隨著AI概念火爆全球，做AI晶片的公司也層出不窮。為了讓市場和觀眾能記住自家的產品，各家在晶片命名方面都下了點功夫，既要獨特，又要和公司產品契合，還要朗朗上口，也要容易讓人記住。比較有意思的是，很多家都採用了“xPU”的命名方式。

本文就來盤點一下目前各種“xPU”命名AI晶片，以及晶片行業裡的各種“xPU”縮寫，供吃瓜群眾消遣，也供後來者起名參考。此外，除了“xPU”命名方式，本文也擴充套件了一些“xxP”方式的以Processor命名的晶片或IP。此外的此外，拍腦袋拍出了一些xPU命名備選方案，用下劃線標示，並歡迎讀者一起來開腦洞。有心在AI晶片發力的公司，趕緊先搶個字母吧。APUAccelerated Processing Unit。目前還沒有AI公司將自己的

處理器命名為APU，因為AMD早就用過APU這個名字了。APU是AMD的一個處理器品牌。AMD在一顆晶片上整合傳統CPU和圖形處理器GPU，這樣主機板上將不再需要北橋，任務可以靈活地在CPU和GPU間分配。AMD將這種異構結構稱為加速處理單元，即APU。Audio Processing Unit。聲音處理器，顧名思義，處理聲音資料的專用處理器。不多說，生產APU的晶片商有好多家。聲卡里都有。BPUBrain Processing Unit。地平線機器人（Horizon Robotics）以BPU來命名自家的AI晶片。地平線是一家成立於2015年的start-up，總部在北京，目標是“嵌入式人工智慧全球領導者”。地平線的晶片未來會直接應用於自己的主要產品中，包括：智慧駕駛、智慧生活和智慧城市。地平線機器人的公司名容易讓人誤解，以為是做“機器人”的，其實不然。地平線做的不是“機器”的部分，是在做“人”的部分，是在做人工智慧的“大腦”，所以，其處理器命名為BPU。相比於國內外其他AI晶片start-up公司，地平線的第一代BPU走的相對保守的TSMC的40nm工藝。BPU已經被地平線申請了註冊商標，其他公司就別打BPU的主意了。

Biological Processing Unit。一個口號“21 世紀是生物學的世紀”忽悠了無數的有志青年跳入了生物領域的大坑。其實，這句話需要這麼理解，生物學的進展會推動21世紀其他學科的發展。比如，對人腦神經系統的研究成果就會推動AI領域的發展，SNN結構就是對人腦神經元的模擬。不管怎麼說，隨著時間的推移，坑總會被填平的。不知道生物處理器在什麼時間會有質的發展。Bio-Recognition Processing Unit。生物特徵識別現在已經不是紙上談兵的事情了。指紋識別已經是近來智慧手機的標配，電影裡的黑科技虹膜識別也上了手機，聲紋識別可以支付了...不過，除了指紋識別有專門的ASIC晶片外，其他生物識別還基本都是sensor加通用cpu/dsp的方案。不管怎樣，這些晶片都沒佔用BPU或BRPU這個寶貴位置。CPUCPU就不多說了，也不會有AI公司將自己的處理器命名為CPU的。不過，CPU與AI處理器並不衝突。首先，很多公司的AI處理器中還是會使用CPU做控制排程。比如，wave computing用的是Andes的CPU core；Mobileye用了好幾個MIPS的CPU core；國內的某些AI晶片公司用的ARM的CPU core。此外，在現有的移動市場的AP中，在CPU之外，再整合一兩個AI加速器IP（例如針對視覺應用的DSP，見VPU部分）也是一種趨勢。例如，華為近期就在為其集成了AI加速器的麒麟970做宣傳。另外一種趨勢，做高效能運算CPU的公司也不甘錯過AI的浪潮。例如，Adapteva  一家做多核MIMD結構處理器的公司。2016年tapeout的Epiphany V整合有1024個核。相對以前的版本，針對deep learning和加密增加了特定指令。kalrayinc  一家做多核並行處理器的公司，有針對資料中心和自動駕駛的解決方案。最近公佈了第三代MPPA處理器“Coolidge”的計劃，並融資$26 Million。計劃採用16nm FinFET工藝，整合80-160個kalray 64-bit core，以及80-160個用於機器視覺處理和深度學習計算的協處理器。DPUD是Deep Learning的首字母，以Deep Learning開頭來命名AI晶片是一種很自然的思路。Deep-Learning Processing Unit。深度學習處理器。DPU並不是哪家公司的專屬術語。在學術圈，Deep Learning Processing Unit（或processor）被經常提及。例如ISSCC 2017新增的一個session的主題就是Deep Learning Processor。