1樓：linhaidu
以後的深度學習晶元，肯定是往兩個方向發展的。乙個是訓練端，不斷提高計算能力，不斷優化學習框架和晶元之間的連線。乙個是推斷端，邊緣計算，需要針對特定的領域，優化特定的模型，滿足速度和精度的要求。
前一種晶元，通用的就是GPU，特定的如TPU，都已經形成一定的生態。
後一種晶元，目前基本空白。在深度學習應用領域最廣的CV和NLP都還沒有專用晶元。
2樓：鴻鶴
關於第乙個和最後乙個問題，可以參考這篇。零基礎看懂全球AI晶元：詳解「xPU」
中間的問題，可以歸結於乙個端和雲的問題。
能不能實時處理，除了和晶元計算力有關，還和場景任務有關。所以，不負責的回答是，能實時處理。負責人的回答是，要看場景任務是什麼。
比如，指紋識別，人臉識別，這些任務，不用深度學習晶元也可以實時，把深度學習演算法跑在AP就可以。隨著演算法的發展，計算量越來越小，AP上跑已經不是問題。例如MobileNet，suffleNet等，都是給移動端優化的演算法。
如果再用專用晶元做加速，效果能快。現在華為和蘋果新手機裡都帶了AI加速器，就是為了端上做實時處理。當然，針對部分場景。
語音識別，還得分是識別命令詞還是做語義分析。命令詞識別，完全可以離線實時處理，我司的晶元處理這個完全沒問題（還沒發布，不要擴散）。又如啟英泰凌的語音識別晶元。
如果做語義分析加對話，目前還智慧型傳回雲端，因為計算量和模型都太大了。這裡的坑，要演算法上解決計算量，計算力上加強，計算能力上支援CNN、RNN等不同結構，同時控制住功耗。
ADAS場景，這部分有些任務必須端上解決，傳回雲端是不能接受的。這方面，mobileye可以，Nvidia也可以。
無人機場景，避障、跟蹤等任務，都是端上就搞定了，大疆用的movidius晶元。
3樓：
感覺今年的深度學習晶元跟前兩年的計算機視覺概念似的，突然被炒起來了。其實統一起來基本可以叫做xPU了。
主要做深度學習的有，寒武紀，地平線，英特爾收購了一家，還有深鑑科技等等，其實有很多的。
深度學習的大部分計算量其實是在訓練部分，訓練部分基本是在伺服器上實現的，土豪公司每人可以配價值幾十萬的核彈廠顯示卡搭建的計算中心，而真正應用的其實其實計算並不是太高的，並沒有想象的那麼恐怖，就算沒有這些專門優化的晶元，感覺也還是能做到實時的，但是功耗應該會很高。
不同廠家會做不同的應用，會因為不同的成本，使用等原因選擇不同的方案，比如雲服務，其實很多家都有使用FPGA加速計算的，當然他們是太有錢，燒包的
目前對多核處理器支援最好的語言就是golang嗎？
大霧哥 不明白怎麼那個喜歡黑語言，go的好處是上手快，效能好，占用記憶體低，歷史包袱小，docker和k8s加持，天然的微服務和併發語言 雲原生玩碼部落 一點淺見奉上 語言怎麼會反著去支援cpu呢？你就是說支援作業系統也稍微接近點。golang應該都是呼叫linux作業系統的底層api去實現多核並行...
intel處理器型號是怎麼命名的？
英特爾所有CPU都分為高 中 低三檔，分別是i7 i5 i3，在這個檔次後面還會跟著小型號，目前所有第二代酷睿CPU的小型號都是以2開頭的，第三代都是以3開頭的。第一位代表第幾代CPU，代數越大，架構更優。i7 4 i7 3 第二位代表處理器等級，數字越大，效能越好。i7 48 i7 47 M即Mo...
cpu處理器限定的tdp是如何控制的？
小夜啼鳥 啊這，剛好問到我在做的了。Intel晶元和供電控制器之間有乙個協議，SVID.根據這個協議會傳送一些資訊，包括供電電壓和電流。如果CPU發現電流或者功率過大超過一定時間，就可以自動降頻。這就是功耗牆，是可以人為設定的，也是可以根據你的散熱方案進行調整的。AMD也有實現類似功能的協議叫SVI...