《新機諜中諜》——欄目中“諜中諜”寓意“諜報中的諜報”，在新機發布之前，讓我們用專業的眼光、風趣幽默的文字，告訴你新機諜報中的那些真真假假，提前為你揭秘即將發布的重磅新機當中可能存在的那些新科技。
對于夏普，筆者的記憶其實不多，除了它擁有過一臺曾經驚艷了大多數人的無邊框手Aquos Crystal，那已經是2014年。彼時的夏普已經退出了中國市場。而今天，退出中國兩次的夏普又又又回到了中國市場,這次它的處女秀又將給我們帶來什么?就讓筆者與大家一起一探究竟。
新機諜中諜:夏普S2
雖然手機還未正式發布，就已經有科技博主放出了它的廣告片，有趣的創意之下，還透露出了新手機不少的信息，就讓我們一起來看一下吧。
從視頻中我們可以看到，夏普這款新手機的主要賣點依然是全面屏。雖然全面屏的概念早已有之，但是每次看到類似的視頻介紹，還是讓筆者不由得贊嘆，全面屏真?好看！從小米MIX到三星S8，全面屏的概念越來越普及，也越來越被大家接受。夏普，更是玩轉全面屏設計的祖宗級角色。
夏普各代全面屏代表作（圖片來源:夏普手機微博）
從GFXBench曝光的數據來看，7月17日夏普發布的可能不止一款手機，產品代號分別為FS8010和FS8016，前者使用的是驍龍630處理器，而后者使用的是和OPPO R11s一樣的驍龍660。這是雙管齊下，中端高端兩手抓的意思？
兩款手機配置（數據來源:GFXBench）
除此之外，兩個型號的配置基本相同，5.5英寸1080*2048分辨率的全面屏幕，和小米MIX一樣，多出來的1080*128用來放置虛擬按鍵。機身存儲則有4GB+64GB和6GB+128GB兩種，就是不知道是否兩個型號都會有這兩個搭配。相機方面，FS8016/8010選擇了后置雙1200萬像素+前置800萬像素。
誒？等等，手機外形呢？？？見過那么多提前曝光外觀的手機，夏普你這不按套路出牌啊。那么，我們還能去哪找一下夏普新品的相關消息呢？前面提到，現任夏普CEO是羅忠生，筆者順藤摸瓜找到他的微博，發現其實其中泄露了不少關于新手機的線索。
夏普CEO羅禮生微博
夏普CEO羅禮生微博
首先，從老羅（此老羅非彼老羅）微博尾巴上我們可以發現，新品的名字應該就是Aquos S2沒錯了，至于兩個型號之間要如何細分還不得而知。其次，可以看到夏普對于手機的UI設計和續航上都下了不少的功夫。這些都是我們在發布會上值得關注的。
渲染圖（圖片來源:gsmarena）
后殼渲染圖（圖片來源:weibo）
同時，結合陸續曝光出真真假假的渲染圖來看，夏普S2采用了和iPhone8類似的豎排雙攝設計，而且多彩的手機顏色倒是一如既往的日系風格，妹子們有了不少新的選擇。機身背部并沒有當下全面屏手機常用的背面指紋識別。那么夏普是選擇跟sony一樣將指紋放在了機身側面還是用了最新的屏下指紋技術，或者干脆拋棄了指紋識別功能？
不斷進化的夏普全面屏手機
此前陸續發布的全面屏手機諸如小米MIX和三星S8等等售價都不算低，雖然目前夏普還沒有公布官方價格。但是有消息稱驍龍630的FS8010預估售價為￥ 2699，,驍龍660版本的FS8316則為￥ 3499。如果該消息屬實的話，你會不會選擇這個闊別中國市場已久的品牌呢？
《新機諜中諜》近期回顧：
第八期: 《新機諜中諜:防水旗艦 努比亞新機亮點多》
第九期: 《新機諜中諜:OPPO R11請來半個娛樂圈》
第十期: 《新機諜中諜:榮耀9將搭載黑科技系統？》
十一期: 《新機諜中諜:相機發力 一加5要彎道超車》
十二期: 《前攝后攝都精通 vivo X9s學到了新技能》
工智能的發展離不開算力的支持，算力又是依附于各種硬件設備的，沒有了算力設備的加持，就好比煉丹少了丹爐一樣，可想而知，人工智能智能也就無用武之地了。以深度學習為主的人工智能方向的發展更是離不開強大的算力支持。隨著深度學習的不斷發展，各種各樣的芯片也逐漸拋頭露面，見過的，沒見過的，聽過的沒有聽過的都出現在眼前，一下有些眼花繚亂，一時竟不知選擇哪個？當然前提是不差錢。
本學徒在打雜的時候就發現了眾多的XPU，例如GPU, TPU, DPU, NPU, BPU……，各種不同的XPU還分不同等級的系列，價格也大不相同，要起錢來一個比一個兇猛。突然覺得這玩意根本就不是我們這些窮人玩的，雖然當時看的頭暈目眩，內心波濤洶涌，但是仍然還要表現的波瀾不驚才行，畢竟做為一名資深的煉丹學徒，還是要有最基本的心里素質的。
東西貴是貴，但是擋不住看起來真香啊。那么接下了，本學徒就給大家介紹一些常見的、以及不常見的XPU吧。
首先介紹一下這些常見的XPU的英文全稱：
CPU全稱：Central Processing Unit, 中央處理器；
GPU全稱：Graphics Processing Unit, 圖像處理器；
TPU全稱：Tensor Processing Unit, 張量處理器；
DPU全稱：Deep learning Processing Unit, 深度學習處理器；
NPU全稱：Neural network Processing Unit, 神經網絡處理器;
BPU全稱：Brain Processing Unit, 大腦處理器。
下面就來科普一下這些所謂的“XPU”
CPU
CPU( Central Processing Unit, 中央處理器)一般是指的設備的“大腦”，是整體布局、發布執行命令、控制行動的總指揮。
CPU主要包括運算器（ALU, Arithmetic and Logic Unit）和控制單元（CU, Control Unit），除此之外還包括若干寄存器、高速緩存器和它們之間通訊的數據、控制及狀態的總線。CPU遵循的是馮諾依曼架構，即存儲程序、順序執行。一條指令在CPU中執行的過程是：讀取到指令后，通過指令總線送到控制器中進行譯碼，并發出相應的操作控制信號。然后運算器按照操作指令對數據進行計算，并通過數據總線將得到的數據存入數據緩存器。因此，CPU需要大量的空間去放置存儲單元和控制邏輯，相比之下計算能力只占據了很小的一部分，在大規模并行計算能力上極受限制，而更擅長于邏輯控制。
簡單一點來說CPU主要就是三部分：計算單元、控制單元和存儲單元，其架構如下圖所示：
圖：CPU微架構示意圖
什么？這個架構太復雜，記不住？來，那么我們換一種表示方法：
圖：CPU微架構示意圖
嗯，大概就是這個意思。
從字面上我們也很容易理解，上面的計算單元主要執行計算機的算術運算、移位等操作以及地址運算和轉換；而存儲單元主要用于保存計算機在運算中產生的數據以及指令等；控制單元則對計算機發出的指令進行譯碼，并且還要發出為完成每條指令所要執行的各個操作的控制信號。
所以在CPU中執行一條指令的過程基本是這樣的：指令被讀取到后，通過控制器（黃色區域）進行譯碼被送到總線的指令，并會發出相應的操作控制信號；然后通過運算器（綠色區域）按照操作指令對輸入的數據進行計算，并通過數據總線將得到的數據存入數據緩存器（大塊橙色區域）。過程如下圖所示：
圖：CPU執行指令圖
這個過程看起來是不是有點兒復雜？沒關系，這張圖可以不用記住，我們只需要知道，CPU遵循的是馮諾依曼架構，其核心就是：存儲計算程序，按照順序執行。
講到這里，有沒有看出問題，沒錯——在上面的這個結構圖中，負責計算的綠色區域占的面積似乎太小了，而橙色區域的緩存Cache和黃色區域的控制單元占據了大量空間。
高中化學有句老生常談的話叫：結構決定性質，放在這里也非常適用。
因為CPU的架構中需要大量的空間去放置存儲單元（橙色部分）和控制單元（黃色部分），相比之下計算單元（綠色部分）只占據了很小的一部分，所以它在大規模并行計算能力上極受限制，而更擅長于邏輯控制。
另外，因為遵循馮諾依曼架構（存儲程序，順序執行），CPU就像是個一板一眼的管家，人們吩咐它的事情它總是一步一步來做，當做完一件事情才會去做另一件事情，從不會同時做幾件事情。但是隨著社會的發展，大數據和人工智能時代的來臨，人們對更大規模與更快處理速度的需求急速增加，這位管家漸漸變得有些力不從心。
于是，大家就想，我們能不能把多個處理器都放在同一塊芯片上，讓它們一起來做事，相當于有了多位管家，這樣效率不就提高了嗎？
沒錯，就是這樣的，我們使用的GPU便由此而誕生了。
GPU
我們在正式了解GPU之前，還是先來了解一下上文中提到的一個概念——并行計算。
并行計算(Parallel Computing)是指同時使用多種計算資源解決計算問題的過程，是提高計算機系統計算速度和數據處理能力的一種有效手段。它的基本思想是用多個處理器來共同求解同一個問題，即將被求解的問題分解成若干個部分，各部分均由一個獨立的處理機來并行計算完成。
并行計算可分為時間上的并行和空間上的并行。
