架构对比（CPU、GPU、FPGA、ASIC、DSA……）

最新推荐文章于 2025-01-12 19:09:02 发布

stella_loveK

最新推荐文章于 2025-01-12 19:09:02 发布

阅读量4.8k

点赞数 2

分类专栏： AI探索文章标签： fpga开发人工智能

本文链接：https://blog.csdn.net/stella_loveK/article/details/128396783

版权

本文探讨了AI芯片的几种主要架构，包括CPU、GPU、FPGA、ASIC，以及新兴的DSA（特定领域架构）。通过分析各自的优缺点，帮助理解不同架构在人工智能领域的应用和影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

AI芯片可按架构分为CPU、GPU、FPGA、ASIC，各架构的优缺点可参考以下文章：

CPU、GPU、FPGA、ASIC等AI芯片特性及对比

最近，新名词 DSA（Domain Specific Architecture，特定领域架构），可参考以下文章：

预见·第四代算力革命（一）：算力综述

预见·第四代算力革命（二）：三大主流计算平台CPU、GPU和DSA

预见·第四代算力革命（三）：面向未来十年的新一代计算架构

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

stella_loveK

关注关注

2
点赞
踩
16

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

P4 开发实践 — 硬件 DSA 架构

烟云的计算

09-21

1946

RMT（Reconfigurable Match Tables，可重配置 Match-Action 表）是一种基于 RISC 交换芯片的 Pipeline 架构，定义了 Programmable parsing（可编程解析）、Programmable match（可编程匹配）和 Programmable action（可编程动作）等数据报文的处理行为。只要遵守了 PSA 定义的 API 和各种行为，那么开发者编写的 P4 program 就可以进行跨设备移植，前提是这些设备兼容 PSA 体系结构。

适用于异构芯片(CPU,ASIC,DSP,FPGA,GPU/GPGPU)的软件并行技术

tugouxp的专栏

11-14

6654

最后，这么多的并行计算方式，各有千秋，犹如八仙过海，各显神通，在哪里可以一睹他们的风采？无疑机器学习领域是其主战场。

参与评论您还未登录，请先登录后发表或查看评论

RISC-V与DSA计算机架构

吴建明wujianming_110117

02-23

3447

RISC-V与DSA计算机架构相信所有和计算机体系结构打过交道的朋友们都看过David Patterson与John Hennessy的煌煌巨作,《计算机体系架构：量化研究方法》。两位在计算机架构领域鼎鼎大名的教授，一个来自加州大学伯克利分校，另一个来自斯坦福。首先上场的是David Patterson，为我们带来了关于指令集架构（ISA）的回顾以及RISC-V项目的展望。（Patterson教授在演讲中） Patterson教授的演讲主题是50年来计算机体系架构（ISA为主）的回顾以及RISC-

自动驾驶芯片的Domain Specific Architecture

百态老人的博客

11-19

1113

例如，芯擎科技的“星辰一号”自动驾驶芯片采用 7nm 车规工艺，符合 AEC-Q100 标准，多核异构架构让智能驾驶算力更加强劲，其具体架构虽未明确提及是否为特定的 domain specific architecture，但该芯片在自动驾驶领域取得重大突破，CPU 算力达 250 KDMIPS，NPU 算力高达 512 TOPS，通过多芯片协同可实现最高 2048 TOPS 算力，集成高性能 VACC 与 ISP，内置 ASIL-D 功能安全岛，拥有丰富接口，可全面满足 L2 至 L4 级智能驾驶需求。

