AI运算指以“深度学习”为代表的神经网络算法，需要系统能够高效处理大量非结构化数据（文本、视频、图像、语音等）需要硬件具有高效的线性代数运算能力，计算任务具有：单位计算任务简单，逻辑控制难度要求低，但并行运算量大、参数多的特点。
对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求AI应用场景的丰富带来众多碎片化的需求，基于此适配各种功能的处理器不断衍生。
CPUCPU即中央处理器（Central Processing Unit），作为计算机系统的运算和控制核心，主要负责多任务管理、调度，具有很强的通用性，是计算机的核心领导部件，好比人的大脑不过其计算能力并不强，更擅长逻辑控制。
正是因为CPU的并行运算能力不是很强，所以很少有人优先考虑在 CPU 上直接训练模型不过芯片巨头英特尔就选择了这么一条路像英特尔至强可扩展处理器这种 AI build-in 的 CPU 在支持模型训练上已经有了极大地提升，去年由莱斯大学、蚂蚁集团和英特尔等机构的研究者发表的一篇论文中表明，在消费级 CPU 上运行的 AI 软件，其训练深度神经网络的速度是 GPU 的15倍，另外相比显存 CPU 的内存更易扩展，很多推荐算法、排序模型、图片/ 影像识别等应用，已经在大规模使用 CPU 作为基础计算设备。
相比价格高昂的 GPU，CPU 其实是一种性价比很高的训练硬件，也非常适合对结果准确度要求高兼顾成本考量的制造业、图像处理与分析等行业客户的深度学习模型GPUGPU即图形处理器（Graphics Processing Unit），采用数量众多的计算单元和超长的流水线，擅长进行图像处理、并行计算。
对于复杂的单个计算任务来说，CPU 的执行效率更高，通用性更强；而对于图形图像这种矩阵式多像素点的简单计算，更适合用 GPU 来处理，也有人称之为人海战术而AI 领域中用于图像识别的深度学习、用于决策和推理的机器学习以及超级计算都需要大规模的并行计算，因此更适合采用 GPU 架构。
多核 CPU 与 GPU 的计算网格（图中绿色方格为计算单元）CPU和GPU还有一个很大的区别就是：CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要处理大量类型统一的数据时，则可调用GPU进行并行计算。
但GPU无法单独工作，必须由CPU进行控制调用才能工作在AI计算领域英伟达的GPU几乎占到市场的绝大部分，但近几年也有不少国产企业进军高端GPU，比如沐曦首款采用7nm工艺的异构GPU产品已流片、壁仞前不久也发布了单芯片峰值算力达到PFLOPS级别的BR100，还有燧原科技、黑芝麻、地平线等公司都在向高端GPU发力。
DPUDPU即数据处理器（Data Processing Unit），用于优化卷积神经网络，广泛应用于加速深度学习推理算法当CPU算力释放遇瓶颈，DPU能够卸载 CPU 的基础层应用（如网络协议处理、加密解密、数据压缩等），从而释放CPU低效应用端的算力，将CPU算力集中在上层应用。
区别于GPU，DPU主要用于对数据解析与处理，提高数据接发的效率，而GPU则是专注于数据的加速计算因此，DPU将有望成为释放CPU算力新的关键芯片，并与CPU、GPU形成优势互补，提高算力天花板DPU还具有高性能网络接口，能以线速或网络中的可用速度解析、处理数据，并高效地将数据传输到GPU和CPU。
英伟达收购Mellanox后，凭借原有的ConnectX系列高速网卡技术，推出其 BlueField系列DPU，成为DPU赛道的标杆英伟达首席执行官黄仁勋也曾表示：“ DPU 将成为未来计算的三大支柱之一，未来的数据中心标配是‘ CPU + DPU + GPU ’。
CPU 用于通用计算， GPU 用于加速计算， DPU 则进行数据处理”当下的DPU的市场，已经成为各个巨头和初创公司的必争之地，除英伟达等企业开始布局DPU产业外，阿里巴巴、华为在内的各大云服务商也逐渐跻身DPU行业。
其他还有芯启源、大禹智芯、星云智联、中科驭数、云豹智能等公司TPUTPU即张量处理器（Tensor Processing Unit）是谷歌专门为加速深层神经网络运算能力而研发的ASIC 芯片，专用机器学习的人工智能加速处理器。