以DPU為目標的公司如下。Deephi Tech（深鑑）  深鑑是一家位於北京的start-up，初創團隊有很深的清華背景。深鑑將其開發的基於FPGA的神經網路處理器稱為DPU。到目前為止，深鑑公開發布了兩款DPU：亞里士多德架構和笛卡爾架構，分別針對CNN以及DNN/RNN。雖然深鑑號稱是做基於FPGA的處理器開發，但是從公開渠道可以看到的招聘資訊以及非公開的業內交流來看，其做晶片已成事實。TensTorrent  一家位於Toronto的start-up，研發專為深度學習和智慧硬體而設計的高效能處理器，技術人員來自NVDIA和AMD。Deep Learning Unit。深度學習單元。Fujitsu（富士通）最近高調宣佈了自家的AI晶片，命名為DLU。名字雖然沒什麼創意，但是可以看到DLU已經被富士通標了“TM”，雖然TM也沒啥用。在其公佈的資訊裡可以看到，DLU的ISA是重新設計的，DLU的架構中包含眾多小的DPU（Deep Learning Processing Unit）和幾個大的master core（控制多個DPU和memory訪問）。每個DPU中又包含了16個DPE（Deep-Learning Processing Element），共128個執行單元來執行SIMD指令。富士通預計2018財年內推出DLU。Deep Learning Accelerator。深度學習加速器。NVIDA宣佈將這個DLA開源，給業界帶來了不小的波瀾。大家都在猜測開源DLA會給其他AI公司帶來什麼。參考這篇吧"從Nvidia開源深度學習加速器說起"Dataflow Processing Unit。資料流處理器。創立於2010年的wave computing公司將其開發的深度學習加速處理器稱為Dataflow Processing Unit(DPU)，應用於資料中心。Wave的DPU內整合1024個cluster。每個Cluster對應一個獨立的全定製版圖，每個Cluster內包含8個算術單元和16個PE。其中，PE用非同步邏輯設計實現，沒有時鐘訊號，由資料流驅動，這就是其稱為Dataflow Processor的緣由。使用TSMC 16nm FinFET工藝，DPU die面積大概400mm^2，內部單口sram至少24MB，功耗約為200W，等效頻率可達10GHz，效能可達181TOPS。前面寫過一篇他家DPU的分析，見傳輸門AI晶片|淺析Yann LeCun提到的兩款Dataflow Chip。Digital Signal Processor。數字訊號處理器。晶片行業的人對DSP都不陌生，設計DSP的公司也很多，TI，Qualcomm，CEVA，Tensilica，ADI，Freescale等等，都是大公司，此處不多做介紹。相比於CPU，DSP通過增加指令並行度來提高數字計算的效能，如SIMD、VLIW、SuperScalar等技術。面對AI領域新的計算方式（例如CNN、DNN等）的挑戰，DSP公司也在馬不停蹄地改造自己的DSP，推出支援神經網路計算的晶片系列。在後面VPU的部分，會介紹一下針對Vision應用的DSP。和CPU一樣，DSP的技術很長時間以來都掌握在外國公司手裡，國內也不乏兢兢業業在這方向努力的科研院所，如清華大學微電子所的Lily DSP（VLIW架構，有獨立的編譯器），以及國防科大的YHFT-QDSP和矩陣2000。但是，也有臭名昭著的“漢芯”。EPUEmotion Processing Unit。Emoshape 並不是這兩年才推出EPU的，號稱是全球首款情緒合成（emotion synthesis）引擎，可以讓機器人具有情緒。但是，從官方渠道訊息看，EPU本身並不複雜，也不需要做任務量巨大的神經網路計算，是基於MCU的晶片。結合應用API以及雲端的增強學習演算法，EPU可以讓機器能夠在情緒上了解它們所讀或所看的內容。結合自然語言生成(NLG)及WaveNet技術，可以讓機器個性化的表達各種情緒。例如，一部能夠朗讀的Kindle，其語音將根據所讀的內容充滿不同的情緒狀態。FPU先說一個最常用的FPU縮寫：Floating Point Unit。浮點單元，不多做解釋了。現在高效能的CPU、DSP、GPU內都集成了FPU做浮點運算。Force Processing Unit。原力處理器，助你成為絕地武士。酷！GPUGraphics Processing Unit。圖形處理器。GPU原來最大的需求來自PC市場上各類遊戲對圖形處理的需求。但是隨著移動裝置的升級，在移動端也逐漸發展起來。NVIDIA  說起GPU，毫無疑問現在的老大是NVIDIA。