ARM處理器、X86處理器和AI處理器的區別
目前主要的處理器架構有：
- X86: Intel, AMD, 海光, 兆芯
- ARM: 華為，飛騰，華芯通，Cavium，Ampere，富士通，亞馬遜
- POWER：IBM, 中晟宏芯
- MIPS：龍芯
- Alpha：申威
X86處理器
X86架構（The X86 architecture）是微處理器執行的計算機語言指令集，指一個intel通用計算機系列的標准編號縮寫，也標識一套通用的計算機指令集合。
ARM處理器
ARM（Advanced RISC Machines）一個32位元精簡指令集(RISC)處理器架構，ARM處理器廣泛地使用在許多嵌入式系統設計。ARM處理器的特點有指令長度固定，執行效率高，低成本等。
ARM 架構是開放性的商業 IP 授權，x86 是封閉架構，美國 Intel 和 AMD 對知識產權處於壟斷地位(PS:現在華為等國內公司研發多以ARM架構為主）
ARM 比 x86 架構的優勢和劣勢
- 1) 物理核心更多，適用於當前數據中心主流的分布式計算場景；例如大數據、分布式存儲、HPC 等；
- 2) 能耗更能，節能環保；與同樣性能的 x86 處理器相比，功耗低 20%以上；
- 1) 單核性能稍弱於 x86；
- 2) 相比於 Intel AVX512，向量指令運算能力偏弱，在 HPC 部分場景性能低於 x86；對通用場景無任何影響；
什么是異構？
- 1) 從計算單元角度來看，x86 處理器之外的計算單元，都可認為是異構單元，例如 GPU，FPGA 加速卡等；
- 2) 從軟件系統集群角度來看，基於不同處理器的服務器可以認為是異構；例如基於 E5-2650v4 的大數據集群使用基於 Gold 5115 或者鯤鵬 916 的服務器來擴容，就屬於擴容異構節點。
什么是眾核？
AI處理器
所謂的AI芯片，一般是指針對AI算法的ASIC（專用芯片）。傳統的CPU、GPU都可以拿來執行AI算法，但是速度慢，性能低，無法實際商用。
華為很早就開始布局AI芯片。2017年9月德國IFA電子消費展上，華為就率先推出了內置NPU（獨立神經網絡處理單元）的全球首款AI芯片麒麟970。
AI處理器的發展和設計目標
目前在圖像識別、語音識別、自然語言處理等領域，精度最高的算法就是基於深度學習的，傳統的機器學習的計算精度已經被超越，目前應用最廣的算法，估計非深度學習莫屬，而且，傳統機器學習的計算量與 深度學習比起來少很多，所以，我討論AI芯片時就針對計算量特別大的深度學習而言。畢竟，計算量小的算法，說實話，CPU已經很快了。而且，CPU適合執行調度復雜的算法，這一點是GPU與AI芯片都做不到的，所以他們三者只是針對不同的應用場景而已，都有各自的主場。
GPU本來是從CPU中分離出來專門處理圖像計算的，也就是說，GPU是專門處理圖像計算的。包括各種特效的顯示。這也是GPU的天生的缺陷，GPU更加針對圖像的渲染等計算算法。但是，這些算法，與深度學習的算法還是有比較大的區別，而我的回答里提到的AI芯片，比如TPU，這個是專門針對CNN等典型深度學習算法而開發的。另外，寒武紀的NPU，也是專門針對神經網絡的，與TPU類似。
谷歌的TPU，寒武紀的DianNao，這些AI芯片剛出道的時候，就是用CPU/GPU來對比的。
AI芯片，比如大名鼎鼎的谷歌的TPU1。
TPU1，大約700M Hz，有256X256尺寸的脈動陣列，如下圖所示。一共256X256=64K個乘加單元，每個單元一次可執行一個乘法和一個加法。那就是128K個操作。（乘法算一個，加法再算一個）
