人工智能如果按照架构进行划分，有三个重要元素：数据、算法和算例，其中算例就是芯片，算例是基础，算法是核心，数据是保障。先看人工智能的定义，从广义上讲只要能够运行人工智能算法的芯片都叫人工智能芯片。嵌入式开发
为了进行大数据处理，当前的方案一般采用高性能的处理器辅助MCU进行计算，但是随着摩尔定律时间周期拉长，处理器上可集成的器件数量会达到极限，而数据量还在不断增加，因此我们需要通过架构的变化来满足数据量的增长，这就是人工智能芯片推出的背景。
目前来看，人工智能芯片有四类架构：GPU、FPGA、ASIC和类脑芯片。
GPU：是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，如名字一样，图形处理器，GPU善于处理图像领域的运算加速。但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
FPGA：和GPU相反，FPGA适用于多指令，单数据流的分析，因此常用于预测阶段，如云端。FPGA是用硬件实现软件算法，因此在实现复杂算法方面有一定的难度，缺点是价格比较高。将FPGA和GPU对比发现，一是缺少内存和控制所带来的存储和读取部分，速度更快。二是因为缺少读取的作用，所以功耗低，劣势是运算量并不是很大。结合CPU和GPU各自的优势，有一种解决方案就是异构。
ASIC芯片：是专用定制芯片，为实现特定要求而定制的芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。谷歌的TPU、寒武纪的GPU，地平线的BPU都属于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30-80倍，与CPU和GPU相比，TPU把控制缩小了，因此减少了芯片的面积，降低了功耗。
类脑计算是真正模拟人脑进行设计，人脑的特点就是神经元进行传输数据。当我们用硬件去模拟人脑时，在硬件环节里还有许多多余的元素，而类脑芯片就拟合人脑的作用。要做类脑芯片非常难，IBM、高通、英特尔等公司的芯片策略都是用硬件来模仿人脑的神经突触。
将以上四种架构对比，GPU未来的主攻方向是高级复杂算法和通用性人工智能平台，其发展路线分两条走：一是主攻高端算法的实现，对于指令的逻辑性控制要更复杂一些，在面向需求通用的AI计算方面具有优势；二是主攻通用性人工智能平台，GPU的通用性强，所以应用于大型人工智能平台可高效完成不同的需求。FPGA更适用于各种细分的行业，人工智能会应用到各个细分领域。
ASIC芯片是全定制芯片，长远看适用于人工智能。现在很多做AI算法的企业也是从这个点切入。因为算法复杂度越强，越需要一套专用的芯片架构与其进行对应，ASIC基于人工智能算法进行定制，其发展前景看好。类脑芯片是人工智能最终的发展模式，但是离产业化还很遥远。