這家成立於1993年的晶片公司一直致力於設計各種GPU：針對個人和遊戲玩家的GeForce系列，針對專業工作站的Quadro系列，以及針對伺服器和高效能運算的Tesla系列。隨著AI的發展，NVIDIA在AI應用方面不斷髮力，推出了針對自動駕駛的DRIVE系列，以及專為AI打造的VOLTA架構。特別提一下VOLTA，今年5月份，NVIDIA釋出的Tesla V100採用TSMC 12nm工藝，面積竟然815mm^2，號稱相關研發費用高達30億美元。得益於在AI領域的一家獨大，NVIFIA的股價在過去一年的時間裡狂漲了300%。最後，也別忘了NVIDIA家還有集成了GeForce GPU的Tegra系列移動處理器。AMD  這幾年NVIDIA的火爆，都快讓大家忘了AMD的存在了。AMD是晶片行業中非常古老的一家晶片公司，成立於1969年，比NVIDIA要早很多年。AMD最出名的GPU品牌Radeon來自於其2006年以54億美元收購的ATI公司（暴露年齡地說，本人的第一臺PC的顯示卡就是ATI的）。本文第一個詞條APU就是AMD家的產品。AMD新出的MI系列GPU將目標對準AI。在移動端市場，GPU被三家公司瓜分，但是也阻止不了新的競爭者殺入。ARM家的Mali  Mali不是ARM的自創GPU品牌，來自於ARM於2006年收購的Falanx公司。Falanx最初的GPU是面向PC市場的，但是根本就無法參與到NVIDIA和ATI的競爭中去，於是轉向移動市場；並且Falanx最初的GPU的名字也不是Mali，而是Maliak，為了好記，改為Mali，來自羅馬尼亞文，意思是small，而不是我們熟悉的吃蘑菇救公主的超級瑪麗（SuperMALI）。Imagination的PowerVR  主要客戶是蘋果，所以主要精力都在支援蘋果，對其他客戶的支援不足。但是，蘋果突然宣佈放棄PVR轉為自研，對Imagination打擊不小，股價大跌六成。Imagination現在正在尋求整體出售，土財快追，但是，美國未必批。Qualcomm的Adreno  技術來自於AMD收購ATI後出售的移動GPU品牌Imageon。有意思的是，名字改自於ATI的知名GPU品牌Radeon；VeriSilicon的Vivante  Vivante（圖芯）是一家成立於2004年的以做嵌入式GPU為主的晶片公司，於2015年被VSI收購。Vivante的市場佔有率較低。這裡多加一段小八卦，Vivante的創始人叫戴偉進，VSI的創始人叫戴偉民，一句話對這次收購進行總結就是，戴家老大收購了戴家老二。哦，對了，戴家還有一個三妹戴偉立，創立的公司名號更響亮：Marvell。Samsung的。。。哦，三星沒有自己的GPU。作為一個IDM巨頭，對於沒有自家的GPU，三星一直耿耿於懷。三星也宣佈要研發自家的移動端GPU晶片，不過要等到2020年了。再簡單補充國內的兩家開發GPU的公司：上海兆芯  兆芯是VIA（威盛）分離出來的。兆芯於2016年針對移動端出了一款GPU晶片ZX-2000，名字有點簡單直接。主要技術來源於威盛授權，GPU核心技術來自收購的美國S3 Graphics。長沙景嘉微電子  於2014年推出一款GPU晶片JM5400。這是一家有國防科大背景的公司，與龍芯為合作伙伴，晶片主要應用在軍用飛機和神舟飛船上。Graph Streaming Processor。圖形流處理器。這是ThinCI（取意think-eye）提出的縮寫。ThinCI是一家致力於打造deep learning和computer vision晶片的start-up，由4名Intel前員工創立於2010年，總部在Sacramento，在印度也有研發人員。ThinCI的視覺晶片瞄準了自動駕駛應用，投資方有世界頂級汽車零部件供應商公司日本電裝DENSO。在剛結束的hotchip會議上，ThinCI介紹了他們的GSP（於是本文作者將ThinCI從VPU部分移到了這裡），使用了多種結構性技術來實現任務級、執行緒級、資料級和指令級的並行。GSP使用TSMC 28nm HPC+工藝，功耗預計2.5W。HPUHolographic Processing Unit。全息處理器。Microsoft專為自家Hololens應用開發的。第一代HPU採用28nm HPC工藝，使用了24個Tensilica DSP並進行了定製化擴充套件。HPU支援5路cameras、1路深度感測器（Depth sensor）和1路動作感測器（Motion Sensor）。Microsoft 在最近的CVPR 2017上宣佈了HPU2的一些資訊。HPU2將搭載一顆支援DNN的協處理器，專門用於在本地執行各種深度學習。