時間上的并行是指流水線技術，比如說工廠生產食品的時候分為四步：清洗-消毒-切割-包裝。
如果不采用流水線，一個食品完成上述四個步驟后，下一個食品才進行處理，耗時且影響效率。但是采用流水線技術，就可以同時處理四個食品。這就是并行算法中的時間并行，在同一時間啟動兩個或兩個以上的操作，大大提高計算性能。
圖：流水線示意圖
空間上的并行是指多個處理機并發的執行計算，即通過網絡將兩個以上的處理機連接起來，達到同時計算同一個任務的不同部分，或者單個處理機無法解決的大型問題。
比如小李準備在植樹節種三棵樹，如果小李1個人需要6個小時才能完成任務，植樹節當天他叫來了好朋友小紅、小王，三個人同時開始挖坑植樹，2個小時后每個人都完成了一顆植樹任務，這就是并行算法中的空間并行，將一個大任務分割成多個相同的子任務，來加快問題解決速度。
所以說，如果讓CPU來執行這個種樹任務的話，它就會一棵一棵的種，花上6個小時的時間，但是讓GPU來種樹，就相當于好幾個人同時在種。
為了解決CPU在大規模并行運算中遇到的困難， GPU應運而生，GPU全稱為Graphics Processing Unit，中文為圖形處理器，就如它的名字一樣，圖形處理器，GPU最初是用在個人電腦、工作站、游戲機和一些移動設備（如平板電腦、智能手機等）上運行繪圖運算工作的微處理器。
GPU采用數量眾多的計算單元和超長的流水線，善于處理圖像領域的運算加速。但GPU無法單獨工作，必須由CPU進行控制調用才能工作。CPU可單獨作用，處理復雜的邏輯運算和不同的數據類型，但當需要大量的處理類型統一的數據時，則可調用GPU進行并行計算。近年來，人工智能的興起主要依賴于大數據的發展、算法模型的完善和硬件計算能力的提升。其中硬件的發展則歸功于GPU的出現。
為什么GPU特別擅長處理圖像數據呢？這是因為圖像上的每一個像素點都有被處理的需要，而且每個像素點處理的過程和方式都十分相似，也就成了GPU的天然溫床。
GPU簡單架構如下圖所示：
圖：GPU微架構示意圖
從架構圖我們就能很明顯的看出，GPU的構成相對簡單，有數量眾多的計算單元和超長的流水線，特別適合處理大量的類型統一的數據。
但GPU無法單獨工作，必須由CPU進行控制調用才能工作。CPU可單獨作用，處理復雜的邏輯運算和不同的數據類型，但當需要大量的處理類型統一的數據時，則可調用GPU進行并行計算。
注：GPU中有很多的運算器ALU和很少的緩存cache，緩存的目的不是保存后面需要訪問的數據的，這點和CPU不同，而是為線程thread提高服務的。如果有很多線程需要訪問同一個相同的數據，緩存會合并這些訪問，然后再去訪問dram。
再把CPU和GPU兩者放在一張圖上看下對比，就非常一目了然了。
GPU的工作大部分都計算量大，但沒什么技術含量，而且要重復很多很多次。
借用知乎上某大神的說法，就像你有個工作需要計算幾億次一百以內加減乘除一樣，最好的辦法就是雇上幾十個小學生一起算，一人算一部分，反正這些計算也沒什么技術含量，純粹體力活而已；而CPU就像老教授，積分微分都會算，就是工資高，一個老教授能頂二十個小學生，你要是富士康你雇哪個？
GPU就是用很多簡單的計算單元去完成大量的計算任務，純粹的人海戰術。這種策略基于一個前提，就是小學生A和小學生B的工作沒有什么依賴性，是互相獨立的。
但有一點需要強調，雖然GPU是為了圖像處理而生的，但是我們通過前面的介紹可以發現，它在結構上并沒有專門為圖像服務的部件，只是對CPU的結構進行了優化與調整，所以現在GPU不僅可以在圖像處理領域大顯身手，它還被用來科學計算、密碼破解、數值分析，海量數據處理（排序，Map-Reduce等），金融分析等需要大規模并行計算的領域。
所以GPU也可以認為是一種較通用的芯片。
TPU
按照上文所述，CPU和GPU都是較為通用的芯片，但是有句老話說得好：萬能工具的效率永遠比不上專用工具。
隨著人們的計算需求越來越專業化，人們希望有芯片可以更加符合自己的專業需求，這時，便產生了ASIC（專用集成電路）的概念。
ASIC是指依產品需求不同而定制化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計、制造。當然這概念不用記，簡單來說就是定制化芯片。
因為ASIC很“專一”，只做一件事，所以它就會比CPU、GPU等能做很多件事的芯片在某件事上做的更好，實現更高的處理速度和更低的能耗。但相應的，ASIC的生產成本也非常高。
而TPU（Tensor Processing Unit, 張量處理器）就是谷歌專門為加速深層神經網絡運算能力而研發的一款芯片，其實也是一款ASIC。
人工智能旨在為機器賦予人的智能，機器學習是實現人工智能的強有力方法。所謂機器學習，即研究如何讓計算機自動學習的學科。TPU就是這樣一款專用于機器學習的芯片，它是Google于2016年5月提出的一個針對Tensorflow平臺的可編程AI加速器，其內部的指令集在Tensorflow程序變化或者更新算法時也可以運行。TPU可以提供高吞吐量的低精度計算，用于模型的前向運算而不是模型訓練，且能效（TOPS/w）更高。在Google內部，CPU,GPU,TPU均獲得了一定的應用，相比GPU，TPU更加類似于DSP，盡管計算能力略有遜色，但是其功耗大大降低，而且計算速度非常的快。然而，TPU,GPU的應用都要受到CPU的控制。
圖：谷歌第二代TPU
一般公司是很難承擔為深度學習開發專門ASIC芯片的成本和風險的，但谷歌是誰，人家會差錢嗎？
開個玩笑。更重要的原因是谷歌提供的很多服務，包括谷歌圖像搜索、谷歌照片、谷歌云視覺API、谷歌翻譯等產品和服務都需要用到深度神經網絡。基于谷歌自身龐大的體量，開發一種專門的芯片開始具備規模化應用（大量分攤研發成本）的可能。
如此看來，TPU登上歷史舞臺也順理成章了。
原來很多的機器學習以及圖像處理算法大部分都跑在GPU與FPGA（半定制化芯片）上面，但這兩種芯片都還是一種通用性芯片，所以在效能與功耗上還是不能更緊密的適配機器學習算法，而且Google一直堅信偉大的軟件將在偉大的硬件的幫助下更加大放異彩，所以Google便想，我們可不可以做出一款專用機機器學習算法的專用芯片，TPU便誕生了。
據稱，TPU與同期的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。初代的TPU只能做推理，要依靠Google云來實時收集數據并產生結果，而訓練過程還需要額外的資源；而第二代TPU既可以用于訓練神經網絡，又可以用于推理。
看到這里你可能會問了，為什么TPU會在性能上這么牛逼呢？TPU是怎么做到如此之快呢？
（1）深度學習的定制化研發：TPU 是谷歌專門為加速深層神經網絡運算能力而研發的一款芯片，其實也是一款 ASIC（專用集成電路）。
（2）大規模片上內存：TPU 在芯片上使用了高達 24MB 的局部內存，6MB 的累加器內存以及用于與主控處理器進行對接的內存。
（3）低精度 (8-bit) 計算：TPU 的高性能還來源于對于低運算精度的容忍，TPU 采用了 8-bit 的低精度運算，也就是說每一步操作 TPU 將會需要更少的晶體管。
嗯，谷歌寫了好幾篇論文和博文來說明這一原因，所以僅在這里拋磚引玉一下。
圖：TPU 各模塊的框圖
圖：TPU芯片布局圖
如上圖所示，TPU在芯片上使用了高達24MB的局部內存，6MB的累加器內存以及用于與主控處理器進行對接的內存，總共占芯片面積的37%（圖中藍色部分）。
這表示谷歌充分意識到了片外內存訪問是GPU能效比低的罪魁禍首，因此不惜成本的在芯片上放了巨大的內存。相比之下，英偉達同時期的K80只有8MB的片上內存，因此需要不斷地去訪問片外DRAM。
另外，TPU的高性能還來源于對于低運算精度的容忍。研究結果表明，低精度運算帶來的算法準確率損失很小，但是在硬件實現上卻可以帶來巨大的便利，包括功耗更低、速度更快、占芯片面積更小的運算單元、更小的內存帶寬需求等...TPU采用了8比特的低精度運算。
其它更多的信息可以去翻翻谷歌的論文。
到目前為止，TPU其實已經干了很多事情了，例如機器學習人工智能系統RankBrain，它是用來幫助Google處理搜索結果并為用戶提供更加相關搜索結果的；還有街景Street View，用來提高地圖與導航的準確性的；當然還有下圍棋的計算機程序AlphaGo！
NPU
講到這里，相信大家對這些所謂的“XPU”的套路已經有了一定了解，我們接著來。
所謂NPU（Neural network Processing Unit）， 即神經網絡處理器。神經網絡處理器（NPU）采用“數據驅動并行計算”的架構，特別擅長處理視頻、圖像類的海量多媒體數據。NPU處理器專門為物聯網人工智能而設計，用于加速神經網絡的運算，解決傳統芯片在神經網絡運算時效率低下的問題。
