上个月Google 公布了关于TPU 细节的论文，称「TPU 处理速度比当前GPU 和CPU 要快15~30 倍」，引发科技圈热议。Nvidia CEO 黄仁勋更亲自撰文回击，并贴出Tesla P40 GPU 与TPU 的性能对比图，大有针锋相对之势。而在10 日GTC 大会上，Nvidia 又发表新一代GPU Tesla V100。这场ASIC 与GPU 之争愈发好看了！
赢咖4和机器学习对Google 的重要性已经不言而喻，为了在赢咖4时代抢占先机，这位科技巨人已经开始研发和制造自己的晶片。2016 年年度开发者大会上，Google 对外宣布了针对其特殊AI 演算法优化的TPU 晶片。据了解，如今已有数十种类似的客制化AI 晶片陆续问世。这让近年来在深度学习领域有支配性地位的晶片供应商Nvidia 备感压力。
为了反击，Nvidia 也开始加强其新推的GPU 晶片的客制化和专业性。
在周三举行的GTC 大会上，Nvidia 发表了基于其下一代图形架构Volta，针对伺服器市场的GPU 新品Tesla V100。该晶片拥有超过210 亿个晶体管和5,120 个运算核心。但是对AI 来说，最重要的是，Tesla V100 配备了640 个Tensor 核心，是专为运行深入学习网路中使用的数学运算设计的。据官方介绍，Tensor 内核为Tesla V100 提供了高达120 teraflops、惊人的深度学习能力。
相比前代Pascal 架构，新晶片将深度学习训练速度提升了12 倍，深度学习推理速度也提升了6 倍。新架构在运行深度学习应用方面的性能，相当于100 个中央处理器（如Intel 的中央处理器）。
为了使深度学习应用在其硬体上更加高效的执行，Nvidia 提供了很多软体工具。它发表了一款针对深度学习框架TensorFlow 和Caffe 的编译器──TensorRT，用于改进推理性能。Nvidia 表示，Tesla V100 的推理性能要比英特尔的Skylake CPU 架构快15~25 倍。
虽然Nvidia 正努力让其晶片更加适合深度学习，但竞争对手却可能会指出，Nvidia 的最大缺陷在于，其GPU 往往必须支援图形生成功能。GPU 之所以设计出来，就是用于图形生成。由于必须支援图形生成功能，GPU 晶片增加了大量体积，这就意味着它在一定程度上要比专用晶片更低效。
Google 在最近的一篇部落格文章中声称，其TPU 在推理性能上要比现代GPU 和CPU 快15~30 倍，同时功耗还要低30~80 倍（Nvidia 对此反驳，Google 拿TPU 和旧的GPU 比较）。事实上，这种对比并不完全公平。GPU 是通用型晶片，可执行绘图运算工作，用途多元。TPU 则属于ASIC，也就是专为特定用途设计的特殊规格逻辑IC，由于只执行单一工作，速度更快也在情理之中。TPU 和GPU 之间除了性能较量，更多是ASIC 和通用型晶片这两种设计思路间的博弈。
除了Nvidia 和Google，另一大晶片巨擘Intel 也加入这场棋局。不久前，Intel 以超过4 亿美元的价格收购AI 晶片新创Nervana，并声称将在2020 年之前将深度学习训练速度提升100 倍。
Nvidia 表示，Tesla V100 是深度学习领域更专业化，并能与这些客制化晶片竞争的有力证据。Nvidia GPU 工程部高级副总裁Jonah Alben 在谈到晶片竞赛时说：「当你考虑构成一款用于深度学习训练的优秀晶片所有要素时，你会发现频宽、输入／输出和数学运算能力都很重要。所有这些我们都是专家。只要我们用相同的笔刷作画，就知道到底谁更强。」
雷锋网认为，尽管Google 在客制化AI 晶片领域走在最前方，但Nvidia 仍在未来很多年保持竞争力。Gartner 分析师马克‧洪（Mark Hung）说，「目前为止，没有任何一款AI 晶片达到大规模出货。尽管对Nvidia 来说，潜在的危险始终存在，但在这些公司大规模出货AI 晶片前，并不会对Nvidia 造成真正的威胁。」
这些即将到来的AI 晶片与Nvidia 之间的明争暗斗表明了一点，深度学习计算对更强计算能力的需求日益旺盛。几年前GPU 迎来大爆发，正是因为它将深度学习网路的训练时间从几个月缩短到几天。早在1950 年代就已经诞生的深度学习，由于有强大的计算能力做为后盾，此刻终于潜能爆发。但是随着越来越多企业试图将深度学习融入产品和服务，对更快的晶片需求将没有止境。
Alben 说：「以我所见，人类需要无限量的深度计算能力。越接近无限越好。」