指的一提的是，HPU是一款為特定應用所打造的晶片，這個做產品的思路可以學習。據說Microsoft評測過Movidius（見VPU部分）的晶片，但是覺得無法滿足演算法對效能、功耗和延遲的要求，所有才有了HPU。IPUIntelligence Processing Unit。智慧處理器。以IPU命名晶片的有兩家公司。Graphcore  Graphcore公司的IPU是專門針對graph的計算而打造的。稍微說說Graph，Graphcore認為Graph是知識模型及相應演算法的非常自然的表示，所以將Graph作為機器智慧的基礎表示方法，既適用於神經網路，也適用於貝葉斯網路和馬爾科夫場，以及未來可能出現的新的模型和演算法。Graphcore的IPU一直比較神祕，直到近期才有一些細節的資訊釋出。比如：16nm，同構多核（>1000）架構，同時支援training和inference，使用大量片上sram，效能優於Volta GPU和TPU2，預計2017年底會有產品釋出，等等。多八卦一點，Graphcore的CEO和CTO以前創立的做無線通訊晶片的公司Icera於2011年被Nvidia收購併於2015年關閉。關於IPU更細節的描述，可以看唐博士的微信公號的一篇文章，傳輸門：解密又一個xPU：Graphcore的IPU。Mythic  另外一家剛融了$9.3 million的start-up公司Mythic也提到了IPU：“Mythic's intelligence processing unit (IPU) adds best-in-class intelligence to any device”。和現在流行的數位電路平臺方案相比，Mythic號稱可以將功耗降到1/50。之所以這麼有信心，是因為他們使用的“processing in memory”結構。關於Processing in Memory，又可以大寫一篇了，這裡就不擴充套件了。有興趣的，可以google一下“UCSB 謝源”，從他的研究開始瞭解。Image Cognition Processor。影象認知處理器ICP，加拿大公司CogniVue開發的用於視覺處理和影象認知的IP。跑個題，CogniVue一開始是Freescale的IP供應商，後來於2015年被Freescale收購以進一步加強ADAS晶片的整合開發；隨後，Freescale又被NXP 118億美元拿下；還沒完，高通近400億美元吞併了NXP。 現在NXP家的ADAS SOC晶片S32V系列中，就用到了兩個ICP IP。Image Processing Unit。影象處理器。一些SOC晶片中將處理靜態影象的模組稱為IPU。但是，IPU不是一個常用的縮寫，更常見的處理影象訊號的處理器的縮寫為下面的ISP。Image Signal Processor 。影象訊號處理器。這個話題也不是一個小話題。ISP的功能，簡單的來說就是處理camera等攝像裝置的輸出訊號，實現降噪、Demosaicing、HDR、色彩管理等功能。以前是各種數碼相機、單反相機中的標配。Canon、Nikon、Sony等等，你能想到的出數碼相機的公司幾乎都有自己的ISP。進入手機攝影時代，人們對攝影攝像的要求也越來越高，ISP必不可少。說回AI領域，camera採集影象資料，也要先經過ISP進行處理之後，再由視覺演算法（執行在CPU、GPU或ASIC加速器上的）進行分析、識別、分類、追蹤等進一步處理。也許，隨著AI技術發展，ISP的一些操作會直接被end-2-end的視覺演算法統一。JPU請原諒鄙人的詞彙量，沒什麼新奇的想法。。。。KPUKnowledge Processing Unit。 嘉楠耘智（canaan）號稱2017年將釋出自己的AI晶片KPU。嘉楠耘智要在KPU單一晶片中整合人工神經網路和高效能處理器，主要提供異構、實時、離線的人工智慧應用服務。這又是一家向AI領域擴張的不差錢的礦機公司。作為一家做礦機晶片（自稱是區塊鏈專用晶片）和礦機的公司，嘉楠耘智累計獲得近3億元融資，估值近33億人民幣。據說嘉楠耘智近期將啟動股改並推進IPO。另：Knowledge Processing Unit這個詞並不是嘉楠耘智第一個提出來的，早在10年前就已經有論文和書籍講到這個詞彙了。只是，現在嘉楠耘智將KPU申請了註冊商標。LPU誰給我點靈感？MPUMicro Processing Unit。微處理器。MPU，CPU，MCU，這三個概念差不多，知道就行了。Mind Processing Unit。意念處理器，聽起來不錯。“解讀腦電波”，“意念交流”，永恆的科幻話題。