谷歌似乎找到另一种解决这个问题的方法。所采用的方案不是像CPU和GPU这样的通用芯片，也不是FPGA等可编程芯片，而是专用芯片，如专用加速器。

摩尔定律的放缓可能会产生重要影响，尤其是对英特尔来说。其在手机领域已经失手，PC销量在不断下滑，但是迄今为止，这些大部分已经从服务器领域获得拯救，因为在该领域它还处于垄断地位。

后者已经受到了来自英伟达的GPU的攻击，这些GPU执行了一些任务，尤其是并行处理了与人工智能相关的大数据任务。

英伟达在数据中心行业的发展可圈可点，去年的增长率高达126%.

英特尔正在进行反击。如今数据中心的芯片优先采用新的处理器平台（节点），并且它已经收购了Altera，可以提供FPGA技术以加速云计算。赛灵思是这条路线的另一个玩家。

FPGA是摩尔定律放缓打击通用CPU的一个手段，因为它是“现场可编程”，也就是可以在生产后根据用户需求重新配置。

英特尔FPGA能够用于加速大型数据系统的性能。英特尔FPGA通过提供定制化高带宽、低延迟连接到网络和存储系统，实现高速数据处理。另外，英特尔FPGA提供压缩、数据过滤和算法加速。通过带有OpenCL的英特尔FPGA SDK，你可以为计算和存储系统快速研发加速方案。带有OpenCL的英特尔FPGA SDK能够让软件开发者很容易通过FPGA进行设计，它允许工程师利用高级语言进行快速开发。

谷歌似乎找到另一种解决这个问题的方法。所采用的方案不是像CPU和GPU这样的通用芯片，也不是FPGA等可编程芯片，而是专用芯片，如专用加速器。

Google正在做这件事，介绍（见文件）Tensor处理单元（TPU）：

“谷歌的TPU在机器学习测试中超过英特尔的Xeon和英伟达的GPU一个数量级。TPU和基准测试表明，它的速度比商业芯片快了15倍，性能提升30倍。”

令人印象深刻的是，所使用的基准并不是前沿的（本文认为，2015年的测试，英特尔已经提供了14纳米CPU，而Nvidia拥有新的16纳米GPU），因为测试是在2015年进行的，但是再一次，TPU本身也不是特别尖端的（在频率和处理器节点方面）：

“40-W TPU是运行在700 MHz的28 nm芯片，旨在加速Google的TensorFlow算法。 其主要逻辑单元包含65，536个8位乘法累加单元和24 MB缓存，提供每秒92个tera操作。”

把产品迁移到更小的节点上会提高性能，还有其它技巧：

“如果我们比较更新的芯片，显示，我们可以通过使用K80的GDDR5内存将28nm、0.7GHZ、40W的TPU性能提升三倍。（成本增加10W）”

如果不这样的话，随着TPU的成熟，它的性能可能会超过竞争对手扩大自身优势：

“该TPU的数量级性能优势很少，这可能导致它会成为某些特定领域架构的原型。我预计很多会构建继承者，它们的水平会提高很多。谷歌表示，关于短至15个月的设计周期表阻止了TPU中的许多节能功能。

TPU已经应用于谷歌的数据中心，但是公司没有提供任何关于广泛应用的信息，也没有说升级方式以及是否会将TPU卖给第三方。“

这对英特尔有明显的警告，对英伟达属于小幅度的：

TPU项目从2013年随着从FPGA实验开始。“当我们看到FPGA的性能无法和GPU相比的时候，我们抛弃了它，并且运行速度加快TPU功耗会比GPU更低。”报告指出。

总结：

不久前，英特尔还沉迷于快速增长的服务器市场的垄断地位。但是随着摩尔定律的放缓，尤其是不管是存储、简单应用还是复杂AI开始向云端转移，英特尔的GPU无法有效地做这些工作，并且寻找有效的解决方案。

早期的替代者是英伟达的GPU或者Altera和赛灵思的FPGA.它们对英特尔没有造成威胁，因为服务器仍然在跑CPU，几乎全部来自英特尔，但是即使这样，一些来自AMD、IBM和ARM基础设计的新兴竞争出现了。

但是GPU和FPGA的处理能力越来越强，英特尔来自数据中心的增长收益开始变少。如今在复杂加速器似乎出现了一种新的模块，如谷歌的TPU.这会造成多大的威胁？

对于初学者，你必须认识到就像GPU和FPGA一样，TPU无法在服务器中取代CPU.它通过有效地执行一些任务就可以提供附加的处理能力。或者，有人会死或它可能会威胁到GPU和FPGA，但是似乎他们根据用户的需求有各自的优势。但是，像GPU和GPGA，TPU会从英特尔占主导地位的CPU转移处理能力。

因此，对英特尔来说，好的方案是它的使用仍然局限于谷歌云自身。目前还没有迹象表明谷歌是否计划将TPU给第三方。它可能应用TPU去加强自身的云应用的性能优势，或者限制其对第三方供应商的依赖。但是高级芯片业务受益于巨大的经济规模，所以我们认为谷歌不太可能将其作为专有解决方案。

更重要的是，谷歌似乎开启了一扇数据中心全新解决方案之门，而且是在15个月内研发出来的。其它厂商跟了多久了？