在GX8010中，CPU和MCU各有一個NPU，MCU中的NPU相對較小，習慣上稱為SNPU。NPU處理器包括了乘加、激活函數、二維數據運算、解壓縮等模塊。乘加模塊用于計算矩陣乘加、卷積、點乘等功能，NPU內部有64個MAC，SNPU有32個。
激活函數模塊采用最高12階參數擬合的方式實現神經網絡中的激活函數，NPU內部有6個MAC，SNPU有3個。二維數據運算模塊用于實現對一個平面的運算，如降采樣、平面數據拷貝等，NPU內部有1個MAC，SNPU有1個。解壓縮模塊用于對權重數據的解壓。為了解決物聯網設備中內存帶寬小的特點，在NPU編譯器中會對神經網絡中的權重進行壓縮，在幾乎不影響精度的情況下，可以實現6-10倍的壓縮效果。
既然叫神經網絡處理器，顧名思義，這家伙是想用電路模擬人類的神經元和突觸結構啊！
怎么模仿？那就得先來看看人類的神經結構——生物的神經網絡由若干人工神經元結點互聯而成，神經元之間通過突觸兩兩連接，突觸記錄了神經元之間的聯系。
同志們，高中生物還記得嗎？
如果想用電路模仿人類的神經元，就得把每個神經元抽象為一個激勵函數，該函數的輸入由與其相連的神經元的輸出以及連接神經元的突觸共同決定。
為了表達特定的知識，使用者通常需要（通過某些特定的算法）調整人工神經網絡中突觸的取值、網絡的拓撲結構等。該過程稱為“學習”。
在學習之后，人工神經網絡可通過習得的知識來解決特定的問題。
這時不知道大家有沒有發現問題——原來，由于深度學習的基本操作是神經元和突觸的處理，而傳統的處理器指令集（包括x86和ARM等）是為了進行通用計算發展起來的，其基本操作為算術操作（加減乘除）和邏輯操作（與或非），往往需要數百甚至上千條指令才能完成一個神經元的處理，深度學習的處理效率不高。
這時就必須另辟蹊徑——突破經典的馮·諾伊曼結構！
神經網絡中存儲和處理是一體化的，都是通過突觸權重來體現。 而馮·諾伊曼結構中，存儲和處理是分離的，分別由存儲器和運算器來實現，二者之間存在巨大的差異。當用現有的基于馮·諾伊曼結構的經典計算機（如X86處理器和英偉達GPU）來跑神經網絡應用時，就不可避免地受到存儲和處理分離式結構的制約，因而影響效率。這也就是專門針對人工智能的專業芯片能夠對傳統芯片有一定先天優勢的原因之一。
2016年6 月 20 日，中星微數字多媒體芯片技術 國家重點實驗室在北京宣布，已研發成功了中國首款嵌入式神經網絡處理器（NPU）芯片，成為全球首顆具備深度學習人工智能的嵌入式視頻采集壓縮編碼系統級芯片，并取名“星光智能一號”。
NPU的典型代表還有國內的寒武紀芯片和IBM的TrueNorth。以中國的寒武紀為例，DianNaoYu指令直接面對大規模神經元和突觸的處理，一條指令即可完成一組神經元的處理，并對神經元和突觸數據在芯片上的傳輸提供了一系列專門的支持。
用數字來說話，CPU、GPU與NPU相比，會有百倍以上的性能或能耗比差距——以寒武紀團隊過去和Inria聯合發表的DianNao論文為例——DianNao為單核處理器，主頻為0.98GHz，峰值性能達每秒4520億次神經網絡基本運算，65nm工藝下功耗為0.485W，面積3.02平方毫米mm。
華為mate10中所用的麒麟970芯片，就集成了寒武紀的NPU，NPU是麒麟970處理器的最大特征，專業來說，它相當于是設立了一個專門的AI硬件處理單元—NPU，主要用來處理海量的AI數據。NPU是麒麟970芯片中，搭載的一顆用于神經元計算的獨立處理單元，英文名 Neural Network Processing Unit，簡稱 NPU，中文含義為“神經元網絡”，它的功能主要是「A new brain in your mobile」，簡單地說，借助這個玩意兒，你的手機或許會變得更聰明一些。
簡單地說，由于神經元分布是網狀結構，因此能夠實現發散式的信息處理及存儲，使得處理與存儲的效率大大提高，并有助于機器學習(啊，我的手機都開始認真學習了)，沒錯和我們平時所說的「發散性思維」有些像。
由于神經網絡算法及機器學習需要涉及海量的信息處理，而當下的 CPU / GPU 都無法達到如此高效的處理能力，所以需要有一個獨立的處理芯片來做這個事，麒麟 970 芯片中的這個 NPU 便是這樣的一個角色。
華為mate10的手機有了NPU，才可以實現所謂的照片優化功能，以及保證手機用了很長時間后還能不卡（當然也得真正用了才能知道有沒有宣傳的這么好）。
另外，以往我們的手機無法知道一張圖片里，除了我們的臉之外，還有些什么，而如今借助 NPU 這類芯片，手機能夠知道你在哪里拍了什么照片，照片中有什么著名的建筑或者哪條街，同時貓啊狗啊也能幫你分析出來，甚至為他們設一個照片專輯。
當然，經過長期與大量的學習后，手機便能在你拍攝的過程中實時分析拍攝場景，并分別針對不同的場景進行相機參數的設置，從而實現「隨手拍出好照片」
還可以通過了解用戶經常會在哪些地方做什么事情，來分析用戶的使用習慣，目的是在經過一段時間的學習之后，自動為用戶在某些場景實現某些功能。此外，還能分析出機主的用戶畫像，并針對性地做系統資源優化(如電量、性能、運存等)，讓手機真正達到越用越貼心。
PS，中星微電子的“星光智能一號”雖說對外號稱是NPU，但其實只是DSP，僅支持網絡正向運算，無法支持神經網絡訓練。
在我們了解了以上這些知識的基礎上，我們再來理解BPU和DPU就更容易了。
BPU
Brain Processing Unit (大腦處理器)。地平線機器人（Horizon Robotics）以 BPU 來命名自家的 AI 芯片。地平線是一家成立于 2015 年的 start-up，總部在北京，目標是“嵌入式人工智能全球領導者”。地平線的芯片未來會直接應用于自己的主要產品中，包括：智能駕駛、智能生活和智能城市。地平線機器人的公司名容易讓人誤解，以為是做“機器人”的，其實不然。地平線做的不是“機器”的部分，是在做“人”的部分，是在做人工智能的“大腦”，所以，其處理器命名為 BPU。相比于國內外其他 AI 芯片 start-up 公司，第一代是高斯架構，第二代是伯努利架構，第三代是貝葉斯架構。目前地平線已經設計出了第一代高斯架構，并與英特爾在2017年CES展會上聯合推出了ADAS系統（高級駕駛輔助系統）。BPU主要是用來支撐深度神經網絡,比在CPU上用軟件實現更為高效。然而，BPU一旦生產，不可再編程，且必須在CPU控制下使用。BPU 已經被地平線申請了注冊商標，其他公司就別打 BPU 的主意了。
Biological Processing Unit。一個口號“21 世紀是生物學的世紀”忽悠了無數的有志青年跳入了生物領域的大坑。其實，這句話需要這么理解，生物學的進展會推動 21 世紀其他學科的發展。比如，對人腦神經系統的研究成果就會推動 AI 領域的發展，SNN 結構就是對人腦神經元的模擬。不管怎么說，隨著時間的推移，坑總會被填平的。不知道生物處理器在什么時間會有質的發展。
Bio-Recognition Processing Unit。生物特征識別現在已經不是紙上談兵的事情了。指紋識別已經是近來智能手機的標配，電影里的黑科技虹膜識別也上了手機，聲紋識別可以支付了 ... 不過，除了指紋識別有專門的 ASIC 芯片外，其他生物識別還基本都是 sensor 加通用 cpu/dsp 的方案。不管怎樣，這些芯片都沒占用 BPU 或 BRPU 這個寶貴位置。
D 是 Deep Learning 的首字母，以 Deep Learning 開頭來命名 AI 芯片是一種很自然的思路。
DPU
Deep-Learning Processing Unit（深度學習處理器）。DPU 并不是哪家公司的專屬術語。在學術圈，Deep Learning Processing Unit（或 processor）被經常提及。例如 ISSCC 2017 新增的一個 session 的主題就是 Deep Learning Processor。以 DPU 為目標的公司如下。
Deephi Tech（深鑒） 深鑒是一家位于北京的 start-up，初創團隊有很深的清華背景。深鑒將其開發的基于 FPGA 的神經網絡處理器稱為 DPU。到目前為止，深鑒公開發布了兩款 DPU：亞里士多德架構和笛卡爾架構，分別針對 CNN 以及 DNN/RNN。雖然深鑒號稱是做基于 FPGA 的處理器開發，但是從公開渠道可以看到的招聘信息以及非公開的業內交流來看，其做芯片已成事實。
TensTorrent 一家位于 Toronto 的 start-up，研發專為深度學習和智能硬件而設計的高性能處理器，技術人員來自 NVDIA 和 AMD。