如果採集大量人類“思考”的腦電波資料，通過深度學習，再加上強大的意念處理器MPU，不知道能否成為mind-reader。如果道德倫理上無法接受，先了解一下家裡寵物貓寵物狗的“想法”也是可以的嗎。再進一步，從mind-reader發展為mind-writer，持續升級之後，是不是就可以成為冰與火中的Skinchanger？Mobile Processing Unit。移動處理器，似乎沒什麼意思。Motion Processing Unit。運動處理器。解析人類、動物的肌肉運動？題外話：並不是所有的xPU都是處理器，比如有個MPU，是Memory Protection Unit的縮寫，是記憶體保護單元，是ARM核中配備的具有記憶體區域保護功能的模組。NPUNeural-Network Processing Unit。與GPU類似，神經網路處理器NPU已經成為了一個通用名詞，而非某家公司的專用縮寫。由於神經網路計算的型別和計算量與傳統計算的區別，導致在進行NN計算的時候，傳統CPU、DSP甚至GPU都有算力、效能、能效等方面的不足，所以激發了專為NN計算而設計NPU的需求。這裡羅列幾個以NPU名義釋出過產品的公司，以及幾個學術圈的神經網路加速器。中星微電子（Vimicro）的星光智慧一號。中星微於2016年搶先發布了“星光智慧一號”NPU。但是，這不是一個專為加速Neural Network而開發的處理器。業內都知道其內部集成了多個DSP核（其稱為NPU core），通過SIMD指令的排程來實現對CNN、DNN的支援。以這個邏輯，似乎很多晶片都可以叫NPU，其他以DSP為計算核心的SOC晶片的命名和宣傳都相對保守了。Kneron  這是一家位於San Diego的start-up公司，針對IOT應用領域做deep learning IP開發。Kneron開發的NPU實現了39層CNN，28nm下的功耗為0.3W，能效200GFLOPs/W。其主頁上給出的另一個能效資料是600GOPs/W。此外，Kneron同時也在FPGA開發雲端的硬體IP。據可靠訊息，Kneron也要在中國大陸建立研發部門了，地點涉及北京、上海、深圳。VeriSilicon（芯原）的VIP8000。VSI創立於2001年。VSI於今年5月以神經網路處理器IP的名義釋出了這款代號VIP8000的IP。從其公佈的訊息“VeriSilicon’s Vivante VIP8000 Neural Network Processor IP Delivers Over 3 Tera MACs Per Second”來看，這款晶片使用的並不是其DSP core，而是內建了其2015年收購的Vivante的GPU core。按照VSI的說法，VIP8000在16nm FinFET工藝下的計算力超過3 TMAC/s，能效高於1.5 GMAC/s/mW。DNPU。Deep Neural-Network Processing Unit。DNPU來自於KAIST在ISSCC2017上發表的一篇文章。我把DNPU當做是NPU的一種別名，畢竟現在業內做的支援神經網路計算的晶片沒有隻支援“非深度”神經網路的。關於DNPU可以參考“從ISSCC Deep Learning處理器論文到人臉識別產品”。Eyeriss。MIT的神經網路專案，針對CNN的進行高能效的計算加速設計。Thinker。清華微電子所設計的一款可重構多模態神經計算晶片，可以平衡CNN和RNN在計算和頻寬之間的資源衝突。Neural/Neuromorphic Processing Unit。神經/神經形態處理器。這和上面的神經網路處理器還有所不同。而且，一般也不以“處理器”的名字出現，更多的時候被稱為“神經形態晶片（Neuromorphic Chip）”或者是“類腦晶片（Brain-Inspired Chip）”。這類AI晶片不是用CNN、DNN等網路形式來做計算，而是以更類似於腦神經組成結構的SNN（Spiking Neural Network）的形式來進行計算。隨便列幾個，都不是“xPU”的命名方式。Qualcomm的Zeroth。高通幾年前將Zeroth定義為一款NPU，配合以軟體，可以方便的實現SNN的計算。但是，NPU似乎不見了蹤影，現在只剩下了同名的機器學習引擎Zeroth SDK。IBM的TrueNorth。IBM2014年公佈的TrueNorth。在一顆晶片上集成了4096個並行的core，每個core包含了256個可程式設計的神經元neurons，一共1百萬個神經元。每個神經元有256個突觸synapses，共256 Mlillion。TrueNorth使用了三星的28nm的工藝，共5.4 billion個電晶體。