谷歌正在自研芯片以加速其机器学习算法，这已经不是什么秘密。早在2016年5月的I/O开发者大会上，谷歌就透露过这些芯片，称之为TPU（Tensor Processing Units），但当时除了表明它是围绕其TensorFlow机器学习框架而设计优化的产品外，并未公布有关于这一芯片的更多细节。如今，谷歌终于发布了一些TPU研究的成果。

其实，如果对这方面感兴趣，在谷歌论文（Google's paper）中是可以找到关于TPU的一些运作细节的。尽管如此，谷歌自身的基准测试结果，依然聚集了整个行业的目光。这一结果为谷歌评估自己的芯片，以此为前提，谷歌的公布的情况为：TPU在执行谷歌常规的机器学习工作负载方面，相较于一个标准的CPU/GPU组合，Intel Haswell CPU搭配Nvidia K80 GPU，平均要高出15倍至30倍之多。更重要的是，TPU的每瓦特性能（TeraOps/瓦特）达到了一般CPU/GPU组合的30倍至80倍，如果采用了新的内存，这一数值还将更高。

值得注意的是，这些数字都是关于生产使用中的机器学习模型，而非新创模型。谷歌还指出，虽然很多构架师针对卷积神经网络（例如，用于图像识别的特定类型神经网络）优化了这一芯片，但这些网络只占其数据中心工作负载的5%左右，而大部分应用程序使用的是多层感知器（multi-layer perceptrons）。这也就意味着，TPU的应用场景并不单一，未来的前景十分广阔。

谷歌表示，早在2006年，他们就已经开始研究如何在数据中心使用GPU、FPGA和自定义ASIC，这实际上也是TPU的本质。然而，当时并没有那么多的应用程序真的能受益于这种特殊的硬件，因为当时的硬件足够处理数据中心的负载。谷歌的文章中提到：“在2013年，我们预计深度神经网络（DNN）将会大有所为，以至于我们数据中心的计算需求将增加一倍，这个需求如果采用传统CPU来解决，将会异常昂贵。因此，我们开始了一个高度优先的项目，以快速生成用于推演的自定义ASIC（并购买了现成的GPU来进行训练）。”谷歌的研究人员说，“这样做的目的是将GPU的性能提高10倍以上。”

不过，谷歌很有可能并不会对外提供TPU。可尽管如此，还是会有很多人从谷歌的一些设计中学到些东西，得到些灵感，“设计出更出色的接班人”也并非不可能。或者至少，能给牙膏厂英特尔、马甲厂英伟达带来些压力也是好的。