Deep Learning Unit。深度學習單元。Fujitsu（富士通）最近高調宣布了自家的 AI 芯片，命名為 DLU。名字雖然沒什么創意，但是可以看到 DLU 已經被富士通標了“TM”，雖然 TM 也沒啥用。在其公布的信息里可以看到，DLU 的 ISA 是重新設計的，DLU 的架構中包含眾多小的 DPU（Deep Learning Processing Unit）和幾個大的 master core（控制多個 DPU 和 memory 訪問）。每個 DPU 中又包含了 16 個 DPE（Deep-Learning Processing Element），共 128 個執行單元來執行 SIMD 指令。富士通預計 2018 財年內推出 DLU。
Deep Learning Accelerator。深度學習加速器。NVIDA 宣布將這個 DLA 開源，給業界帶來了不小的波瀾。大家都在猜測開源 DLA 會給其他 AI 公司帶來什么。參考這篇吧"從 Nvidia 開源深度學習加速器說起"
Dataflow Processing Unit。數據流處理器。創立于 2010 年的 wave computing 公司將其開發的深度學習加速處理器稱為 Dataflow Processing Unit(DPU)，應用于數據中心。Wave 的 DPU 內集成 1024 個 cluster。每個 Cluster 對應一個獨立的全定制版圖，每個 Cluster 內包含 8 個算術單元和 16 個 PE。其中，PE 用異步邏輯設計實現，沒有時鐘信號，由數據流驅動，這就是其稱為 Dataflow Processor 的緣由。使用 TSMC 16nm FinFET 工藝，DPU die 面積大概 400mm^2，內部單口 sram 至少 24MB，功耗約為 200W，等效頻率可達 10GHz，性能可達 181TOPS。前面寫過一篇他家 DPU 的分析，見傳輸門 AI 芯片|淺析 Yann LeCun 提到的兩款 Dataflow Chip。
Digital Signal Processor。數字信號處理器。芯片行業的人對 DSP 都不陌生，設計 DSP 的公司也很多，TI，Qualcomm，CEVA，Tensilica，ADI，Freescale 等等，都是大公司，此處不多做介紹。相比于 CPU，DSP 通過增加指令并行度來提高數字計算的性能，如 SIMD、VLIW、SuperScalar 等技術。面對 AI 領域新的計算方式（例如 CNN、DNN 等）的挑戰，DSP 公司也在馬不停蹄地改造自己的 DSP，推出支持神經網絡計算的芯片系列。在后面 VPU 的部分，會介紹一下針對 Vision 應用的 DSP。和 CPU 一樣，DSP 的技術很長時間以來都掌握在外國公司手里，國內也不乏兢兢業業在這方向努力的科研院所，如清華大學微電子所的 Lily DSP（VLIW 架構，有獨立的編譯器），以及國防科大的 YHFT-QDSP 和矩陣 2000。但是，也有臭名昭著的“漢芯”。
國際上，Wave Computing最早提出DPU。在國內，DPU最早是由深鑒科技提出，是基于Xilinx可重構特性的FPGA芯片，設計專用深度學習處理單元，且可以抽象出定制化的指令集和編譯器，從而實現快速的開發與產品迭代。
你以為到這里就完了嗎？
不，據說每過18天，集成電路領域就會多出一個XPU，直到26個字母被用完。
這被戲稱為AI時代的XPU版摩爾定律。
據不完全統計，已經被用掉的有：
APU
Accelerated Processing Unit, 加速處理器，AMD公司推出加速圖像處理芯片產品。
BPU
Brain Processing Unit,大腦處理器， 地平線公司主導的嵌入式處理器架構。
CPU
Central Processing Unit 中央處理器， 目前PC core的主流產品。
DPU
Deep learning Processing Unit, 深度學習處理器，最早由國內深鑒科技提出；另說有Dataflow Processing Unit 數據流處理器， Wave Computing 公司提出的AI架構；Data storage Processing Unit，深圳大普微的智能固態硬盤處理器。
EPU
Emotion Processing Unit 情感處理器，Emoshape 并不是這兩年才推出 EPU 的，號稱是全球首款情緒合成（emotion synthesis）引擎，可以讓機器人具有情緒。但是，從官方渠道消息看，EPU 本身并不復雜，也不需要做任務量巨大的神經網絡計算，是基于 MCU 的芯片。結合應用 API 以及云端的增強學習算法，EPU 可以讓機器能夠在情緒上了解它們所讀或所看的內容。結合自然語言生成(NLG)及 WaveNet 技術，可以讓機器個性化的表達各種情緒。例如，一部能夠朗讀的 Kindle，其語音將根據所讀的內容充滿不同的情緒狀態。
FPU
Floating Processing Unit 浮點計算器，浮點單元，不多做解釋了。現在高性能的 CPU、DSP、GPU 內都集成了 FPU 做浮點運算。
Force Processing Unit。原力處理器，助你成為絕地武士。酷！
GPU
Graphics Processing Unit, 圖形處理器，采用多線程SIMD架構，為圖形處理而生。
HPU
Holographics Processing Unit 全息圖像處理器。Microsoft 專為自家 Hololens 應用開發的。第一代 HPU 采用 28nm HPC 工藝，使用了 24 個 Tensilica DSP 并進行了定制化擴展。HPU 支持 5 路 cameras、1 路深度傳感器（Depth sensor）和 1 路動作傳感器（Motion Sensor）。Microsoft 在最近的 CVPR 2017 上宣布了 HPU2 的一些信息。HPU2 將搭載一顆支持 DNN 的協處理器，專門用于在本地運行各種深度學習。值得一提的是，HPU 是一款為特定應用所打造的芯片，這個做產品的思路可以學習。據說 Microsoft 評測過 Movidius（見 VPU 部分）的芯片，但是覺得無法滿足算法對性能、功耗和延遲的要求，所有才有了 HPU。
IPU
Intelligence Processing Unit，智能處理器， Deep Mind投資的Graphcore公司出品的AI處理器產品。
JPU
請原諒鄙人的詞匯量，沒什么新奇的想法。。。。
KPU
Knowledge Processing Unit，知識處理器。 嘉楠耘智（canaan）號稱 2017 年將發布自己的 AI 芯片 KPU。嘉楠耘智要在 KPU 單一芯片中集成人工神經網絡和高性能處理器，主要提供異構、實時、離線的人工智能應用服務。這又是一家向 AI 領域擴張的不差錢的礦機公司。作為一家做礦機芯片（自稱是區塊鏈專用芯片）和礦機的公司，嘉楠耘智累計獲得近 3 億元融資，估值近 33 億人民幣。據說嘉楠耘智近期將啟動股改并推進 IPO。
另：Knowledge Processing Unit 這個詞并不是嘉楠耘智第一個提出來的，早在 10 年前就已經有論文和書籍講到這個詞匯了。只是，現在嘉楠耘智將 KPU 申請了注冊商標。
LPU
誰給我點靈感？
MPU/MCU
Microprocessor/Micro controller Unit， 微處理器/微控制器，一般用于低計算應用的RISC計算機體系架構產品，如ARM-M系列處理器。
Mind Processing Unit。意念處理器，聽起來不錯。“解讀腦電波”，“意念交流”，永恒的科幻話題。如果采集大量人類“思考”的腦電波數據，通過深度學習，再加上強大的意念處理器 MPU，不知道能否成為 mind-reader。如果道德倫理上無法接受，先了解一下家里寵物貓寵物狗的“想法”也是可以的嗎。再進一步，從 mind-reader 發展為 mind-writer，持續升級之后，是不是就可以成為冰與火中的 Skinchanger？
Mobile Processing Unit。移動處理器，似乎沒什么意思。
Motion Processing Unit。運動處理器。解析人類、動物的肌肉運動？
題外話：并不是所有的 xPU 都是處理器，比如有個 MPU，是 Memory Protection Unit 的縮寫，是內存保護單元，是 ARM 核中配備的具有內存區域保護功能的模塊。
NPU
