谷歌似乎找到另一種解決這個問題的方法。所采用的方案不是像CPU和GPU這樣的通用芯片，也不是FPGA等可編程芯片，而是專用芯片，如專用加速器。

摩爾定律的放緩可能會產生重要影響，尤其是對英特爾來說。其在手機領域已經失手，PC銷量在不斷下滑，但是迄今為止，這些大部分已經從服務器領域獲得拯救，因為在該領域它還處于壟斷地位。

后者已經受到了來自英偉達的GPU的攻擊，這些GPU執行了一些任務，尤其是并行處理了與人工智能相關的大數據任務。

英偉達在數據中心行業的發展可圈可點，去年的增長率高達126%.

英特爾正在進行反擊。如今數據中心的芯片優先采用新的處理器平臺（節點），并且它已經收購了Altera，可以提供FPGA技術以加速云計算。賽靈思是這條路線的另一個玩家。

FPGA是摩爾定律放緩打擊通用CPU的一個手段，因為它是“現場可編程”，也就是可以在生產后根據用戶需求重新配置。

英特爾FPGA能夠用于加速大型數據系統的性能。英特爾FPGA通過提供定制化高帶寬、低延遲連接到網絡和存儲系統，實現高速數據處理。另外，英特爾FPGA提供壓縮、數據過濾和算法加速。通過帶有OpenCL的英特爾FPGA SDK，你可以為計算和存儲系統快速研發加速方案。帶有OpenCL的英特爾FPGA SDK能夠讓軟件開發者很容易通過FPGA進行設計，它允許工程師利用高級語言進行快速開發。

谷歌似乎找到另一種解決這個問題的方法。所采用的方案不是像CPU和GPU這樣的通用芯片，也不是FPGA等可編程芯片，而是專用芯片，如專用加速器。

Google正在做這件事，介紹（見文件）Tensor處理單元（TPU）：

“谷歌的TPU在機器學習測試中超過英特爾的Xeon和英偉達的GPU一個數量級。TPU和基準測試表明，它的速度比商業芯片快了15倍，性能提升30倍。”

令人印象深刻的是，所使用的基準并不是最前沿的（本文認為，2015年的測試，英特爾已經提供了14納米CPU，而Nvidia擁有新的16納米GPU），因為測試是在2015年進行的，但是再一次，TPU本身也不是特別尖端的（在頻率和處理器節點方面）：

“40-W TPU是運行在700 MHz的28 nm芯片，旨在加速Google的TensorFlow算法。 其主要邏輯單元包含65，536個8位乘法累加單元和24 MB緩存，提供每秒92個tera操作。”

把產品遷移到更小的節點上會提高性能，還有其它技巧：

“如果我們比較更新的芯片，顯示，我們可以通過使用K80的GDDR5內存將28nm、0.7GHZ、40W的TPU性能提升三倍。（成本增加10W）”

如果不這樣的話，隨著TPU的成熟，它的性能可能會超過競爭對手擴大自身優勢：

“該TPU的數量級性能優勢很少，這可能導致它會成為某些特定領域架構的原型。我預計很多會構建繼承者，它們的水平會提高很多。谷歌表示，關于短至15個月的設計周期表阻止了TPU中的許多節能功能。

TPU已經應用于谷歌的數據中心，但是公司沒有提供任何關于廣泛應用的信息，也沒有說升級方式以及是否會將TPU賣給第三方。“

這對英特爾有明顯的警告，對英偉達屬于小幅度的：

TPU項目從2013年隨著從FPGA實驗開始。“當我們看到FPGA的性能無法和GPU相比的時候，我們拋棄了它，并且運行速度加快TPU功耗會比GPU更低。”報告指出。

總結：

不久前，英特爾還沉迷于快速增長的服務器市場的壟斷地位。但是隨著摩爾定律的放緩，尤其是不管是存儲、簡單應用還是復雜AI開始向云端轉移，英特爾的GPU無法有效地做這些工作，并且尋找有效的解決方案。

早期的替代者是英偉達的GPU或者Altera和賽靈思的FPGA.它們對英特爾沒有造成威脅，因為服務器仍然在跑CPU，幾乎全部來自英特爾，但是即使這樣，一些來自AMD、IBM和ARM基礎設計的新興競爭出現了。

但是GPU和FPGA的處理能力越來越強，英特爾來自數據中心的增長收益開始變少。如今在復雜加速器似乎出現了一種新的模塊，如谷歌的TPU.這會造成多大的威脅？

對于初學者，你必須認識到就像GPU和FPGA一樣，TPU無法在服務器中取代CPU.它通過有效地執行一些任務就可以提供附加的處理能力。或者，有人會死或它可能會威脅到GPU和FPGA，但是似乎他們根據用戶的需求有各自的優勢。但是，像GPU和GPGA，TPU會從英特爾占主導地位的CPU轉移處理能力。

因此，對英特爾來說，最好的方案是它的使用仍然局限于谷歌云自身。目前還沒有跡象表明谷歌是否計劃將TPU給第三方。它可能應用TPU去加強自身的云應用的性能優勢，或者限制其對第三方供應商的依賴。但是高級芯片業務受益于巨大的經濟規模，所以我們認為谷歌不太可能將其作為專有解決方案。

更重要的是，谷歌似乎開啟了一扇數據中心全新解決方案之門，而且是在15個月內研發出來的。其它廠商跟了多久了？