSI收购。Vivante的市场占有率较低。这里多加一段小八卦，Vivante的创始人叫戴伟进，VSI的创始人叫戴伟民，一句话对这次收购进行总结就是，戴家老大收购了戴家老二。哦，对了，戴家还有一个三妹戴伟立，创立的公司名号更响亮：Marvell。

  Samsung的。。。哦，三星没有自己的GPU。作为一个IDM巨头，对于没有自家的GPU，三星一直耿耿于怀。三星也宣布要研发自家的移动端GPU芯片，不过要等到2020年了。

  上海兆芯 兆芯是VIA（威盛）分离出来的。兆芯于2016年针对移动端出了一款GPU芯片ZX-2000，名字有点简单直接。主要技术来源于威盛授权，GPU核心技术来自收购的美国S3 Graphics。

  长沙景嘉微电子 于2014年推出一款GPU芯片JM5400。这是一家有国防科大背景的公司，与龙芯为合作伙伴，芯片主要使用在在军用飞机和神舟飞船上。

  Graph Streaming Processor。图形流处理器。这是ThinCI（取意think-eye）提出的缩写。ThinCI是一家致力于打造deep learning和computer vision芯片的start-up，由4名Intel前员工创立于2010年，总部在Sacramento，在印度也有研发人员。ThinCI的视觉芯片瞄准了无人驾驶应用，投资方有世界顶级汽车零部件供应商公司日本电装DENSO。在刚结束的hotchip会议上，ThinCI介绍了他们的GSP（于是本文作者将ThinCI从VPU部分移到了这里），使用了多种结构性技术来实现任务级、线程级、数据级和指令级的并行。GSP使用TSMC 28nm HPC+工艺，功耗预计2.5W。

  Holographic Processing Unit。全息处理器。Microsoft专为自家Hololens应用开发的。第一代HPU采用28nm HPC工艺，使用了24个Tensilica DSP并进行了定制化扩展。HPU支持5路cameras、1路深度传感器（Depth sensor）和1路动作传感器（Motion Sensor）。Microsoft 在最近的CVPR 2017上宣布了HPU2的一些信息。HPU2将搭载一颗支持DNN的协处理器，专门用于在本地运行各种深度学习。指的一提的是，HPU是一款为特定应用所打造的芯片，这个做产品的思路能学习。据说Microsoft评测过Movidius（见VPU部分）的芯片，但是觉得不足以满足算法对性能、功耗和延迟的要求，所有才有了HPU。

  Graphcore Graphcore公司的IPU是专对于graph的计算而打造的。稍微说说Graph，Graphcore认为Graph是知识模型及相应算法的非常自然的表示，所以将Graph作为机器智能的基础表示方法，既适用于神经网络，也适用于贝叶斯网络和马尔科夫场，以及未来可能出现的新的模型和算法。Graphcore的IPU一直比较神秘，直到近期才有一些细节的信息发布。比如：16nm，同构多核（1000）架构，同时支持training和inference，使用大量片上sram，性能优于Volta GPU和TPU2，预计2017年底会有产品发布，等等。多八卦一点，Graphcore的CEO和CTO以前创立的做无线通信芯片的公司Icera于2011年被Nvidia收购并于2015年关闭。关于IPU更细节的描述，可以看唐博士的微信公号的一篇文章，传输门：解密又一个xPU：Graphcore的IPU。

  Image Processing Unit。图像处理器。一些SOC芯片中将处理静态图像的模块称为IPU。但是，IPU不是一个常用的缩写，更常见的处理图像信号的处理器的缩写为下面的ISP。

  Image Signal Processor 。图像信号处理器。这一个话题也不是一个小话题。ISP的功能，简单的来说就是处理camera等摄像设备的输出信号，实现降噪、Demosaicing、HDR、色彩管理等功能。以前是各种数码相机、单反相机中的标配。Canon、Nikon、Sony等等，你能想到的出数码相机的公司几乎都有自己的ISP。进入手机摄影时代，人们对摄影摄像的要求也慢慢变得高，ISP必不可少。说回AI领域，camera采集图像数据，也要先经过ISP做处理之后，再由视觉算法（运行在CPU、GPU或ASIC加速器上的）做多元化的分析、识别、分类、追踪等进一步处理。也许，随着AI技术发展，ISP的一些操作会直接被end-2-end的视觉算法统一。

  Knowledge Processing Unit。 嘉楠耘智（canaan）号称2017年将发布自己的AI芯片KPU。嘉楠耘智要在KPU单一芯片中集成人工神经网络和高性能处理器，主要提供异构、实时、离线的AI应用服务。这又是一家向AI领域扩张的不差钱的矿机公司。作为一家做矿机芯片（自称是区块链专用芯片）和矿机的公司，嘉楠耘智累计获得近3亿元融资，估值近33亿人民币。据说嘉楠耘智近期将启动股改并推进IPO。