Neural Network Processing Unit，神經網絡處理器，是基于神經網絡算法與加速的新型處理器總稱，如中科院計算所/寒武紀公司出品的diannao系列。
OPU
Optical-Flow Processing Unit。光流處理器。有需要用專門的芯片來實現光流算法嗎？不知道，但是，用 ASIC IP 來做加速應該是要的。
PPU
Physical Processing Unit。物理處理器。要先解釋一下物理運算，就知道物理處理器是做什么的了。物理計算，就是模擬一個物體在真實世界中應該符合的物理定律。具體的說，可以使虛擬世界中的物體運動符合真實世界的物理定律，可以使游戲中的物體行為更加真實，例如布料模擬、毛發模擬、碰撞偵測、流體力學模擬等。開發物理計算引擎的公司有那么幾家，使用 CPU 來完成物理計算，支持多種平臺。但是，Ageia 應該是唯一一個使用專用芯片來加速物理計算的公司。Ageia 于 2006 年發布了 PPU 芯片 PhysX，還發布了基于 PPU 的物理加速卡，同時提供 SDK 給游戲開發者。2008 年被 NVIDIA 收購后，PhysX 加速卡產品被逐漸取消，現在物理計算的加速功能由 NVIDIA 的 GPU 實現，PhysX SDK 被 NVIDIA 重新打造。
QPU
Quantum Processing Unit。量子處理器。量子計算機也是近幾年比較火的研究方向。作者承認在這方面所知甚少。可以關注這家成立于 1999 年的公司 D-Wave System。DWave 大概每兩年可以將其 QPU 上的量子位個數翻倍一次。
RPU
Resistive Processing Unit。阻抗處理單元 RPU。這是 IBM Watson Research Center 的研究人員提出的概念，真的是個處理單元，而不是處理器。RPU 可以同時實現存儲和計算。利用 RPU 陣列，IBM 研究人員可以實現 80TOPS/s/W 的性能。
Ray-tracing Processing Unit。光線追蹤處理器。Ray tracing 是計算機圖形學中的一種渲染算法，RPU 是為加速其中的數據計算而開發的加速器。現在這些計算都是 GPU 的事情了。
Radio Processing Unit, 無線電處理器， Imagination Technologies 公司推出的集合集Wifi/藍牙/FM/處理器為單片的處理器。
SPU
Streaming Processing Unit。流處理器。流處理器的概念比較早了，是用于處理視頻數據流的單元，一開始出現在顯卡芯片的結構里。可以說，GPU 就是一種流處理器。甚至，還曾經存在過一家名字為“Streaming Processor Inc”的公司，2004 年創立，2009 年，隨著創始人兼董事長被挖去 NVIDIA 當首席科學家，SPI 關閉。
Speech-Recognition Processing Unit。語音識別處理器，SPU 或 SRPU。這個縮寫還沒有公司拿來使用。現在的語音識別和語義理解主要是在云端實現的，比如科大訊飛。科大訊飛最近推出了一個翻譯機，可以將語音傳回云端，做實時翻譯，內部硬件沒有去專門了解。和語音識別相關的芯片如下。
啟英泰倫（chipintelli） 于 2015 年 11 月在成都成立。該公司的 CI1006 是一款集成了神經網絡加速硬件來做語音識別的芯片，可實現單芯片本地離線大詞匯量識別。
MIT 項目。今年年初媒體爆過 MIT 的一款黑科技芯片，其實就是 MIT 在 ISSCC2017 上發表的 paper 里的芯片，也是可以實現單芯片離線識別上 k 個單詞。可以參考閱讀“分析一下 MIT 的智能語音識別芯片”。
云知聲（UniSound）。云知聲是一家專攻智能語音識別技術的公司，成立于 2012 年 6 月，總部在北京。云知聲剛剛獲得 3 億人民幣戰略投資，其中一部分將用來研發其稍早公布的 AI 芯片計劃，命名“UniOne”。據官方透漏，UniOne 將內置 DNN 處理單元，兼容多麥克風、多操作系統。并且，芯片將以模組的形式提供給客戶，讓客戶直接擁有一整套云端芯的服務。
Smart Processing Unit。聰明的處理器，聽起來很 Q。
Space Processing Unit。空間處理器，高大上，有沒有。全景攝像，全息成像，這些還都是處理我們的生活空間。當面對廣闊的太陽系、銀河系這些宇宙空間，是不是需要新的更強大的專用處理器呢？飛向 M31 仙女座星系，對抗黑暗武士，只靠 x86 估計是不行的。
TPU
Tensor Processing Unit 張量處理器， Google 公司推出的加速人工智能算法的專用處理器。目前一代TPU面向Inference，二代面向訓練。
UPU
Universe Processing Unit。宇宙處理器。和 Space Processing Unit 相比，你更喜歡哪個？
VPU
Vector Processing Unit 矢量處理器，Intel收購的Movidius公司推出的圖像處理與人工智能的專用芯片的加速計算核心。
Vision Processing Unit。視覺處理器 VPU 也有希望成為通用名詞。作為現今最火熱的 AI 應用領域，計算機視覺的發展的確能給用戶帶來前所未有的體驗。為了處理計算機視覺應用中遇到的超大計算量，多家公司正在為此設計專門的 VPU。
Movidius（已被 Intel 收購）。Movidius 成立于 2006 年，總部位于硅谷的 San Mateo，創始人是兩個愛爾蘭人，所以在愛爾蘭有分部。Movidius 早期做的是將舊電影轉為 3D 電影的業務，后期開始研發應用于 3D 渲染的芯片，并開始應用于計算機視覺應用領域（這說明：1，芯片行業才是高技術含量、高門檻、高價值的行業；2，初創公司要隨著發展調整自己的戰略）。Movidius 開發的 Myriad 系列 VPU 專門為計算機視覺進行優化，可以用于 3D 掃描建模、室內導航、360°全景視頻等更前沿的計算機視覺用途。例如，2014 年，谷歌的 Project Tango 項目用 Myriad 1 幫助打造室內三維地圖；2016 年，大疆的“精靈 4”和“御”都采用了 Movidius 的 Myriad 2 芯片。采用 TSMC 28nm 工藝的 Myriad2 中集成了 12 個向量處理器 SHAVE (Streaming Hybrid Architecture Vector Engine)。按照 Movidius 的說法，SHAVE 是一種混合型流處理器，集成了 GPU、 DSP 和 RISC 的優點，支持 8/16/32 bit 定點和 16/32 bit 浮點計算，而且硬件上支持稀疏數據結構。此外，Myriad2 中有兩個 RISC 核以及 video 硬件加速器。據稱，Myriad2 可以同時處理多個視頻流。
Inuitive 一家以色列公司，提供 3D 圖像和視覺處理方案，用于 AR/VR、無人機等應用場景。Inuitive 的下一代視覺處理器 NU4000 采用 28nm 工藝，選擇使用 CEVA 的 XM4 DSP，并集成了深度學習處理器（自己開發？或者購買 IP？）和深度處理引擎等硬件加速器。
DeepVision 一家總部位于 Palo Alto 的 start-up，為嵌入式設備設計和開發低功耗 VPU，以支持深度學習、CNN 以及傳統的視覺算法，同時提供實時處理軟件。
Visual Processing Unit。這里是 visual，不是 vision。ATI 一開始稱自家顯卡上的芯片為 VPU，后來見賢思齊，都改叫 GPU 了。
Video Processing Unit。視頻處理器。處理動態視頻而不是圖像，例如進行實時編解碼。
Vector Processing Unit。向量處理器。標量處理器、向量處理器、張量處理器，這是以處理器處理的數據類型進行的劃分。現在的 CPU 已經不再是單純的標量處理器，很多 CPU 都集成了向量指令，最典型的就是 SIMD。向量處理器在超級計算機和高性能計算中，扮演著重要角色。基于向量處理器研發 AI 領域的專用芯片，也是很多公司的選項。例如，前面剛提到 Movidius 的 Myriad2 中，就包含了 12 個向量處理器。
Vision DSP。針對 AI 中的計算機視覺應用，各家 DSP 公司都發布了 DSP 的 Vision 系列 IP。簡單羅列如下。
CEVA 的 XM4，最新的 XM6 DSP。除了可以連接支持自家的硬件加速器 HWA（CEVA Deep Neural Network Hardware Accelerator )，也可以支持第三方開發的 HWA。前面提到的 Inuitive 使用了 XM4。可以參考“處理器 IP 廠商的機器學習方案 - CEVA”。
