機器學習為許多深受歡迎的Google應用程序增添了不少魅力，當前有超過百支谷歌團隊在使用這項技術，包括街景、收件箱智能回復、語音搜索等。在I/O 2016大會的主題演講期間，Google向大家介紹了其在人工智能和機器學習領域的最新進展，其中一個有趣的細節，就是所謂的TPU（張量處理單元）定制芯片。為了幫助大家更好地理解，Google著名硬件工程師Norm Jouppi特地在云平臺博客上發表了一篇深入介紹TPU的文章。

　　一塊TPU的板子，剛好可以插入數據中心機架的一個驅動器位。

優秀的軟件，自然少不了優秀硬件的加持。幾年前，Google就已經悄悄地開展了一個項目——自己動手，為機器學習應用程序提供定制加速。

這項研究的成果，就是本文要著重介紹的“張量處理單元”（Tensor Processing Unit），簡稱TPU。這是一款為機器學習而定制的ASIC、并且經過了TensorFlow的調教。

TPU已經在Google數據中心運行了一年多，實踐表明它可以為機器學習帶來相當出色的每瓦特性能表現。TPU是專為機器學習應用而定制的，它的寬容度更高，可以降低計算的精度（所需的晶體管操作也更少）。

正因如此，我們每秒都可以在芯片中擠出更多的操作時間，使用更復雜和強大的機器學習模型、將之更快的部署，用戶也會更加迅速地獲得更智能的結果。

　　TPU在AlphaGo與李世石的“世紀之戰”中得到了實際應用。

TPU是Google從研究快速走向實際應用的一個積極例子，團隊只花了22天的時間，就讓它在數據中心運行了起來。

TPU早已為許多Google服務提供支撐，包括RankBrain（用于改進搜索結果的相關性）和街景（改進地圖導航的精度和品質）。

在與李世石的人機圍棋對戰中，AlphaGo的背后也有著TPU的身影。TPU讓AlphaGo可以更快的思考，在移動之前更加高瞻遠矚。

Google的目標是在機器學習領域做到業內領先，同時將創新提供給盡可能多的客戶。

在基礎設施對戰中打造的TPU，使得Google能夠向開發者們帶去更大的軟件能量，比如在先進的加速技術加持下的TensorFlow和云機器學習。

機器學習已經改變了開發者們為消費者打造智能應用程序的方法，我們熱切期待著它能夠走入我們的日常生活中。