腾讯科技 5月22日综合报道

谷歌想用新芯片达成的仍然是一个老目标：前所未有的高效率。

谷歌想把人工智能推向新的高度，因此需要一种功耗更低、在更少的时间里完成更多工作的芯片。但这种芯片的影响力远远超出了谷歌帝国本身——它对英特尔和NVIDIA这样的商用芯片制造商构成了威胁，当你看到谷歌的未来愿景时，这种感觉就会越发强烈。

谷歌全球数据中心网络主管乌尔斯·霍勒泽（Urs Hölzle）表示，他们今后还将研发更多这样的芯片。

谷歌不会把这种芯片出售给其他公司，不会直接与英特尔或NVIDIA进行竞争。但谷歌拥有庞大的数据中心，是这两家公司迄今为止最大的潜在客户。与此同时，随着越来越多的企业使用谷歌提供的云计算服务，它们自己购买服务器（和芯片）的数量就会越来越少，也就给芯片市场带来进一步的冲击。

TPU芯片：专为机器学习定制

事实上，谷歌把这种新芯片当作了一种推广自己AI云服务的卖点，企业和程序员可以通过云服务利用谷歌的AI引擎，将其整合到自己的应用软件中。谷歌大力向其他公司推销自己的AI能力，声称自己的AI拥有最好的硬件支撑，而这些硬件是其他公司所没有的。

谷歌的新芯片名为Tensor Processing Unit，简称TPU。叫这个名字是因为它有利于TensorFlow的运行。谷歌的深层神经网络就是由TensorFlow软件引擎驱动的（深层神经网络是一种硬件和软件网络，可以通过分析大量数据，来学习特定的任务网络软件）。其他科技巨头用图形处理单元（GPU）运行深层神经网络——GPU的设计初衷是帮助游戏和其他图形密集型应用程序渲染图像，驱动深层神经网络的那类运算采用GPU比较适合。但谷歌表示，它设计的新芯片在那类计算上效率更高。

据谷歌说，TPU是专为机器学习量身定做的，所以它执行每个操作所需的晶体管数量更少。这意味着芯片每秒执行的操作数量增多了。

将GPU挤出局？

暂时来说，谷歌的深层神经网络将同时使用的TPU和GPU。霍勒泽不愿详细解释谷歌使用TPU的方式，只表示用TPU来处理Android手机语音识别所需要的“一部分计算”。但他说，谷歌将发布一篇阐述TPU好处的论文，而且谷歌将继续设计一些以其他方式推动机器学习的芯片。这样看上去，GPU似乎最终就会被挤出局。霍勒泽说，“GPU已经在一点点出局。GPU太通用了，对于机器学习针对性不强。机器学习本来就不是GPU的设计初衷 。”

NVIDIA可不想听到这样的话。作为全球最大的GPU厂商，NVIDIA正在推动自身业务向AI领域扩展。正如霍勒泽指出，NVIDIA最新的 GPU有一个专门针对机器学习的型号。但显然，谷歌希望进展能更大一些。

可编程芯片FPGA

与此同时，其他公司（其中最值得注意的是微软）正在探索另一种芯片：field-programmable gate array，简称FPGA，你可以对这种芯片重新编程，以便执行特定的任务。微软已经在机器学习方面对FPGA进行了测试，英特尔最近也收购了一家FPGA厂商。

一些分析师认为这是一种更加聪明的做法。密切注视芯片业务的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”，因为这样一种芯片需要至少6个月才能研发成功，而这是一个竞争非常激烈的市场，最大的互联网公司在里面你争我夺，6个月对它们来说是相当长的一段时间。

但是谷歌并不需要那种灵活性，它最看重的是速度。当被问及为什么谷歌要从零开始研发芯片的，而不是使用FPGA的时候，霍勒泽回答说：“因为会快得多。”

核心业务

霍勒泽还指出，谷歌的芯片不能取代CPU（中央处理单元，计算机服务器的心脏）。谷歌数据中心仍需要CPU在数以万计的机器上运行。CPU是英特尔公司的主营业务。不过既然谷歌愿意仅仅为了AI一个领域就自己研发芯片，人们难免就会觉得它将来会研发自己的CPU。

霍勒泽淡化了这种可能性。 “你想要解决的是那些尚未解决的问题，”他说。意思是CPU已经是很成熟的技术，没有什么问题需要改进。但他同时表示，谷歌希望在芯片市场存在良性竞争。换句话说，它想从众多的卖家那里购买产品，而不只有一个卖家可选。毕竟，更多的竞争对于谷歌来说就意味着更低的价格。霍勒泽解释说，谷歌正在与OpenPower Foundation合作，就是为了扩大选择范围。OpenPower Foundation的芯片设计任何人都可以使用和修改。

这种做法对全球最大的芯片制造商构成了潜在威胁。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。在最近一年的时间里，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。

无论谷歌在CPU方面有什么计划，该公司都会继续研究特别适合于机器学习的芯片。要真正弄清哪些做法可行，哪些做法不可行，这可能需要花上几年的时间，毕竟神经网络本身也在不断演变。 “我们一直都在学习，”他说。 “我不清楚最后的答案是什么。”当然，全球芯片制造商肯定会密切关注他们的学习状况。（