Tensilica（2013 年被 Cadence 以 3.8 億美元收購）的 P5、P6，以及最新的 C5 DSP。一個最大的特色就是可以用 TIE 語言來定制指令。前面微軟的 HPU 中使用他家的 DSP。可以參考“神經網絡 DSP 核的一桌麻將終于湊齊了”。
Synopsys 的 EV5x 和 EV6x 系列 DSP。可以參考“處理器 IP 廠商的機器學習方案 - Synopsys”。
Videantis 的 v-MP4 系列。Videantis 成立于 1997 年，總部位于德國漢諾頓。v-MP4 雖然能做很多機器視覺的任務，但還是傳統 DSP 增強設計，并沒有針對神經網絡做特殊設計。
WPU
Wearable Processing Unit， 可穿戴處理器，一家印度公司Ineda Systems公司推出的可穿戴片上系統產品，包含GPU/MIPS CPU等IP。
Ineda Systems 在 2014 年大肆宣傳了一下他們針對 IOT 市場推出的 WPU 概念，獲得了高通和三星的注資。Ineda Systems 研發的這款“Dhanush WPU”分為四個級別，可適應普通級別到高端級別的可穿戴設備的運算需求，可以讓可穿戴設備的電池達到 30 天的持續續航、減少 10x 倍的能耗。但是，一切似乎在 2015 年戛然而止，沒有了任何消息。只在主頁的最下端有文字顯示，Ineda 將 WPU 申請了注冊商標。有關 WPU 的信息只有大概結構，哦，對了，還有一個美國專利。
Wisdom Processing Unit。智慧處理器。這個 WPU 聽起來比較高大上，拿去用，不謝。不過，有點“腦白金”的味道。
XPU
百度與Xilinx公司在2017年Hotchips大會上發布的FPGA智能云加速，含256核。
百度公開了其 FPGA Accelerator 的名字，就叫 XPU。
YPU
Y？沒想法，大家加油搶注名字了。
ZPU
Zylin Processing Unit, 由挪威Zylin 公司推出的一款32位開源處理器。
挪威公司 Zylin 的 CPU 的名字。為了在資源有限的 FPGA 上能擁有一個靈活的微處理器，Zylin 開發了 ZPU。ZPU 是一種 stack machine（堆棧結構機器），指令沒有操作數，代碼量很小，并有 GCC 工具鏈支持，被稱為“The worlds smallest 32 bit CPU with GCC toolchain”。Zylin 在 2008 年將 ZPU 在 opencores 上開源。有組織還將 Arduino 的開發環境進行了修改給 ZPU 用。
其他非 xPU 的 AI 芯片
寒武紀科技（Cambricon） 中科院背景的寒武紀并沒有用 xPU 的方式命名自家的處理器。媒體的文章既有稱之為深度學習處理器 DPU 的，也有稱之為神經網絡處理器 NPU 的。陳氏兄弟的 DianNao 系列芯片架構連續幾年在各大頂級會議上刷了好幾篇 best paper，為其公司的成立奠定了技術基礎。寒武紀 Cambricon-X 指令集是其一大特色。目前其芯片 IP 已擴大范圍授權集成到手機、安防、可穿戴設備等終端芯片中。據流傳，2016 年就已拿到一億元訂單。在一些特殊領域，寒武紀的芯片將在國內具有絕對的占有率。最新報道顯示，寒武紀又融了 1 億美元。
Intel Intel 在智能手機芯片市場的失利，讓其痛定思痛，一改當年的猶豫，在 AI 領域的幾個應用方向上接連發了狠招。什么狠招呢，就是三個字：買，買，買。在數據中心 / 云計算方面，167 億美金收購的 Altera，4 億美金收購 Nervana；在移動端的無人機、安防監控等方面，收購 Movidius（未公布收購金額）；在 ADAS 方面，153 億美金收購 Mobileye。Movidius 在前面 VPU 部分進行了介紹，這里補充一下 Nervana 和 Mobileye（基于視覺技術做 ADAS 方案，不是單純的視覺處理器，所以沒寫在 VPU 部分）。
Nervana Nervana 成立于 2014 年，總部在 SanDiego，以提供 AI 全棧軟件平臺 Nervana Cloud 為主要業務。和硬件扯上關系的是，Nervana Cloud 除了支持 CPU、GPU 甚至 Xeon Phi 等后臺硬件外，還提供有自家定制的 Nervana Engine 硬件架構。根據 The Next Platform 的報道“Deep Learning Chip Upstart Takes GPUs to Task”，Nervana Engine 使用 TSMC 28nm 工藝，算力 55 TOPS。報道發布不到 24 小時，就被 Intel 收購了，全部 48 位員工并入 Intel。Intel 以 Nervana Engine 為核心打造了 Crest Family 系列芯片。項目代碼為“Lake Crest”的芯片是第一代 Nervana Engine，“Knights Crest”為第二代。哦，對了，Nervana 的 CEO 在創立 Nervana 之前，在高通負責一個神經形態計算的研究項目，就是上面提到的 Zeroth。
Mobileye 一家基于計算機視覺做 ADAS 的以色列公司，成立于 1999 年，總部在耶路撒冷。Mobileye 為自家的 ADAS 系統開發了專用的芯片——EyeQ 系列。2015 年，Tesla 宣布正在使用 Mobileye 的芯片（EyeQ3）和方案。但是，2016 年 7 月，Tesla 和 Mobileye 宣布將終止合作。隨后，Mobile 于 2017 年被 Intel 以3 億收入囊中，現在是 Intel 的子公司。Mobileye 的 EyeQ4 使用了 28nm SOI 工藝，其中用了 4 個 MIPS 的大 CPU core 做主控和算法調度以及一個 MIPS 的小 CPU core 做外設控制，集成了 10 個向量處理器（稱為 VMP，Vector Microcode Processor）來做數據運算（有點眼熟，回去看看 Movidius 部分）。Mobileye 的下一代 EyeQ5 將使用 7nm FinFET 工藝，集成 18 個視覺處理器，并且為了達到自動駕駛的 level 5 增加了硬件安全模塊。
比特大陸 Bitmain 比特大陸設計的全定制礦機芯片性能優越，讓其大賺特賺。在賣礦機芯片之余，比特大陸自己也挖挖礦。總之，芯片設計能力非凡、土豪有錢的比特大陸對標 NVIDIA 的高端 GPU 芯片，任性地用 16nm 的工藝開啟了自家的 AI 芯片之路。芯片測試已有月余，據傳功耗 60W 左右，同步在招攬產品、市場人員。最近的推文爆出了這款 AI 芯片的名字：“智子（Sophon）”，來自著名的《三體》，可見野心不小，相信不就即將正式發布。
華為&海思 市場期待華為的麒麟 970 已經很長時間了，內置 AI 加速器已成公開的秘密，據傳用了寒武紀的 IP，就等秋季發布會了。還是據傳，海思的 HI3559 中用了自己研發的深度學習加速器。
蘋果 蘋果正在研發一款 AI 芯片，內部稱為“蘋果神經引擎”(Apple Neural Engine)。這個消息大家并不驚訝，大家想知道的就是，這個 ANE 會在哪款 iphone 中用上。
高通 高通除了維護其基于 Zeroth 的軟件平臺，在硬件上也動作不斷。收購 NXP 的同時，據傳高通也一直在和 Yann LeCun 以及 Facebook 的 AI 團隊保持合作，共同開發用于實時推理的新型芯片。
還有一些諸如 Leapmind、REM 這樣的 start-up，就不一一列舉。
目前三位數的xpu還剩倆仨個（抓緊搶注啊！），等三位數的XPU被用完后，即將會出現XXPU，XXXPU，XXXXPU......，并且會以更快的發展速度帶來更長的名字，最后是更難記住。
突然感覺還是現在的這些XPU的名字聽起來順口啊，畢竟只有三個字母。
當然，將來的事情等到將來再說，過好當下才是重要的事情。
不說了，回去打掃衛生了，老板丹爐里的灰還等著我去掏呢。
記者 | 田思奇 安晶 肖恩 劉芳 潘金花
編輯 | 陳升龍
貿易保護主義抬頭、主要市場增長持續放緩，敢說自己在2019年過得不錯的企業家應該不多。逆境之下，這些富豪們的一點點負面新聞也會被無限放大。
曾經有多風光，現在就有多落寞。沽名釣譽的創業者繼續吃官司，久經沙場的資本大佬也有掉進坑里的時候，看似事業順利的億萬富豪則因光輝形象坍塌而遭遇另類的“失敗”。