  另：Knowledge Processing Unit这个词并不是嘉楠耘智第一个提出来的，早在10年前就已经有论文和书籍讲到这个词汇了。只是，现在嘉楠耘智将KPU申请了注册商标。

  Mind Processing Unit。意念处理器，听起来不错。“解读脑电波”，“意念交流”，永恒的科幻话题。如果采集大量人类“思考”的脑电波数据，通过深度学习，再加上强大的意念处理器MPU，不知道能否成为mind-reader。如果道德伦理上没有办法接受，先了解一下家里宠物猫宠物狗的“想法”也能的吗。再进一步，从mind-reader发展为mind-writer，持续升级之后，是不是就能成为冰与火中的Skinchanger？

  题外话：并不是所有的xPU都是处理器，比如有个MPU，是Memory Protection Unit的缩写，是内存保护单元，是ARM核中配备的具有内存区域保护功能的模块。

  Neural-Network Processing Unit。与GPU类似，神经网络处理器NPU慢慢的变成了了一个通用名词，而非某家公司的专用缩写。由于神经网络计算的类型和计算量与传统计算的区别，导致在进行NN计算的时候，传统CPU、DSP甚至GPU都有算力、性能、能效等方面的不足，所以激发了专为NN计算而设计NPU的需求。这里罗列几个以NPU名义发布过产品的公司，以及几个学术圈的神经网络加速器。

  中星微电子（Vimicro）的星光智能一号。中星微于2016年抢先发布了“星光智能一号”NPU。但是，这不是一个专为加速Neural Network而开发的处理器。业内都知道其内部集成了多个DSP核（其称为NPU core），通过SIMD指令的调度来实现对CNN、DNN的支持。以这个逻辑，似乎很多芯片都可以叫NPU，其他以DSP为计算核心的SOC芯片的命名和宣传都相对保守了。

  Eyeriss。MIT的神经网络项目，针对CNN的进行高能效的计算加速设计。

  Thinker。清华微电子所设计的一款可重构多模态神经计算芯片，可以平衡CNN和RNN在计算和带宽之间的资源冲突。

  Neural/Neuromorphic Processing Unit。神经/神经形态处理器。这和上面的神经网络处理器还有所不同。而且，一般也不以“处理器”的名字出现，更多的时候被称为“神经形态芯片（Neuromorphic Chip）”或者是“类脑芯片（Brain-Inspired Chip）”。这类AI芯片不是用CNN、DNN等网络形式来做计算，而是以更类似于脑神经组成结构的SNN（Spiking Neural Network）的形式来进行计算。随便列几个，都不是“xPU”的命名方式。

  Qualcomm的Zeroth。高通几年前将Zeroth定义为一款NPU，配合以软件，可以方便的实现SNN的计算。但是，NPU似乎不见了踪影，现在只剩下了同名的机器学习引擎Zeroth SDK。

  Optical-Flow Processing Unit。光流处理器。有需要用专门的芯片来实现光流算法吗？不知道，但是，用ASIC IP来做加速应该是要的。

  Physical Processing Unit。物理处理器。要先解释一下物理运算，就知道物理处理器是做什么的了。物理计算，就是模拟一个物体在真实世界中应该符合的物理定律。具体的说，可以使虚拟世界中的物体运动符合真实世界的物理定律，可以使游戏中的物体行为更真实，例如布料模拟、毛发模拟、碰撞侦测、流体力学模拟等。开发物理计算引擎的公司有那么几家，使用CPU来完成物理计算，支持多种平台。但是，Ageia应该是唯一一个使用专用芯片来加速物理计算的公司。Ageia于2006年发布了PPU芯片PhysX，还发布了基于PPU的物理加速卡，同时提供SDK给游戏开发者。2008年被NVIDIA收购后，PhysX加速卡产品被逐渐取消，现在物理计算的加速功能由NVIDIA的GPU实现，PhysX SDK被NVIDIA重新打造。

  Quantum Processing Unit。量子处理器。量子计算机也是近几年比较火的研究方向。作者承认在这方面所知甚少。能关注这家成立于1999年的公司D-Wave System。DWave大概每两年可以将其QPU上的量子位个数翻倍一次。

  Ray-tracing Processing Unit。光线追踪处理器。Ray tracing是计算机图形学中的一种渲染算法，RPU是为加速其中的数据计算而开发的加速器。现在这些计算都是GPU的事情了。

