本文參考自“AI晶片基礎：計算體系架構黃金10年”，從更遠的視角來看看計算機架構發展的黃金 10 年，主要將圍繞異構計算和超異構來展開。AI 的發展與晶片算力的提升密不可分，可以大致分為三個階段：
第一階段：晶片算力不足，神經網路沒有被受到重視
在早期，受限於晶片算力，複雜的神經網路模型難以實現。這一時期的 AI 主要依賴於專家系統、決策樹等傳統方法。神經網路雖然在理論上已經被提出，但由於計算資源的匱乏，難以訓練出有效的模型，因此沒有受到廣泛重視。
第二階段：CPU 算力大幅提升，但仍然無法滿足神經網路增長需求
隨著摩爾定律的推進，CPU 效能不斷提升。這為神經網路的發展提供了一定的計算基礎。研究者們開始嘗試更大規模的神經網路，並在一些領域取得了突破。但是，神經網路對算力的需求呈指數級增長，單純依靠 CPU 的效能提升已經難以滿足日益複雜的模型訓練需求。
第三階段：GPU 和 AI 晶片新架構推動 AI 快速落地
為了解決算力瓶頸，研究者們開始將目光轉向了其他計算架構。與 CPU 相比，GPU 在矩陣運算等方面有著顯著的優勢，能夠大幅加速神經網路訓練。與此同時，一些專門針對 AI 加速的晶片架構也開始湧現，如 TPU、NPU 等。這些晶片在算力、功耗等方面進一步最佳化，為 AI 的落地應用掃清了障礙。
除了晶片算力外，演算法的進步、資料的積累也是 AI 發展的重要推動力。在算力瓶頸得到緩解後，一些重要的神經網路結構如 CNN、RNN、Transformer 等被相繼提出，並在影像、語音、自然語言處理等領域取得了突破性進展。海量的資料為模型訓練提供了豐富的素材，使得神經網路能夠學習到更加魯棒和泛化的特徵表示。
本文所有資料都已上傳至“智慧計算芯知識”。如“《225+份DeepSeek技術報告合集》”，“《100+份AI晶片技術修煉合集》”，“《10+份Manus技術報告合集》”，加入星球獲取嚴選精華技術報告，提供打包下載，內容持續更新…
溫馨提示：
掃描二維碼關注公眾號，點選閱讀原文連結獲取“架構師技術全店資料打包彙總(全)”電子書資料詳情。