貝索斯：發妻和首富都弄丟了
文 | 劉芳
2019年對于貝索斯個人來說可謂流年不利，不僅因婚內出軌弄丟了相伴25年的發妻，世界首富的頭銜也因股價大跌而讓與比爾·蓋茨。
新年剛過，54歲的貝索斯即宣布與妻子麥肯齊離婚，原因是他出軌已婚女主播。八卦雜志《國家問詢報》公開了兩人的私密短信，以及情色自拍。一時間，世界首富的私生活成了人們茶余飯后的談資，而不再關心亞馬遜重金投入的物流自動化有了哪些突破。
而在這出鬧劇中最令人印象深刻的，是麥肯齊的大度。她不僅放棄了《華盛頓郵報》和太空探索公司藍色起源（Blue Origin）的全部股權，還將自己在亞馬遜的投票權一并授予了他。
離婚案對貝索斯的事業有限，但他和特朗普的私人恩怨就不一樣了。10月，五角大樓將價值100億美元的云項目“JEDI”合同授予競爭對手微軟。貝索斯認為，落選最重要的原因是他旗下的《華盛頓郵報》對總統的長期批評報道，要知道亞馬遜云服務在公共云基礎設施市場中占有大約50%的份額，遙遙領先于微軟Azure。
11月，亞馬遜以“違反政府采購法案”“非法剝奪競爭優勢”等六大理由將國防部告上法庭。在此期間，微軟因獲得“JEDI”合同股價飆升，比爾·蓋茨從貝索斯手中奪回了久違的世界首富寶座。
盡管滿地是六便士，但貝索斯也不忘抬頭遙望遠方的月亮。12月11日貝索斯迎來好消息，“藍色起源”第六次成功發射并回收New Shepherd火箭。
馬斯克：放飛自我，形象坍塌
文 | 安晶
無可否認，馬斯克是非常傳奇的成功企業家。連續創業、獲得褒揚無數……原本有著高大的形象，卻因“大嘴巴”作風而形象盡毀。
即使是與美國證券交易監督委員會（SEC）杠上，也沒能阻止“鋼鐵俠”。剛進入2019年，馬斯克就在Twitter上向數千萬粉絲發文稱特斯拉可能生產約50萬輛汽車。SEC立刻跳出來，指控馬斯克“蔑視法庭”，違反與該機構在去年10月達成的和解協議。
除了與SEC的舊怨，特斯拉裁員、關閉門店、推遲償還貸款、撞車事故遭政府部門調查等麻煩，讓特斯拉的股價在今年6月一度跌至三年來的低谷。
在最近的特斯拉首款電動皮卡CyberTruck發布會上，馬斯克再次翻車：本想展示皮卡的結實程度，結果當鐵球砸向車窗玻璃時，玻璃當場破碎。
即使在商業之外，馬斯克也主動招惹是非。因馬斯克在推文中稱其為戀童癖，參與泰國洞穴救援的探險家恩斯沃思（Verne Unsworth）對馬斯克提起誹謗起訴。
恩斯沃思的律師曝出，馬斯克曾雇私人偵探挖恩斯沃思的黑料，還給泰國當局施壓，要求對方為馬斯克的迷你潛艇說好話。馬斯克曾提議用特質迷你潛艇參與救援，被恩斯沃思批評為“公關作秀”。
但隨著圣誕節的到來，馬斯克的麻煩迎刃而解：受特斯拉今年第三季度盈利財報影響，特斯拉股價一度飆升至422美元，超過了馬斯克去年提出的420美元私有化價格；在與恩斯沃思的官司中，誹謗指控最終被判定不成立；在與SEC的糾紛中，雙方再度達成和解。
于是，馬斯克又出動了，在Twitter上寫下了“哇，股票太嗨了”（so high）的得意之詞。這句話也被視為一條“大麻笑話”：4月20日為國際大麻日，high也是與吸食大麻有關的用語。
馬斯克還是那個馬斯克。
孫正義：投資神話幻滅
文 | 肖恩
多年前投資阿里巴巴而被奉為投資界神話，孫正義如今卻因共享經濟而遭遇“滑鐵盧”。
12月23日，他的軟銀集團與日本銀行業30億美元的WeWork融資談判停滯。同一天，UBER聯合創始人拋售手上所有股票，套現25億美元，而軟銀集團手握其16.3%的股份。到了2019年的最后一個周末，孫正義的重要盟友、優衣庫創始人柳井正宣布離開軟銀董事會。這位朝鮮移民后代陷入了前所未有的困境。
孫正義催生泡沫的投資風格備受質疑：讓年輕創業者在大把投資面前失去了理性，無度燒錢擴張。
被他視為“下一個阿里”的WeWork和UBER估值大幅縮水，他本人的身家也隨之蒸發超三分之一。
阿里巴巴是孫正義傳奇人生的高光點。他用2000萬美元換來了的阿里34%的股權，在2014年阿里上市后膨脹到了784億美元。嘗到了成功甜頭的孫正義迫不及待的要“加一把火”。
2016年，孫正義正式宣布成立愿景基金，集資1000億美元。這是全球規模最大的科技基金。他怎么也想不到3年后，該基金的第一批投資會全部告吹。除了WeWork和UBER，滴滴估值跌幅一度超過三成，按需遛狗初創公司Wag市場份額僅剩約16%。
在11月公布2020年財報中報時，軟銀出現了1.4億美元的營業赤字，其中7到9月，愿景基金出現了約為89億美元虧損，這也是該基金成立以來首次出現赤字。
孫正義不得不承認，他看走了眼。與此同時，臨近年底被前員工爆出的騷擾創業公司、阿諛奉承的辦公室政治也讓軟銀帝國飽受爭議。
但“賭徒”孫正義顯然不會就此罷手。今年7月，軟銀對外宣布成立愿景基金二期，主要投資人工智能技術，預計規模達1080億美元。天時地利人和都“不給力”的情況下，孫正義還能否締造下一個投資神話？
李在镕：再陷牢獄陰云的“三星太子”
文 | 安晶
韓國前總統樸槿惠的“親信干政”案之后三年，卷入其中的“三星太子”李在镕依然沒逃出牢獄之災的陰云籠罩。
在今年8月的“命運審判”中，韓國大法院駁回了二審對李在镕緩刑的判決結果，將案件發回首爾高等法院重審。也就意味著，這位去年2月才獲釋出獄的韓國第四大富豪可能再度入獄服刑。
2017年，李在镕因涉嫌向樸槿惠行賄被判處五年監禁。當時法院認定李在镕行賄、挪用公款、向海外轉移資產、隱匿犯罪收入和作偽證五項罪名成立，李在镕就此提起上訴。檢方則認為判刑太輕，也提起上訴。
直到2018年2月，首爾高等法院推翻一審判決結果，判處李在镕兩年零六個月監禁，緩刑四年。已入獄服刑近一年的李在镕也當庭獲釋。
在今年的審判中，大法院法官指出李在镕涉嫌賄賂的金額又增加了50億韓元。如果這筆花銷在重審中被認定為賄賂，李在镕的刑期還可能加重。而韓國的緩刑只能用于三年以下監禁，已經被判兩年零六個月的李在镕如面臨更嚴重判刑，則將立刻入獄。
除了李在镕，三星電子也負面新聞不斷。三星電子董事長李相勛和副總裁姜京勛因違反韓國工會法、阻撓工會活動，分別被判處18個月和16個月監禁。三星電子的近30名高管也面臨法律訴訟。
由于大量高管面臨審判，通常在每年12月初任命重要高管的三星電子至今沒有發布人事公告。李在镕前景不明、官司纏身、日本對韓國的半導體材料出口限制、全球智能手機市場持續低迷、行業格局重構，也讓三星的轉型之路面臨巨大挑戰。
米倫伯格：致命空難壓垮航空老兵
文 | 田思奇
兩起墜機事故致346人死亡后，波音公司CEO米倫伯格（Dennis Muilenburg）“醞釀”了大半年才展現出道歉的姿態，但顯然無法平息公眾、監管機構以及股東的不滿。終于在圣誕節前夕，米倫伯格下臺。波音股價在當日隨即拉升3%，這或許將成為波音公司為明年走出輿論危機踏出的第一步。
2018年10月和2019年3月不到半年時間里，印尼獅航和埃塞俄比亞航空接連發生空難，失事飛機均為波音737MAX系列客機。調查顯示，波音試飛員早在2016年就發現該機型防失速系統有缺陷，但波音為了盡快讓其投入市場而無視漏洞。
55歲的米倫伯格已在波音工作了三十余年，曾專注于波音面向政府的國防業務。在今年的幾次公開露面中，他強調公司已經更新軟件并完成大規模測試，一再保證飛機安全，同時要為在任期間的這兩場事故擔責。但美國國會議員質疑稱：“遇難者再也回不來了……你承擔了什么責任，降薪了嗎？”
作為回應，離開董事會主席職位的米倫伯格主動提出大幅削減今明兩年的薪酬，不再接受獎金和股票。2018年，他的總薪酬為2340萬美元，其中2040萬美元為股票和獎金形式。
但這似乎無助于波音走出困境。美國聯邦航空管理局對737MAX型飛機的審查還將持續，波音公司亦宣布將于明年1月停產該客機。今年3月全球停飛37MAX型飛機后，波音公司已損失了逾90億美元。
美國和歐盟因補貼案繼續對簿公堂，而對手空客的最大客機A380已宣布停產。在全球經濟增速放緩和貿易摩擦不斷的背景下，大型飛機的需求正在下降。2019年對航空制造業而言是近年來最慘的一年。
盡管波音新董事會主席卡爾霍恩一度指出，董事會相信米倫伯格是繼續領導公司的合適人選，但沒有跡象表明米倫伯格能重新贏得立法者和消費者的信任。
扎克伯格：數字貨幣帝國雄心受挫
文 | 劉芳
當年的“神童”早已過了而立之年。但對于扎克伯格（Mark Zuckerberg）來說，2019年仍然充滿挑戰。擁有24億月活用戶的社交“巨無霸”Facebook因濫用數據屢遭重罰，而被賦予顛覆性意義的數字貨幣計劃Libra也因各國監管機構的反對而陷入難產。
3月初，扎克伯格宣布將把Facebook打造成以隱私為中心的社交平臺。然而僅僅過了兩周，這個重新打造品牌價值的美好愿景就被殘酷的現實所擊碎。