AI芯片的评价指标和对比（CPU/GPU/ASIC/FPGA）

Briwisdom的博客

03-13

6432

一，背景知识芯片的分类常见的芯片种类：CPU，GPU，ASIC，FPGA，（小众：类脑芯片（intel），量子芯片(谷歌）按照应用场景分类服务器端（云端）：注重芯片的算力，扩展能力，以及对现有基础设置的兼容性等移动端（终端）：注重芯片的低功耗，低延时，低成本 AI芯片的评价标准性能（算力）：比如芯片做浮点或定点运算时候每秒的运算次数，以及芯片的峰值性能，平均性能等。灵活性：芯片对不同场景的适应程度，是否可应用于各种不同的AI算法和应用同构性：当大量部署AI芯片时候，能否可利

2022 极术通讯-预见·第四代算力革命：三大主流计算平台CPU、GPU和DSA

weixin_47569031的博客

02-28

738

2022年第八周极术通讯，一起来了解AI，芯片，嵌入式，服务器等领域的技术通讯。

DSA

专注计算机体系结构

04-20

7913

评估处理器性能的指标：程序运行时间程序运行时间的决定因素：程序指令数：由程序代码、编译器、ISA决定平均指令执行周期数（CPI）：由ISA以及微架构决定。时钟周期：由微架构以及半导体制造工艺决定。摩尔定律使得处理器晶体管数持续上升，但是因为晶体管功耗和晶体管面积缩小的速度基本相同，因此前40年间芯片单位面积的功耗基本不变。目前，三种技术趋势让传统的通用处理器演进遇到了瓶

CPU与RISC-V ISA架构

吴建明wujianming_110117

06-19

791

CPU与RISC-V ISA架构

音视频与CPU架构

吴建明wujianming_110117

06-25

722

音视频与CPU架构

芯片架构的创新与发展趋势分析

最新发布

tiangang2024的博客

01-12

426

本文将深入探讨芯片架构的创新与发展趋势，分析当前技术进步对芯片设计带来的变革。重点关注领域特定架构（DSA）的崛起、多元算力的协同发展，以及如何通过优化资源布局、创新驱动与绿色转型来满足日益增长的市场需求，推动行业高质量发展。

dsa_fpgas

03-03

dsa_fpgas

FPGA, CPU, GPU, ASIC区别，FPGA为何这么牛

m0_45190660的博客

09-19

974

如果 FPGA 的数量足够多，每块 FPGA 负责模型中的一层或者一层中的若干个特征，使得模型权重完全载入片上内存，就消除了 DRAM 的性能瓶颈，完全发挥出 FPGA 计算单元的性能。此外，通信就必然涉及到调度和仲裁，CPU 由于单核性能的局限和核间通信的低效，调度、仲裁性能受限，硬件则很适合做这种重复工作。因此我的博士研究把 FPGA 定义为通信的「大管家」，不管是服务器跟服务器之间的通信，虚拟机跟虚拟机之间的通信，进程跟进程之间的通信，CPU 跟存储设备之间的通信，都可以用 FPGA 来加速。

希姆计算：基于 TVM 的 DSA AI 编译器构建

HyperAI超神经

03-27

1016

实践干货

RISC-V架构下 DSA - AI算力的更多可能性

AI科技大本营

03-13

1794

责编 | 王子彧出品 |进迭时空SpacemiTAI 应用出现在我们日常的生产生活当中，赋能各行各业的劲头势不可挡。近些年，AI 算力芯片领域群雄逐鹿，通过对芯片、算力与 AI 三者发展迭代过程的理解，我们发现高能效比的算力、通用的软件栈以及高度优化的编译器，是我们的 AI 算力产品迈向成功的必要条件。进迭时空作为计算芯片企业，对 RISC-V 架构 CPU 进行高度定制，不断挖掘其在计算中的潜力...