BrainChip的SNAP（Spiking Neuron Adaptive Processor ）。已經有了賭場的應用。GeneralVision的CM1K、NM500 chip，以及NeuroMem IP。這家公司的CM1K晶片有1k個神經元，每個神經元對應256Byte儲存。雖然無法和強大的TrueNorth相提並論，但是已有客戶應用。並且，提供BrainCard，上面有FPGA，並且可以直接和Arduino以及Raspberry Pi連線。Knowm  這家start-up在憶阻器（memristor）技術基礎上做“processing in memory”的AI晶片研發。不過，與前面提到的Mythic（IPU部分）不同的是，Known做的是類腦晶片。Knowm所用的關鍵技術是一種稱為熱力學記憶體(kT-RAM)的memory，是根據AHaH理論(Anti-Hebbian and Hebbian)發展而來。Koniku  成立於2014年的start-up，要利用生物神經元來做計算，"Biological neurons on a chip"。主頁在倒計時，可能要有重要進展公佈，期待。OPUOptical-Flow Processing Unit。光流處理器。有需要用專門的晶片來實現光流演算法嗎？不知道，但是，用ASIC IP來做加速應該是要的。PPUPhysical Processing Unit。物理處理器。要先解釋一下物理運算，就知道物理處理器是做什麼的了。物理計算，就是模擬一個物體在真實世界中應該符合的物理定律。具體的說，可以使虛擬世界中的物體運動符合真實世界的物理定律，可以使遊戲中的物體行為更加真實，例如布料模擬、毛髮模擬、碰撞偵測、流體力學模擬等。開發物理計算引擎的公司有那麼幾家，使用CPU來完成物理計算，支援多種平臺。但是，Ageia應該是唯一一個使用專用晶片來加速物理計算的公司。Ageia於2006年釋出了PPU晶片PhysX，還發布了基於PPU的物理加速卡，同時提供SDK給遊戲開發者。2008年被NVIDIA收購後，PhysX加速卡產品被逐漸取消，現在物理計算的加速功能由NVIDIA的GPU實現，PhysX SDK被NVIDIA重新打造。QPUQuantum Processing Unit。量子處理器。量子計算機也是近幾年比較火的研究方向。作者承認在這方面所知甚少。可以關注這家成立於1999年的公司D-Wave System。DWave大概每兩年可以將其QPU上的量子位個數翻倍一次。RPUResistive Processing Unit。阻抗處理單元RPU。這是IBM Watson Research Center的研究人員提出的概念，真的是個處理單元，而不是處理器。RPU可以同時實現儲存和計算。利用RPU陣列，IBM研究人員可以實現80TOPS/s/W的效能。Ray-tracing Processing Unit。光線追蹤處理器。Ray tracing是計算機圖形學中的一種渲染演算法，RPU是為加速其中的資料計算而開發的加速器。現在這些計算都是GPU的事情了。SPUStreaming Processing Unit。流處理器。流處理器的概念比較早了，是用於處理視訊資料流的單元，一開始出現在顯示卡晶片的結構裡。可以說，GPU就是一種流處理器。甚至，還曾經存在過一家名字為“Streaming Processor Inc”的公司，2004年創立，2009年，隨著創始人兼董事長被挖去NVIDIA當首席科學家，SPI關閉。Speech-Recognition Processing Unit。語音識別處理器，SPU或SRPU。這個縮寫還沒有公司拿來使用。現在的語音識別和語義理解主要是在雲端實現的，比如科大訊飛。科大訊飛最近推出了一個翻譯機，可以將語音傳回雲端，做實時翻譯，內部硬體沒有去專門瞭解。和語音識別相關的晶片如下。啟英泰倫（chipintelli）  於2015年11月在成都成立。該公司的CI1006是一款集成了神經網路加速硬體來做語音識別的晶片，可實現單晶片本地離線大詞彙量識別。MIT專案。今年年初媒體爆過MIT的一款黑科技晶片，其實就是MIT在ISSCC2017上發表的paper裡的晶片，也是可以實現單晶片離線識別上k個單詞。可以參考閱讀“分析一下MIT的智慧語音識別晶片”。雲知聲（UniSound）。雲知聲是一家專攻智慧語音識別技術的公司，成立於2012年6月，總部在北京。雲知聲剛剛獲得3億人民幣戰略投資，其中一部分將用來研發其稍早公佈的AI晶片計劃，命名“UniOne”。據官方透漏，UniOne將內建DNN處理單元，相容多麥克風、多作業系統。