網絡安全記者克雷布斯爆料稱，Facebook從2012年開始以明文形式儲存了上億個用戶的賬號密碼，公司2萬名員工可以任意讀取。扎克伯格在“劍橋分析”丑聞后最大的公關工程宣告失敗。
進入7月，美國聯邦貿易委員會（FTC）以50億美元的罰金結束了對Facebook的數據泄露丑聞調查，創下了科技企業罰款的最高紀錄。同月，Facebook又因為濫用數據和“披露不實信息”被美國證監會罰款1億美元。
在隱私保護方面屢屢受挫的扎克伯格也并沒有在雄心勃勃的Libra項目上遇到太好的運氣。
自Facebook在6月發布白皮書以來，以美國國會和歐盟議會為代表的監管機構就對這個加密貨幣項目發出了警告。美國參院銀行委員會稱，如果金融機構計劃參與Libra計劃將面臨嚴格審查。在這樣的壓力下，以萬事達卡為首的七家創始公司相繼宣布退出Libra。外界普遍預期Libra一旦成功，將顛覆全球金融體系。
10月，扎克伯格被傳喚到美國參院作證。在聽證會上扎克伯格承諾，沒有美國監管機構的批準Libra將不會發布。
盡管Facebook在12月公布了Libra第二版路線圖，但項目的實際推進遙遙無期。Libra協會董事埃利斯表示，Libra的推出取決于和監管機構的談判結果：“在現階段，還沒有針對市場或產品的既定戰略，也沒有確定它將如何實際推出。”
對扎克伯格來說，如何重新獲得用戶和監管機構的信任將是明年工作的重中之重。雖然擁有Instagram和WhatsApp的Facebook目前牢牢占據著社交媒體帝國的頭把交椅，但Facebook最終的品牌價值可能還是要從最基本的隱私條款寫起。
伯恩斯：資本操盤手折戟風口
文 | 田思奇
電子煙業界曾在宣傳攻勢中標榜其有助于戒煙，《衛報》評價這種時髦的消費形式是過去十年里最主要的商業趨勢之一。美國食品藥品管理局前專員Scott Gottlieb直接指出，正是JUUL帶頭瞄準青少年從而引發了公共衛生危機。而這家公司的CEO伯恩斯（Kevin Burns）因而成為眾矢之的，最終暗淡下臺。
去年底，JUUL登上頭條的消息還是伯恩斯等管理層拍板向員工合計派發20億美元年終獎，平均每人130萬美元。這家公司由擁有煙草品牌萬寶路的奧馳亞公司持有35%股份，僅花三年時間估值就達到380億美元。
令JUUL跌落神壇的主要是兩大“罪名”——誘導青少年吸食有害的尼古丁，以及電子煙導致的肺部疾病和死亡案例。截至12月19日，美國疾病控制和預防中心報告超2500例與電子煙有關的肺病患者，其中54人死亡。
盡管檢察官和專家在2018年曾勸說伯恩斯們阻止青少年獲取電子煙，但據稱伯恩斯拒絕特意這樣做。
今年2月，伯恩斯就外界對100萬支受污染貨產品質疑聲作出回應，稱“一半客戶在使用產品的時候都是飄飄然的狀態，誰有功夫留意產品質量。”
在CNBC制作的一部紀錄片中，伯恩斯大方承認JUUL對青少年用戶的影響仍不明確，“老實說，我們還沒展開長期的臨床試驗。”
在輿論聲討下，頑固的伯恩斯在9月底宣布離職。自去年12月份以來，JUUL的估值已縮水逾三分之一至240億美元。
但伯恩斯在離職聲明中強調，他仍然相信公司消除可燃香煙的使命至關重要。值得一提的是，隨著JUUL銷售放緩，卷煙銷量每周下降的速度也在放緩。
他在聲明中還不忘強調自己勞苦功高，“辭職決定已醞釀數周，自從兩年前加入團隊以來，自己連軸轉工作，終于把一個小公司變成了跨國企業。”而今面對困境，該公司表示計劃裁員500人。
分析認為，相對于在私募股權公司任職多年的“資本操盤手”前任，新上任的傳統煙草公司前高管，或許能更好地處理政府關系，帶領JUUL重塑形象。只是，撞上政策監管這堵不確定的墻，風口已經收窄。
卡洛斯·戈恩：昔日日產“帝王”，淪為棄子
文 | 潘金花
只差一步，卡洛斯·戈恩（Carlos Ghosn）就能成為全球最大汽車帝國的主人了；但也是這一步，讓戈恩成為了自家公司的“眼中釘”。《華爾街日報》在2019年最后一天爆料，持有法國-黎巴嫩雙重國籍的戈恩已經飛到了黎巴嫩。
今年，這位日產前董事長的大部分日子是在拘留與軟禁之中度過的。去年11月，戈恩因瞞報收入、挪用公款等貪腐罪名，被日本檢方在機場“突襲式”逮捕。此時，他一手復興的公司與親自培植的接班人不僅沒有為他撐腰，反而還狠踩了幾腳，徹底扳倒了這位20年前從法國雷諾空降的“救命恩人”。
在外界看來，這是一場日產內部的“宮斗”，戈恩自己也說，所有這一切“都是密謀、陰謀和構陷的產物”。
彼時，這位雷諾-日產-三菱聯盟的掌門人是想更進一步，全面整合聯盟業務，讓三家公司成為“一家人”，但在日產看來，“寄生蟲”雷諾是想坐享其成，吞并不斷壯大的自己。潛藏多年的矛盾最終迎來了大爆發，其結果是，戈恩下臺、雷諾股價大跌、日產利潤預期降至11年來最低水平。
出于各方利益考慮，很難界定這場“宮斗”的成敗。到頭來，雷諾-日產-三菱聯盟也并未破裂，反而還將組建一家新的合資公司。
與戈恩的處境類似，全球整個汽車行業也陷入困境。受美國關稅政策，英國脫歐等經濟不穩定因素的影響，全球汽車產業走向低迷。
根據德國汽車工業協會（VDA）的預測，2019年全球汽車銷量將下降410萬輛至8010萬輛，同比下降5%。這將是自2009年金融危機以來，全球汽車行業遭遇的最大程度跌幅。
未來，在汽車電動化、智能化等變革趨勢下，全球車企間的戰略聯盟與資源整合將會愈發頻繁，戈恩或許是這個過程中的一枚棄子，但他不會阻擋汽車行業全球化整合的車輪。
霍爾姆斯：曾經的硅谷女神而今掏不出律師費
文 | 肖恩
2019年絕不是伊麗莎白·霍爾姆斯（Elizabeth Holmes）五年前想象的樣子。
當時她還是身家45億美元的硅谷科創傳奇；如今，面對多方起訴的她卻陷入無力支付律師費的窘境。
今年9月，三位參與霍爾姆斯案件的律師向法官提交退出案件的申請，原因是在長達一年多的勞動中，霍爾姆斯并沒有為他們提供的法律服務支付任何費用。而以霍爾姆斯目前的經濟狀況而言，他們也許永遠都無法收到這筆錢。
但曾經，有大批投資人爭相向霍爾姆斯雙手奉上天價資金。她的傳奇開始于2003年。當時年僅19歲的霍爾姆斯從斯坦福大學輟學，并于次年創立了血液檢驗公司希拉諾斯（Theranos），長達15年的硅谷騙局由此拉開序幕。
霍爾姆斯用十年的時間勾勒出了一個血檢“烏托邦”。只需一滴血，就可以完成上百項血液指標檢測。她用這個從未實現的宏偉藍圖爬到了硅谷頂端。到2010年底，希拉諾斯獲得的創投資金已超過9200萬美元；2014年估值達90億美元，創投資金超過4億。2015年，《福布斯》雜志將霍爾姆斯評為全球最年輕、白手起家的女性億萬富豪，《時代》周刊提名她為“2015年前100名最有影響力的人物”之一。
霍爾姆斯的美夢在2015年10月戛然而止。《華爾街日報》記者卡瑞尤（John Carreyrou）用一篇報道戳穿了血檢騙局，希拉諾斯市值迅速蒸發，霍爾姆斯個人資產被清零。她和前男友巴爾瓦尼（Sunny Balwani）、前希拉諾斯營運長還面臨多項刑事指控，其中包括九項欺詐罪和兩項串謀欺詐罪，最高將獲判20年。美國證券交易委員會也對霍爾姆斯的“大規模詐騙”提出民事訴訟。
“滴血成金”徹底從夢想變成了妄想。
麥道夫：金融巨騙怕坐穿牢底
文 | 潘金花
今年7月，美國史上最大宗龐氏騙局的主謀伯納德·麥道夫（Bernard Madoff）向總統特朗普提出了對150年刑期減刑的請求。到現在，特朗普也沒空回復他。12月11日是他被捕滿10年。這一天CNBC等媒體計劃制作特別節目，但他沒有回應這些機構的采訪要求。
現年81歲的麥道夫目前正在北卡羅來納州一聯邦監獄服刑。在2008年底東窗事發前，這位納斯達克前董事會非執行主席被譽為“華爾街的傳奇”、與巴菲特齊名的“投資專家”，備受上流社會尊崇與信任。
頂著“理財權威”的光環，麥道夫在20年間精心設計了一個“拆東墻、補西墻”的金字塔式龐氏騙局，受害者多達4800人，涉案金額高達650億美元。
2008年，美國次貸危機觸發的金融危機席卷全球。在客戶集中要求贖回70億美元投資的壓力下，麥道夫的投資神話方徹底崩塌。2009年3月，麥道夫認罪，接受檢方提出的11項罪名指控。同年6月，他被判150年監禁。
在當年認罪伏法時，麥道夫曾說對自己的罪行感到懊悔和羞恥，實在無地自容，還坦承自己意識到自己傷害了很多投資者。但在入獄后，麥道夫又改口說，一些早期投資者也有責任，為滿足他們對高回報的要求，自己才不得已編織了一個騙局。
此后，麥道夫鮮少接受媒體采訪。2013年，他曾說獄中生活的壓力比華爾街的生活要小得多，“如同在軍隊服役，但不用擔心丟了性命”。不過到了2015年，76歲的麥道夫開始使用更懇切的語氣，他在郵件中寫道，“我在拼命撐著，我好想我的家人，我究竟干了些什么，讓我困在這噩夢里？”