  Streaming Processing Unit。流处理器。流处理器的概念比较早了，是用于处理视频数据流的单元，一慢慢的出现在显卡芯片的结构里。可以说，GPU就是一种流处理器。甚至，还曾经存在过一家名字为“Streaming Processor Inc”的公司，2004年创立，2009年，随着创始人兼董事长被挖去NVIDIA当首席科学家，SPI关闭。

  Speech-Recognition Processing Unit。语音识别处理器，SPU或SRPU。这个缩写还没有公司拿来使用。现在的语音识别和语义理解主要是在云端实现的，比如科大讯飞。科大讯飞最近推出了一个翻译机，可以将语音传回云端，做实时翻译，内部硬件没有去专门了解。和语音识别相关的芯片如下。

  启英泰伦（chipintelli） 于2015年11月在成都成立。该公司的CI1006是一款集成了神经网络加速硬件来做语音识别的芯片，可实现单芯片本地离线大词汇量识别。

  MIT项目。今年年初媒体爆过MIT的一款黑科技芯片，实际上的意思就是MIT在ISSCC2017上发表的paper里的芯片，也能实现单芯片离线识别上k个单词。可以借鉴阅读“分析一下MIT的智能语音识别芯片”。

  云知声（UniSound）。云知声是一家专攻智能语音识别技术的公司，成立于2012年6月，总部在北京。云知声刚刚获得3亿人民币战略投资，其中一部分将用来研发其稍早公布的AI芯片计划，命名“UniOne”。据官方透漏，UniOne将内置DNN处理单元，兼容多麦克风、多操作系统。并且，芯片将以模组的形式提供给客户，让客户直接拥有一整套云端芯的服务。

  Space Processing Unit。空间处理器，高大上，有没有。全景摄像，全息成像，这些还都是处理我们的生活空间。当面对广阔的太阳系、银河系这些宇宙空间，是不是需要新的更强大的专用处理器呢？飞向M31仙女座星系，对抗黑暗武士，只靠x86估计是不行的。

  Vision Processing Unit。视觉处理器VPU也有希望成为通用名词。作为现今最火热的AI应用领域，计算机视觉的发展的确能给用户所带来前所未有的体验。为了处理计算机视觉应用中遇到的超大计算量，多家公司正在为此设计专门的VPU。

  Movidius（已被Intel收购）。Movidius成立于2006年，总部在硅谷的San Mateo，创始人是两个爱尔兰人，所以在爱尔兰有分部。Movidius早期做的是将旧电影转为3D电影的业务，后期开始研发应用于3D渲染的芯片，并开始应用于计算机视觉应用领域（这说明：1，芯片行业才是高技术上的含金量、高门槛、高价值的行业；2，初创公司要随着发展调整自己的战略）。Movidius开发的Myriad系列VPU专门为计算机视觉来优化，能够适用于 3D 扫描建模、室内导航、360°全景视频等更前沿的计算机视觉用途。例如，2014年，谷歌的Project Tango项目用 Myriad 1帮助打造室内三维地图；2016年，大疆的“精灵4”和“御”都采用了Movidius 的 Myriad 2芯片。采用TSMC 28nm工艺的Myriad2中集成了12个向量处理器SHAVE (Streaming Hybrid Architecture Vector Engine)。按照Movidius的说法，SHAVE是一种混合型流处理器，集成了GPU、 DSP和RISC的优点，支持8/16/32 bit定点和16/32 bit浮点计算，而且硬件上支持稀疏数据结构。此外，Myriad2中有两个RISC核以及video硬件加速器。据称，Myriad2可以同时处理多个视频流。

  Inuitive 一家以色列公司，提供3D图像和视觉处理方案，用于AR/VR、无人机等应用场景。Inuitive的下一代视觉处理器NU4000采用28nm工艺，选择使用CEVA的XM4 DSP，并集成了深度学习处理器（自己开发？或者购买IP？）和深度处理引擎等硬件加速器。

  DeepVision 一家总部在Palo Alto的start-up，为嵌入式设备设计和开发低功耗VPU，以支持深度学习、CNN以及传统的视觉算法，同时提供实时处理软件。

  Video Processing Unit。视频处理器。处理动态视频而不是图像，例如进行实时编解码。

  Vector Processing Unit。向量处理器。标量处理器、向量处理器、张量处理器，这是以处理器处理的数据类型进行的划分。现在的CPU已不再是单纯的标量处理器，很多CPU都集成了向量指令，最典型的就是SIMD。向量处理器在超级计算机和高性能计算中，扮演着重要角色。基于向量处理器研发AI领域的专用芯片，也是很多公司的选项。例如，前面刚提到Movidius的Myriad2中，就包含了12个向量处理器。

