从云到端，谷歌的AI芯片2.0

得芯片者得天下。我们可以把这句话再延伸一下说，得AI芯片者得未来的天下。

对于智能终端厂商来说，能够自研SoC芯片似乎才是顶  级实力的象征。众所周知，盘踞全球智能手机前三甲的三星、华为、苹果，无一例外都拥有自研的SoC芯片。

    (2020智能手机芯片跑分数据TOP10)

现在，经历了多年的辅助AI芯片的经验积累之后，谷歌终于要入场智能终端的核心硬件——SoC处理器芯片了。

据外媒Axois报告，谷歌在自研处理器方面取得了显著进步，最  近其自主研发的SoC芯片已经成功流片。

据悉，该芯片是谷歌与三星联合开发，采用5nm工艺制造，“2+2+4”三架构设计的8核CPU集群，以及搭载全新ARM公版架构的GPU，同时在ISP和NPU上集成了谷歌VisualCoreAI视觉处理器。这让谷歌的终端芯片能够更好地支持AI技术，比如大幅提升谷歌助手的交互体验。

在上市计划上，谷歌的这一SoC处理器芯片预计将于率先部署在下一代Pixel手机以及谷歌笔记本Chromebook中。

谷歌的这一举动被视为对苹果自研处理器模式的靠拢，从“原生系统+最  主流旗舰芯片”变为“原生系统+自研芯片”，谷歌的用意肯定不仅是想摆脱高通芯片的钳制，更重要的是想通过自研芯片实现更好的软硬件结合，使得安卓系统在自家硬件上发挥更大的性能优势。

我们其实知道，自研芯片并不能在硬件利润上带给谷歌更多的价值，其中最  有价值的地方在于将谷歌AI上面的优势通过软硬件的结合，在智能终端上得到更好的应用。

我们也都知道，谷歌在AI芯片上入局最  早，实力强劲。然而AI芯片的技术有多强，AI技术和芯片研发有哪些相互促进的关系？相信很多人还是不明就里的，而这正是我们接下来要去深入探究的。

从云端到终边端，谷歌AI芯片的进阶之路 

在谷歌的TPU（TensorProcessingUnit，张量处理单元）处理器推出之前，大部分的机器学习以及图像处理算法一直都是跑在GPU与FPGA这两种通用芯片上面的。而提出了深度学习开源框架TensorFlow的谷歌则专门做出这样一款为TensorFlow算法设计的专用芯片。

TPU就这样诞生了，然而让TPU的声名远播却是在AlphaGo大战李世石的人机围棋赛。据说，当时谷歌为TPU其实下了另一盘大棋的。因为在挑战李世石之前，AlphaGo是跑在1202个CPU和176个GPU上面与棋手樊麾比赛的。这让看过对弈过程的李世石很有信心。然而在比赛前几个月，AlphaGo的硬件平台换上了TPU，这让AlphaGo的实力很快得到成长，后面的对战局势让李世石就吃尽了苦头。

    （谷歌TPU芯片）

TPU是一种专用集成电路（ASIC），作为专门在谷歌云使用的AI芯片，其使命就在于加速谷歌人工智能落地的速度。在2017年谷歌公布的第二代TPU上，其浮点运算能力高达每秒180万亿次，既可以用于推理，也可以用做训练。而到了2018年的TPU3.0版本，其计算性能相比TPU2.0提升八倍，可达每秒1000万亿次浮点计算。

此后，谷歌的AI布局逐渐走向边缘侧。在2017年的谷歌云服务年会上，正式发布其边缘技术，并推出了GoogleEdgeTPU。

EdgeTPU是谷歌专为在边缘运行TensorFlowLiteML模型而设计的ASIC芯片。EdgeTPU可用于越来越多的工业使用场景，如预测性维护、异常检测、机器视觉、机器人学、语音识别，也可以应用于本地部署、医疗保健、零售、智能空间、交通运输等各个领域。

EdgeTPU体型小、能耗低，因此只负责AI加速判别、加速推算，仅为加速器、辅助处理器的角色,可以在边缘部署高精度AI，是对CPU、GPU、FPGA以及其他在边缘运行AI的ASIC解决方案的补充。

谷歌还在去年推出了基于EdgeTPU芯片的等一系列开发硬件，以及本地化AI平台Coral，为边缘侧提供优质、易部署的AI解决方案。

尽管TPU和EdgeTPU主要是对深度学习起到运算推理加速的辅助服务器，但我们仍然能够看到谷歌在AI芯片上的布局野心。从云端，到边缘端和手机智能终端，正是理解谷歌AI芯片的内在逻辑。

    （PixelVisualCore）

从2017年开始，谷歌就在智能手机上陆续推出了定制的摄像头芯片“PixelVisualCore”和“PixelNeuroCore”，并用在了Pixel2、Pixel3和Pixel4上。