AI 系统通常涉及训练和推断过程简单来说，训练过程是指在已有数据中学习，获得某些能力的过程；而推理过程则是指对新的数据，使用这些能力完成特定任务（比如分类、识别等）；推理是将深度学习训练成果投入使用的过程。
有老话言，万能工具的效率永远比不上专用工具TPU与同期的CPU和GPU相比，可以提供15-30倍的性能提升，以及30-80倍的效率（性能/瓦特）提升此外，在 TPU 中采用 GPU 常用的 GDDR5存储器能使性能TPOS指标再高3 倍，并将能效比指标 TOPS/Watt 提高到 GPU 的70倍，CPU 的200倍。
2016年 TPU 消息刚刚公布时，谷歌资深硬件工程师Norman Jouppi 在谷歌Research 博客中特别提到，TPU 从测试到量产只用了22天，其性能把人工智能技术往前推进了差不多7 年，相当于摩尔定律3 代的时间。
IPUIPU即图像处理单元（Intelligent Processing Unit），可以从图像传感器到显示设备的数据流提供全面支持，连接到相关设备，比如：摄像机、显示器、图形加速器、电视编码器和解码器。
相关图像处理与操作包括传感器图像信号处理、显示处理、图像转换等，以及同步和控制功能采用的是大规模并行同构众核架构，同时将训练和推理合二为一，为AI计算提供了全新的技术架构，兼具处理二者工作的能力IPU是英国AI芯片创业公司Graphcore率先提出的概念，Graphcore的第一代IPU如今已在微软Azure云以及Dell-EMC服务器中使用，为AI算法带来了飞跃性的性能提升，也为开发者带来更广阔的创新空间及更多创新机会。
目前，IPU正在成为仅次于GPU和谷歌TPU的第三大部署平台，基于IPU的应用已经覆盖包括自然语言处理、图像/视频处理、时序分析、推荐/排名及概率模型等机器学习的各个应用场景2021年，英特尔推出了IPU技术，近日又和谷歌共同设计了新型定制基础设施处理单元（IPU）芯片 E2000，代号为“Mount Evans”，以降低数据中心主 CPU 负载，并更有效和安全地处理数据密集型云工作负载。
NPUCPU和GPU的制造成本较高，功耗也比较大，加之AI场景下需要运算的数据量与日俱增，一种针对神经网络深度学习的高效智能处理器应运而生，也就是NPUNPU即神经网络处理器（Neural network Processing Unit），它是用电路模拟人类的神经元和突触结构。
用于加速神经网络的运算，解决传统芯片在神经网络运算时效率低下的问题，特别擅长处理视频、图像类的海量多媒体数据与CPU、GPU处理器运行需要的数千条指令相比，NPU只要一条或几条就能完成，且在同等功耗下NPU 的性能可以达到 GPU 的118倍，因此在深度学习的处理效率方面优势明显。
NPU 目前较多地在端侧应用于 AI 推理计算，在云端也有大量运用于视频编解码运算、自然语言处理、数据分析，部分NPU还能运用于 AI 的训练比如在手机SoC中，CPU是负责计算和整体协调的，而GPU是负责和图像有关的部分，NPU负责和AI有关的部分，其工作流程则是，任何工作都要先通过CPU，CPU再根据这一块工作的性质来决定分配给谁。
如果是图形方面的计算，就会分配给GPU，如果是AI方面的计算需求，就分配给NPUNPU具体的应用有：基于人脸识别的考勤机、基于 DHN（深度哈希网络）的掌纹识别、基于图像分类的自动垃圾分类、自动驾驶汽车、自动跟焦摄像机、监视系统等。
2014年中科院的陈天石科研团队发表了 DianNao 系列论文，随即席卷了体系结构界，开启了专用人工智能芯片设计的先河，后来中科院旗下的寒武纪科技推出了其第一代 NPU 寒武纪1A，并用在了华为麒麟970芯片中，华为也推出了自研的基于 DaVince 架构的 NPU ，阿里则推出了“含光”架构的 NPU 。
随着芯片构造方式的变化，大量异构处理器方案也不断衍生，每个芯片都对处理器性能、优化目标、所需的数据吞吐量以及数据流做出了不同的选择在这几大类处理器芯片中，IPU与DPU发展速度领先随着5G边缘云、自动驾驶和车路协同、金融计算等带来越来越多的数据量，各种“X”PU的市场价值都在不断攀升。