  Vision DSP。针对AI中的计算机视觉应用，各家DSP公司都发布了DSP的Vision系列IP。简单罗列如下。

  Tensilica（2013年被Cadence以3.8亿美元收购）的P5、P6，以及最新的C5 DSP。一个最大的特色就应该用TIE语言来定制指令。前面微软的HPU中使用他家的DSP。可以借鉴“神经网络DSP核的一桌麻将终于凑齐了”。

  Videantis的v-MP4系列。Videantis成立于1997年，总部在德国汉诺顿。v-MP4虽然能做很多机器视觉的任务，但还是传统DSP增强设计，并没有针对神经网络做特殊设计。

  Wearable Processing Unit。一家印度公司Ineda Systems在2014年大肆宣传了一下他们针对IOT市场推出的WPU概念，获得了高通和三星的注资。Ineda Systems研发的这款“Dhanush WPU”分为四个级别，可适应普通级别到高端级别的可穿戴设备的运算需求，可以让可穿戴设备的电池达到30天的持续续航、减少10x倍的能耗。但是，一切似乎在2015年戛然而止，没有了任何消息。只在主页的最下端有文字显示，Ineda将WPU申请了注册商标。有关WPU的信息只有大概结构，哦，对了，还有一个美国专利。

  Wisdom Processing Unit。智慧处理器。这个WPU听起来比较高大上，拿去用，不谢。不过，有点“脑白金”的味道。

  不如干脆就叫XPU，X可以表示未知，一切皆有可能，类似X Man，X File，SpaceX。

  就在这篇快收尾的时候，获悉在今年的hotchip会议上，Baidu公开了其FPGA Accelerator的名字，就叫XPU。还没有具体细节可说，拭目以待吧。

  寒武纪科技（Cambricon） 中科院背景的寒武纪并没有用xPU的方式命名自家的处理器。媒体的文章既有称之为深度学习处理器DPU的，也有称之为神经网络处理器NPU的。陈氏兄弟的DianNao系列芯片架构连续几年在各大顶级会议上刷了好几篇best paper，为其公司的成立奠定了技术基础。寒武纪Cambricon-X指令集是其一大特色。目前其芯片IP已扩大范围授权集成到手机、安防、可穿戴设备等终端芯片中。据流传，2016年就已拿到一亿元订单。在一些特殊领域，寒武纪的芯片将在国内具有绝对的占有率。最新报道显示，寒武纪又融了1亿美元。

  Intel Intel在智能手机芯片市场的失利，让其痛定思痛，一改当年的犹豫，在AI领域的几个应用方向上接连发了狠招。什么狠招呢，就是三个字：买，买，买。在数据中心/云计算方面，167亿美金收购的Altera，4亿美金收购Nervana；在移动端的无人机、安防监控等方面，收购Movidius（未公布收购金额）；在ADAS方面，153亿美金收购Mobileye。Movidius在前面VPU部分进行了介绍，这里补充一下Nervana和Mobileye（基于视觉技术做ADAS方案，不是单纯的视觉处理器，所以没写在VPU部分）。

  比特大陆Bitmain 比特大陆设计的全定制矿机芯片性能优越，让其大赚特赚。在卖矿机芯片之余，比特大陆自己也挖挖矿。总之，芯片设计能力非凡、土豪有钱的比特大陆对标NVIDIA的高端GPU芯片，任性地用16nm的工艺开启了自家的AI芯片之路。芯片测试已有月余，据传功耗60W左右，同步在招揽产品、市场人员。最近的推文爆出了这款AI芯片的名字：“智子（Sophon）”，来自著名的《三体》，可见野心不小，相信不就即将正式发布。

  华为&海思 市场期待华为的麒麟970已经很长时间了，内置AI加速器已成公开的秘密，据传用了寒武纪的IP，就等秋季发布会了。还是据传，海思的HI3559中用了自己研发的深度学习加速器。

  苹果 苹果正在研发一款AI芯片，内部称为“苹果神经引擎”(Apple Neural Engine)。这一条消息大家并不惊讶，大家想知道的就是，这个ANE会在哪款iphone中用上。

  高通 高通除了维护其基于Zeroth的软件平台，在硬件上也动作不断。收购NXP的同时，据传高通也一直在和Yann LeCun以及Facebook的AI团队保持合作，共同开发用于实时推理的新型芯片。

  AI芯片，百家争鸣，机遇伴随挑战，今天你争我夺，明天就可能并购。随着这些“xPU”的不断推陈出新，26个字母使用殆尽。但是，换个角度，其实也没关系，索性起个独特的名字。或者，抢先布局“processing in memory”路线，先占个“xxxRAM”或“xxxMem”名字。

  最后，安利一下清华汪玉老师的实验室做的网页NN Accelerator NICS EFC Lab，收集了各种公开的神经网络加速器的数据，并进行了可视化，如图。