使用中央处理器（CPU），图形处理器（GPU），现场可编程逻辑门阵列（FPGA）和专用集成电路（ASIC）来理解人工智能。
    树莓派（Raspberry Pi，是一款针对电脑业余爱好者、教师、小学生以及小型企业等用户的迷你电脑）在电脑业余爱好者中十分受欢迎。纵观各国，有的人用它来推动啤酒生产自动化，有的人用它打开了机器人新世界的大门，还有的人在电影学科快速发展的现状下，用它变革了科学、技术、工程、数学四大学科的教学方式。这些方式都是值得赞美的。那么微软又利用它做了些什么呢？答案是设计了捕猎松鼠的喷水机器人。
    在某公司的机器学习与优化小组中，研究员发现几只松鼠正在从喂鸟器中偷取花蕾和种子。为此，这个研究小组设计了一个计算机视觉模型，并把模型放到树莓派3的主板上。然后，每当有啮齿动物出现时，它就会打开洒水器。
    这个故事的关键并不是他们多么讨厌松鼠——而是他们将卷积码神经网络与ARM处理器（英国Acorn有限公司设计的低功耗成本的第一款RISC微处理器）相结合。这也体现了这些公司正在改进硬件以支持AI运算法则。随着AI越来越受关注，研究员们致力于发展其解决基础事务的能力，比如识别图像和语音。
    随着人们对科技的期望越来越大，如研发自动飞行无人机和自动驾驶汽车，硬件发展所面临的挑战也越来越大。对此，各个公司正在生产硅制品和计算节点来应对这些挑战。
    美国市场研究公司ABI Research研究部主任Jeff Orr将AI硬件发展划分为3个广泛领域：云服务，在线设备及混合领域。云服务主要是在微软、亚马逊和谷歌等超大规模数据中心环境下，在线上完成AI任务进程。
    而在另一领域，他看到了设备的更多进程。在这些进程中，连接或延时禁止了数据传送回云。
     他说，“它的作用可能是发出声音指令，使智能手机或智能眼镜等可佩戴式设备不再需要人们亲自动手操作。这方面的技术还会继续发展，因为    当今世界还没有大量在线设备的例子。”他认为增强现实是关键驱动力，要不然就只能假设永远都有这种应用程序。
    最后，混合领域结合了以上两个领域来完成AI计算。然后，你的手机便能通过基于云的AI来识别你的问题和要求。
    云：下雨式算法
    云的重要性源于AI的学习方式。AI模型渐渐能够开始深度学习，能使用多层复杂神经网络来创造更精确的AI程序。
    神经网络的运用包含两个方面。第一是测验网络是在何处分析数据并得出数据模型的，这是一种有效的“学习”阶段。第二是推断神经网络在何处解析新数据并得出精确结果。测验这些网络会消耗大量的计算能力，但是测验负载可以分成多个并发运行的任务。这就是为什么有双倍浮点精度和大芯数的GPU会如此擅长该任务。
    然而，神经网络规模正在扩大，面临的挑战也越来越多。GPU主要供应商英伟达公司（Nvidia，是一家以设计智核芯片组为主的无晶圆（Fabless）IC半导体公司）加速计算小组的副组长Ian Buck说他们正在以每年两倍的速度扩张。该公司正在创造更多计算密集的图形处理器架构来应对其扩张，但也在改变着其对待数学的方式。
    他说“即使精确度不那么高，它也能完成”。最初，神经网络测验主要着手于32-位浮点数，但他们在5月宣布，该神经网络优化了新的Volta架构（英伟达的新一代GPU架构），使之能将16-点输入32-位内部计算。
    Buck说，将其计算精确度缩减到16点有两大好处。
    “一是用户可以利用更快的算法，因为处理器在较低的分辨率下往往具有更多的生产量。二是增加了可用带宽的数量，因为你正在获取每一个算法的数据。”
    Buck谈道，“问题是，其精确度可以达到多低呢？如果太低，便无法测验，就无法达到生产所需的精准度，或者会变得不稳定。”
超越GPU
    虽然英伟达公司在精炼其架构，但一些云供应商已经使用其他架构的GPU创建了自己的芯片。谷歌研发的TPU（谷歌为机器学习而设计的处理器）一代最初为推理工作负载而致力于8-点整数。在五月推出的新一代TPU提供了浮点精度，还能被用于测验。这些芯片是专用集成电路（ASIC）。与CPU和GPU不同，它们是为特定目的而设计的（这些天你经常会看到它们用于采矿比特币），但它们不能重新编程。缺乏无关的逻辑使得他们的电力使用在性能和经济上都非常高，但却非常昂贵。
    谷歌的规模已经大到可以承担与设计ASIC相关的大量非经常性支出（NRE），因为它在基于AI的数据中心运营中节约了成本。它在许多操作中使用它们，从识别街景视图文本到执行Rankbrain搜索查询，并且每当TPU执行某些操作（除GPU）时，Google可以节省电力。
     Moor Insights & Strategy的高级分析师Karl Freund说：“这将节省很多钱。”
     不过，他认为Google并不完全是为了节省成本才这样做。 “我认为他们这样做能够完全控制硬件和软件堆栈。”如果Google在AI上投注资金，那么从终端应用程序（如自动驾驶汽车到软件框架）和云端来控制它是有意义的。
    现场可编程逻辑门阵列（FPGA）及其它
    当面对的不是溺水的松鼠时，微软在自己的数据中心改造推出现场可编程门阵列（FPGA）。它们类似于ASIC（专用集成电路），但是可重新编程，以便更新其算法。它们处理Azure中的联网任务，但是微软也在机器翻译这样的AI工作负载上释放出来。英特尔想要AI行业的一部分，无论它在哪里运行，包括云。
     到目前为止，其Xeon Phi高性能CPU已经处理了通用机器学习，最新版本代号为Knight s Mill，并预计在今年出货。
    尽管如此，该公司还拥有三项加速器，用于更具体的AI任务。对于研究深度学习神经网络，英特尔将其希望寄托在Lake Crest（专门为深度学习定制的一款芯片）。这是一个协处理器，该公司表示，使用一种名为HBM2的内存来克服数据传输性能上限，这比DDR4快了大约12倍。
    虽然这些大厂商在与GPU，FPGA和ASIC构建的系统进行竞争，但其他人正在尝试从头改写AI架构。
    据报道，Knuedge准备用基于云操作的256核心芯片，但他并未多说。
    英国公司Graphcore由于需在2017年发布技术，已经透露了一些。它希望其智能处理单元（IPU）使用基于图形的处理，而不是GPU使用的向量或CPU中的标量处理。该公司希望这将使其能够将训练和推理工作负载适用于单个处理器。关于其技术有一个有趣的事情，它的基于图的处理       应该是减轻AI处理中最大的问题之一——从内存到处理单元的数据。而戴尔一直是该公司的支持者。
    波的计算也专注于不同类型的处理，使用它所谓的数据流架构。它有一个专为数据中心运行而设计的训练器具，可以达到2.9 PetaOPs /秒。