並且，晶片將以模組的形式提供給客戶，讓客戶直接擁有一整套雲端芯的服務。Smart Processing Unit。聰明的處理器，聽起來很Q。Space Processing Unit。空間處理器，高大上，有沒有。全景攝像，全息成像，這些還都是處理我們的生活空間。當面對廣闊的太陽系、銀河系這些宇宙空間，是不是需要新的更強大的專用處理器呢？飛向M31仙女座星系，對抗黑暗武士，只靠x86估計是不行的。TPUTensor Processing Unit。Google的張量處理器。2016年AlphaGo打敗李世石，2017年AlphaGo打敗柯潔，兩次人工智慧催化事件給晶片行業帶來的衝擊無疑就是TPU的出現和解密。Google在2017年5月的開發者I/O大會上正式公佈了TPU2，又稱Cloud TPU。相比於TPU1，TPU2既可以用於training，又可以用於inference。TPU1使用了脈動陣列的流處理結構，具體的細節可以參考如下的文章“Google TPU 揭密”。UPUUniverse Processing Unit。宇宙處理器。和Space Processing Unit相比，你更喜歡哪個？VPUVision Processing Unit。視覺處理器VPU也有希望成為通用名詞。作為現今最火熱的AI應用領域，計算機視覺的發展的確能給使用者帶來前所未有的體驗。為了處理計算機視覺應用中遇到的超大計算量，多家公司正在為此設計專門的VPU。Movidius（已被Intel收購）。Movidius成立於2006年，總部位於矽谷的San Mateo，創始人是兩個愛爾蘭人，所以在愛爾蘭有分部。Movidius早期做的是將舊電影轉為3D電影的業務，後期開始研發應用於3D渲染的晶片，並開始應用於計算機視覺應用領域（這說明：1，晶片行業才是高技術含量、高門檻、高價值的行業；2，初創公司要隨著發展調整自己的戰略）。Movidius開發的Myriad系列VPU專門為計算機視覺進行優化，可以用於 3D 掃描建模、室內導航、360°全景視訊等更前沿的計算機視覺用途。例如，2014年，谷歌的Project Tango專案用 Myriad 1幫助打造室內三維地圖；2016年，大疆的“精靈4”和“御”都採用了Movidius 的 Myriad 2晶片。採用TSMC 28nm工藝的Myriad2中集成了12個向量處理器SHAVE (Streaming Hybrid Architecture Vector Engine)。按照Movidius的說法，SHAVE是一種混合型流處理器，集成了GPU、 DSP和RISC的優點，支援8/16/32 bit定點和16/32 bit浮點計算，而且硬體上支援稀疏資料結構。此外，Myriad2中有兩個RISC核以及video硬體加速器。據稱，Myriad2可以同時處理多個視訊流。Inuitive  一家以色列公司，提供3D影象和視覺處理方案，用於AR/VR、無人機等應用場景。Inuitive的下一代視覺處理器NU4000採用28nm工藝，選擇使用CEVA的XM4 DSP，並集成了深度學習處理器（自己開發？或者購買IP？）和深度處理引擎等硬體加速器。DeepVision  一家總部位於Palo Alto的start-up，為嵌入式裝置設計和開發低功耗VPU，以支援深度學習、CNN以及傳統的視覺演算法，同時提供實時處理軟體。Visual Processing Unit。這裡是visual，不是vision。ATI一開始稱自家顯示卡上的晶片為VPU，後來見賢思齊，都改叫GPU了。Video Processing Unit。視訊處理器。處理動態視訊而不是影象，例如進行實時編解碼。Vector Processing Unit。向量處理器。標量處理器、向量處理器、張量處理器，這是以處理器處理的資料型別進行的劃分。現在的CPU已經不再是單純的標量處理器，很多CPU都集成了向量指令，最典型的就是SIMD。向量處理器在超級計算機和高效能運算中，扮演著重要角色。基於向量處理器研發AI領域的專用晶片，也是很多公司的選項。例如，前面剛提到Movidius的Myriad2中，就包含了12個向量處理器。Vision DSP。針對AI中的計算機視覺應用，各家DSP公司都發布了DSP的Vision系列IP。簡單羅列如下。CEVA的XM4，最新的XM6 DSP。除了可以連線支援自家的硬體加速器HWA（CEVA Deep Neural Network Hardware Accelerator )，也可以支援第三方開發的HWA。前面提到的Inuitive使用了XM4。可以參考“處理器IP廠商的機器學習方案 - CEVA”。