DSA(领域专用体系结构)的时代，是否会带来计算机System方向的繁荣？

怀揣梦想，一颗执着于技术的心从未磨灭，内心住着一颗顽强的小强时刻提醒自己层层突破自我，同时也成就他人

06-04

464

随着技术的发展，传统计算机体系结构的性能提升已经面临瓶颈，而DSA提供了一种新的可能性，通过针对特定领域的优化，实现更高的性能和效率。随着技术的不断进步和应用场景的不断拓展，DSA有望在更多领域得到应用和推广，进一步推动计算机System方向的繁荣。DSA的设计初衷就是满足特定领域的需求，这意味着它可以更好地适应特定应用场景，提供更符合实际需求的解决方案。DSA的兴起将吸引更多的研究者和开发者参与进来，形成一个活跃的社区，共同推动DSA技术的发展。

DSA如何弯道超车NVIDIA GPU？（一）

weixin_44993765的博客

09-15

279

你可能听过以下犀利的观点：跟着NVIDIA的技术路线，可能永远也追不上NVIDIA的脚步。 DSA可能有希望能追上NVIDIA，但目前的情况是DSA快死了，看不到任何希望。

一个完整的解决方案，才能让一个新的DSA能够得到比较好的应用

豆豆的博客

12-04

1390

　　03Al DSA软件栈面临的挑战　　1. 设计新的架构需要软硬件的全栈支持　　面向一个领域的DSA往往是设计一个新的架构，而一个新的架构并不是单纯的硬件设计，而是需要的软硬件的全栈支持。一个新的硬件架构，它可能有需要有新的指令集或者编程模型，需要有相应的软件工具，甚至可能需要有一个软硬件协同设计和验证的方法学。这些必须是一个完整的解决方案，才能让一个新的DSA能够得到比较好的应用。　　这也是华为在Hotchip上分享达芬奇设计的时候，介绍的DSA开发者软件栈。可以看到在这个软件栈里面，会有不同的层

FPGA、 CPU、GPU、ASIC区别

u011619480的专栏

04-25

3368

FPGA、 CPU、GPU、ASIC区别

【算法加速】区分ASIC与CPU、GPU、FPGA几个概念

热门推荐

量化Mike

02-13

1万+

这里便于理解，我们先了解一下挖矿的发展，我们知道在比特币挖矿的过程中需要消耗算力，这个算力是机器提供的，简单来说就是让机器来计算一定难度的结果值（该结果值满足一定的要求，比如说前面必须要有18个0等）。而计算的过程交给计算机，早期大家都是用电脑的CPU来进行挖矿，后来大家使用GPU来进行挖矿。在2013年作用，低成本灵活性强的FPGA才被用于挖矿。但是随着算力要求越高，矿机厂商转而采用能效更高的ASIC芯片取代 GPU/ FPGA来运行比特币 SHA-256 哈希算法。传统的依靠编程语言的算法提高效率是

GPU FPGA ASIC

09-07

GPU、FPGA和ASIC是不同类型的芯片或处理器。 GPU（图形处理器）主要用于图形渲染和并行计算任务。它具有大量的并行处理单元，适用于高性能计算和深度学习等任务。与CPU相比，GPU具有更高的计算能力和并行性能，但其功耗相对较高。 FPGA（现场可编程门阵列）拥有大量的可编程逻辑单元，可以根据需要进行针对性的算法设计。FPGA在处理海量数据时具有独特的优势，因为它更接近IO，即硬件底层的架构。在比特币矿机中，FPGA曾经是挖矿芯片的一种选择，但后来被ASIC芯片取代。 ASIC（专用集成电路）芯片是专为特定应用定制的硬件。与通用处理器相比，ASIC芯片的设计固化了特定功能，使其能够以更高的速度和更低的功耗执行特定任务。在比特币挖矿中，ASIC芯片是专门用于挖矿的定制芯片。与FPGA相比，ASIC芯片更高效且成本更低。综上所述，GPU、FPGA和ASIC是不同的芯片或处理器类型，用于不同的应用和任务。每种芯片都具有各自的特点和优势，应根据具体需求来选择使用。123 #### 引用[.reference_title] - *1* *2* *3* [带你深入了解GPU、FPGA和ASIC](https://blog.csdn.net/HackEle/article/details/123173745)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]