谈到芯片，所有人多会联想到芯片巨头英特尔，而近日，谷歌竟然也声称要开发自有芯片?据了解，谷歌是英特尔最重要的客户之一，目前谷歌却要研发自有芯片，究竟是什么原因呢?
与英特尔为敌？
说英特尔是处理器巨头，是无可辩驳的。从消费级手机、PC，到企业级服务器，英特尔的处理器横跨多条产品线，几乎覆盖所有领域。
英特尔处理器
谷歌的数据中心是谷歌在线业务的核心甚至是心脏，根据调研公司IDC分析师谢恩·劳(Shane Rau)估计，在全球销售的所有服务器CPU中，大约有5%都是被谷歌买下的。近一年内，谷歌买下了约120万颗芯片，其中绝大部分可能都来自英特尔。
如此看来谷歌和英特尔似乎是最紧密的商业伙伴，可谷歌为什么要开发自有芯片呢？
笔者认为，答案有两点，其一是新产品线需要（深度学习）；其二是打破垄断。
谷歌在《自然》杂志上发表的一篇关于深度学习的论文，让Facebook等互联网巨头倍感压力，谷歌的Alphago战胜李世石引起了人们对AI和深度 学习的关注，谷歌之前收购的波士顿动力更是研发了AI实体，能够在野外复杂环境中正常行走等等。从以上几点，可以看出谷歌对于深度学习产品的投入非同小 可，谷歌俨然将深度学习作为未来企业发展的一个重要方向。而在谷歌看来，现有的处理器并不能满足自身研发的需求。
谷歌数据中心负责人霍尔泽
为此，谷歌数据中心负责人霍尔泽表示，谷歌研发自有芯片是为了解决哪些省为解决的问题。谷歌的自有芯片也被命名为TPU(Tensor Processing Unit)，凸显了TensorFlow的重要性。
2015年11月9日，Google发布人工智能系统TensorFlow并宣布开源，TensorFlow是一个软件引擎，它是谷歌深度神经网络的驱动力，神经网是一个由硬件软件组成的网络，可以通过分析海量数据学习特殊任务。
谷歌开源人工智能系统TensorFlow
TensorFlow是Google自己开发的全新机器学习系统，在建立和训练神经网络方面速度要比第一代系统快5倍，而且更加灵活，可支持CPU、GPU、桌面机、服务器和移动计算平台，即可跨数据中心运行，也能跑在智能手机上。
一般对于图片渲染、现实来说，GPU是反应更为快速的处理器，但是对于深度学习来说，GPU和CPU都不是最好的选择，所以，谷歌要自出开发TPU，专门针对机器学习进行过裁减，运行单个操作时需要的晶体管更少，提高TPU运行效率。
霍尔泽称：“GPU实际上离我们已经远了一点点，在机器学习中 GPU使用太广泛，实际上它并不是针对深度学习开发的。”而现阶段的谷歌神经网络中，已经同时使用GPU和TPU两种芯片。或许不久的未来，我们就能看到 一篇新的TPU论文，刷新人们对深度学习、神经网络的理解。
除了TPU还有哪些选择？
对于芯片厂商而言，深度学习领域的出现早已让他们开始“另谋出路”，毕竟一个解决方案不可能适应所有场景，对于深度学习这个新出现的场景而言，很多芯片 厂商在谷歌提出TPU之前，已经开始将宝压在FPGA(Field-Programmable Gate Array)，即可编程芯片上。
TPU和FPGA方向不同
无论是微软，还是去年十月英特尔获欧盟批准收购Altera，FPGA之前就获得了大多数分析师的认 可，Moor Insights and Strategy公司总裁兼首席分析师帕特里克·摩尔海德(Patrick Moorhead)说，FPGA提 供了更多的灵活性。他感到，谷歌新的TPU似乎有点“过犹不及”。
谷歌表示自己的TPU需6个月研发成功，但是，对于芯片行业来说，6个月的时间太长，长到可以发生很多变数。但是，谷歌的霍尔泽却不以为然，因为谷歌TPU追求的只有速度，对可编程、可定制的要求不高。
虽然现在还没有公布TPU的详细信息，但是谷歌数据中心负责人霍尔泽似乎已经胜券在握。当然，霍尔泽也明确表示，谷歌的TPU与常规的CPU不存在竞争关系，因为TPU的应用场景只是神经网络之中。
