正当AlphaGo 与柯洁等一众中国顶尖围棋高手在乌镇激战正酣之际，计算机体系结构专家王逵在新智元专栏的文章（
点击
阅读
《CPU和GPU双低效，摩尔定律之后一万倍 ——写于TPU版AlphaGo重出江湖之际》
）
在专家社群和文章评论区内中引发了热烈的讨论。
-
杨静：
关于TPU，这篇阅读最高，没有之一。
-
包云岗：
这是我看过的TPU相关文章中写得最好的一篇了，目前没有“之一”
-
方昊：
在一堆抄来抄去alphago文章中难得一见的一股清流。
-
Kuhasu：
小伙子写的非常清晰！我们对冲基金从8年前就开始使用ASIC进行高频交易，而ASIC在交易领域的实际应用，可以追溯到上世纪九十年代后期。
-
艾娅轩：
体系结构和AI领域的玩家们，不能错过的原创，非AI硬件技术细节稿却深入剖析技术内涵。
-
ljf：
一篇文章看懂一个领域
但对于文章认为TPU代表了未来发展方向这一观点，很多读者提出了自己的看法。为此，新智元也采访了原作者王逵博士。
唐杉：
我们在一个芯片项目中各个任务需要的投入（cost），其中最大的部分是Software，Verification和Validation。而Architecture设计只占其中的很小一部分。这个比例和目前大多数芯片厂商的人员配置也是基本相符的。形成这种趋势，是因为现在的芯片往往只是一个复杂系统中的一部分。芯片设计厂商（或者方案商）提供给客户的已经远远不止芯片本身，而是一套完整的软硬件解决方案。Nvidia在Deep learning上的巨大成功，是归功于它的芯片底层硬件架构，还是它完善的软硬件生态呢？当然是后者。Google之所以敢于和能够自己设计TPU芯片，是和Tensorflow布局和以及data center方面的经验分不开的。绝大多数deep learning用户看到的是Tensorflow（或者其它训练框架）和CUDA，而不是底层硬件（只要硬件别太昂贵）。
孙治平：
对于一个AI芯片项目来说，考虑整个软硬件生态，要比底层硬件架构的设计重要得多，最终给用户提供一个好用的解决方案，才是王道。
朱晶：
做AI ASIC 拿架构说是竞争力的可能还是有不小风险，这玩意儿还得看完整生态。
王逵：
我非常同意唐杉博士的观点，生态才是王道。任何一次芯片架构的革命，都和软件分不开。当年各种RISC架构如同雨后春笋般涌现，很重要的推动力就是Unix操作系统和C语言编译器的成熟，有了它们，操作系统和应用程序才能非常低成本地移植到新CPU上。如今各种深度学习的框架就如同Unix，XLA这样的中间层表示就如同C语言。它们有了开源的成熟方案之后，专用芯片的生态问题会得到极大的缓解。
陈怡然：
（这篇文章）观点还是很独特的。不过我觉得TPU本质上其实就是ASIC，和以前的DSP专用芯片刚开始的出发点类似。如果说不同，可能面临的商业应用更广阔。但最后一定会在通用性和性能之间再次平衡。问题的关键不在技术本身，在于找到最佳平衡点。
蒋纯 ：
这个ASIC更准确应该叫DSA吧
周枫：
写得浅显易懂，对技术介绍得不错。但是ASIC最靠谱的结论不同意，更有可能是ASIC是跑车，满足特殊需求，GPU才是支持产业的乘用小车，量最大，通用性最好。规模Volume这个东西是决定性的，而优势都在GPU这边。看今明年Intel出招吧。
Yubo ：
ASIC快于通用处理器是自然的，代价就是应用太过于局限，就通用和性能之间的平衡还是GPU做得比较到位。
Qianlong ：
大家一致叫好，我来说点不一样的。ASIC不是谁想玩就能玩的，Google敢玩是受够了公司后又挖包括Patterson等牛人，有大量资金做支撑。另一个原因是投入产出比，对他们来讲可以保证自己做完自己用。但是如果给第三方企业用，迭代成本是企业的命脉。买gpu和买asic做AI投入产出比到底谁更好？AI发展这么快，鬼知道算法会不会半年后就淘汰？专用的一定比通用的快是一定的，但发展前景不好说，体系结构领域很多款抛弃历史包袱的CPU都失败了已经说明了这一点。有企业有勇气做拓路人值得肯定，真心希望能成功！
AHE ：
神经网络的进化速度非常快，除了TensorFlow还有其它的框架都在进化。相信TensorFlow不久就会有新的算法升级。专用的ASIC TPU能兼容吗？
王逵：
专用芯片到底能出多大的量？这个量能不能摊平流片的巨大成本？这是最核心的两个问题。
首先，我内心里不认为TPU是ASIC，更合适的词是DSA（Domain-Specific-Architecture），前者加速某一
项
功能，后者加速某一
类
功能。上篇文章篇幅所限，没有引入DSA的概念。为了能上到足够大的量，设计DSA必须要避免“半年后就淘汰”，这就是考验设计功力的地方。
其次，TPU的确只能在DeepLearning这个市场抢GPU的饭碗，但未来这个市场会非常庞大，甚至超过Graphic。当年Google用MapReduce引爆大数据，并没有为此做芯片，后来学术圈也出了不少加速大数据分析的DSA，Google完全无视；这次AI火爆，它火速做了DSA，为什么？就是看到了量。
最后， 做芯片的成本没有大家想的那么大，芯片设计的方法学始终在进步。
