[ImageNet大賽深度學習的應用讓GPU崛起]
2012年ImageNet的大賽中，Alex使用Alex Net的深度學習演算法及GPU（Graphic Processing Unit,圖形運算單元）為主要運算單元，讓大家看到的GPU在深度學習的實力，NVIDIA開始全力衝刺GPU在人工智慧上的應用，揭開了GPU發展的榮景，而最近，NVIDIA的股價連跌，因為分析師說明年GPU的地位將被ASIC（Application Specific IC,專門應用的IC）取代。
圖片來源：https://learn.sparkfun.com/tutorials/integrated-circuits
[GPU、FPGA、ASIC在人工智慧運算的優劣處]
GPU一開始的設計是針對圖形處理的，一張圖上有很多點，每個點有自己的RGB（紅綠藍）值（有的還要要加上透明度alpha），所以GPU的設計就是針對很多點做簡單的同步平行矩陣運算，而深度學習也需要大量的平行矩陣運算，所以在2012年Alex Net贏得其他只能使用對單一點做深度運算的CPU(Central Processing Unit,中央運算單元)並不是意外，而GPU強大的平行矩陣運算能力，讓它成為人工智慧的的通用處理器。
Intel在三年前併入了FPGA（Field Programmable Gate Array, 現場可程式化邏輯閘陣列）廠商Altera，就是要獲得比GPU對人工智慧平行運算強化加速更好的能力。從名字就知道FPGA是可以把晶片程式化成特殊目的，當然包括可以針對特殊功能加速的設計，而且發現需要設計更動時，可以重新程式化來更動。
而被分析師認為可以取代GPU的ASIC，則是針對特殊設計最佳化的晶片，不過其一旦設計後生產出來，就無法更動，而且要非常大量才能符合整個設計生產成本。
針對人工智慧運算，已最佳化的結果而言，GPU彈性最大，FPGA次之，ASIC則無彈性，但就耗能，ASIC最小，FPGA次之，GPU則耗能最大，而同數量的運算單元的速度也是ASIC最快，FPGA次之，GPU最慢。
[Edge端人工智慧的需求與AI框架的成熟強化了ASIC的成長]
由此可知GPU的耗能大與運算效率差是目前影響GPU的最大原因，而Tesla也決定為此自己設計車用人工智慧晶片。而Apple的iPhone X使用自家設計的AI Edge運算的 ASIC晶片 A11 Bionic，將已經學習好的推論引擎運用在智慧型手機上，讓大家知道邊緣端使用ASIC的好處，特別是針對需要移動，低耗電量的設備。
自從Google就自家的TensorFlow設計了專用加速ASIC晶片TPU(TensorFlow Processing Unit)，現在已經進階到第二代，而第二代的TPU在AlphaGo Zero的強大表現令大家吒舌，最近開始讓使用Google雲端的客戶使用這款TPU，並且發表Edge端的TPU，讓使用他家系統的設備可以獲得最好的人工智慧表現，而這也引發AWS、Microsoft都開始設計自家的人工智慧ASIC加速晶片。相信會是針對AWS跟Microsoft Azure自家的人工智慧模組作加速設計。
就如TPU是針對Google的TensorFlow的運算框架作加速設計，針對其他運算，像是Microsoft CNTK、AWS支持的MxNet、Caffe2、Pytorch…等等運算框架，接下來應該慢慢會有對應的加速ASIC佈局，這樣就會慢慢擠壓GPU的成長空間。
[在較小量的人工智慧晶片中 FPGA將有很好的發揮]
不過因為ASIC生產出來後就無法修改，FPGA的可修改特性，讓FPGA成為兩者中間的產品，特別在使用晶片量不大時，FPGA可以發揮他的長處，成為這種使用場景中最適用的人工智慧晶片。而在FPGA晶片上一但確定最終設計，就可以轉設計成ASIC，也是FPGA的另一個不錯需求點。
這個趨勢正在發生，雖然深度學習跟強化學習仍在進化，但隨著運算框架逐漸成熟，ASIC跟FPGA的成長也越來越大，這也難怪美國的分析師有這樣的判斷了。
