张帅

有这样一个你可能熟悉却又不清楚的数据：全球关于AI方法的论文数量自2017年起，每年增长50%，2020年我们可能会看到超过21000篇AI领域的新论文。

在AI算力呈现爆炸式增长的过程中，有一个2012年广为人知的英伟达GPU故事，一个来自多伦多大学的Alex和他的团队设计了AlexNet的深度学习算法，并用了2个英伟达的GTX580 GPU进行训练后，打败了其他所有计算机视觉团队开发的算法，成为那一届ImageNet冠军。

此后，在计算机视觉和自然语言处理领域，GPU的高并行计算能力得到了充分的发挥，英伟达的GPU也随着AI第三次浪潮的崛起而迎来井喷发展。与此同时，更多为机器学习而专门定制的专用芯片开始出现，比如专用集成电路（ASIC）的张量处理单元TPU、神经网络单元NPU以及半定制芯片FPGA等等。

随后AI热度不断攀升，与AI相关应用也在急剧增长，这引发了市场对超大型数据中心的强劲需求，仅构建于英伟达平台上的AI创业公司，全球就被估计有3000家。而GPU只是AI领域中的一条技术路线。

2018年，英国一家名为Graphcore的创业公司推出了一种专门应用AI计算的处理器芯片IPU（Intelligence Processing Unit）。IPU一经问世，就受到AI界越来越多的关注。ARM创始人，被称为英国半导体之父的赫曼·豪瑟曾为Graphcore的IPU给出很高评价，将其誉为“计算机史上三次革命中，继CPU和GPU之后的第三次革命”。

IPU究竟为何物？

IPU被行业内称为一种新的技术架构，与 GPU有着非常大的差异。比如GPU只是为大块密集的连续数据设计，而IPU则是针对未来学习趋势的高性能/高效率。简单来说GPU像是一个齿轮，可以连续不断的运作数据，而IPU则像是工业大厂，涵盖GPU了的工作，且可以并行运作多个工作项目。……