Tensilica（2013年被Cadence以3.8億美元收購）的P5、P6，以及最新的C5 DSP。一個最大的特色就是可以用TIE語言來定製指令。前面微軟的HPU中使用他家的DSP。可以參考“神經網路DSP核的一桌麻將終於湊齊了”。Synopsys的EV5x和EV6x系列DSP。可以參考“處理器IP廠商的機器學習方案 - Synopsys”。Videantis的v-MP4系列。Videantis成立於1997年，總部位於德國漢諾頓。v-MP4雖然能做很多機器視覺的任務，但還是傳統DSP增強設計，並沒有針對神經網路做特殊設計。WPUWearable Processing Unit。一家印度公司Ineda Systems在2014年大肆宣傳了一下他們針對IOT市場推出的WPU概念，獲得了高通和三星的注資。Ineda Systems研發的這款“Dhanush WPU”分為四個級別，可適應普通級別到高階級別的可穿戴裝置的運算需求，可以讓可穿戴裝置的電池達到30天的持續續航、減少10x倍的能耗。但是，一切似乎在2015年戛然而止，沒有了任何訊息。只在主頁的最下端有文字顯示，Ineda將WPU申請了註冊商標。有關WPU的資訊只有大概結構，哦，對了，還有一個美國專利。Wisdom Processing Unit。智慧處理器。這個WPU聽起來比較高大上，拿去用，不謝。不過，有點“腦白金”的味道。XPU不如干脆就叫XPU，X可以表示未知，一切皆有可能，類似X Man，X File，SpaceX。就在這篇快收尾的時候，獲悉在今年的hotchip會議上，Baidu公開了其FPGA Accelerator的名字，就叫XPU。還沒有具體細節可說，拭目以待吧。YPUY？沒想法，需要求助各位讀者了。ZPUZylin CPU。挪威公司Zylin的CPU的名字。為了在資源有限的FPGA上能擁有一個靈活的微處理器，Zylin開發了ZPU。ZPU是一種stack machine（堆疊結構機器），指令沒有運算元，程式碼量很小，並有GCC工具鏈支援，被稱為“The worlds smallest 32 bit CPU with GCC toolchain”。Zylin在2008年將ZPU在opencores上開源。有組織還將Arduino的開發環境進行了修改給ZPU用。其他非xPU的AI晶片寒武紀科技（Cambricon）  中科院背景的寒武紀並沒有用xPU的方式命名自家的處理器。媒體的文章既有稱之為深度學習處理器DPU的，也有稱之為神經網路處理器NPU的。陳氏兄弟的DianNao系列晶片架構連續幾年在各大頂級會議上刷了好幾篇best paper，為其公司的成立奠定了技術基礎。寒武紀Cambricon-X指令集是其一大特色。目前其晶片IP已擴大範圍授權整合到手機、安防、可穿戴裝置等終端晶片中。據流傳，2016年就已拿到一億元訂單。在一些特殊領域，寒武紀的晶片將在國內具有絕對的佔有率。最新報道顯示，寒武紀又融了1億美元。Intel  Intel在智慧手機晶片市場的失利，讓其痛定思痛，一改當年的猶豫，在AI領域的幾個應用方向上接連發了狠招。什麼狠招呢，就是三個字：買，買，買。在資料中心/雲端計算方面，167億美金收購的Altera，4億美金收購Nervana；在移動端的無人機、安防監控等方面，收購Movidius（未公佈收購金額）；在ADAS方面，153億美金收購Mobileye。Movidius在前面VPU部分進行了介紹，這裡補充一下Nervana和Mobileye（基於視覺技術做ADAS方案，不是單純的視覺處理器，所以沒寫在VPU部分）。Nervana  Nervana成立於2014年，總部在SanDiego，以提供AI全棧軟體平臺Nervana Cloud為主要業務。和硬體扯上關係的是，Nervana Cloud除了支援CPU、GPU甚至Xeon Phi等後臺硬體外，還提供有自家定製的Nervana Engine硬體架構。根據 The Next Platform的報道“Deep Learning Chip Upstart Takes GPUs to Task”，Nervana Engine 使用TSMC 28nm工藝，算力55 TOPS。報道釋出不到24小時，就被Intel收購了，全部48位員工併入Intel。Intel以Nervana Engine為核心打造了Crest Family系列晶片。專案程式碼為“Lake Crest”的晶片是第一代Nervana Engine，“Knights Crest”為第二代。哦，對了，Nervana的CEO在創立Nervana之前，在高通負責一個神經形態計算的研究專案，就是上面提到的Zeroth。

相關推薦