当前主流的AI芯片主要分为三类，GPU、FPGA、ASIC。其中GPU、FPGA均是前期较为成熟的芯片架构，属于通用型芯片。ASIC属于为AI特定场景定制的芯片。
GPU（图像处理单元）：GPU最初承担图像计算任务，能够进行并行计算，因此GPU架构本身比较适合 学习算法，通过对GPU的优化，进一步满足 学习大量计算需求。其主要缺点在于功耗较高。
FPGA（FieldProgrammableGateArray，现场可编程门阵列）：FPGA，具有足够的计算能力、较低的试错成本和足够的灵活性。FPGA的计算速度快是源于它本质上是无指令、无需共享内存的体系结构。对于保存状态的需求，FPGA中的寄存器和片上内存（BRAM）是属于各自的控制逻辑的，无需不必要的仲裁和缓存，因此FPGA在运算速度足够快，优于GPU。同时，相比量产成本高昂的ASIC芯片，因为它是一种半定制的硬件，通过编程可定义其中的单元配置和链接架构进行计算，因此在灵活性上优于ASIC，具备较低试错成本。
ASIC（ApplicationSpecificIntegratedCircuit特定用途集成电路）：根据产品的需求进行特定设计和制造的集成电路，能够在特定功能上进行强化，具有更高的处理速度和更低的能耗。缺点是成本高，且由于是定制化，可复制性一般，因此只有用量足够大时才能够分摊前期投入，降低成本。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
