目前人工智能最流行的是大规模的并行GPU和CUDA框架。英伟达和AMD都做GPU超过十年了，但现在英伟达成为人工智能市场的主宰者，同时，就在几个月前，市场起来的时候AMD甚至没有一席之地。什么原因？

　　有人认为，AMD的GPU并没有什么问题。实际上，有时候他们比英伟达还要好。但是，事实上硬件仅仅是整个深度学习所需的一方面。你的软件需要跟你的硬件有效率的通信，全面利用所有的资料。生态系统、库和知识存储可造成很大差异，这正是英伟达占优势并超越AMD的方面。大多数神经网络代码利用了英伟达的CUDA库。AMD也做了OpenCL 生态系统面向开发者，但是它不能很好的支持cuDNN。

　　重要的是，英伟达专用GPGPU（general purpose GPUs）同时支持OpenCL和CUDA框架，而AMD显卡只支持OpenCL框架。这诱惑着开发者用更流行的CUDA开发程序。

　　此外，英伟达对开发者非常友好，它有大量知识储备，不仅仅提供统计帮助内容，还以开课和工作坊的形式帮助开发者重头学起。

　　但是，AMD已采取行动对付英伟达。跨平台支持会带来很明显的问题，如果开发者给CUDA开发软件，那它没必要在OpenCL上面跑。类似的，OpenCL的代码不会在CUDA上跑。所以开发者为更流行的CUDA框架开发软件，这限制了英伟达生态系统的深度学习软件。这是一个很大的问题，必须解决。这正是图像创业公司Otoy切入的地方。这家公司基本上就是对CUDA框架进行反向工程，使英伟达显卡上的程序可以兼容英特尔和AMD做的图像引擎。所以这对AMD是一个利好。

　　为了跟CUDA架构的交互可以更久一点，AMD年初重启了玻尔兹曼基金。但是关键难题是AMD现在可以把99.6%的CUDA代码移植到它的OpenCL框架。并且整个转换过程是自动的。

　　这基本意味着开发者不用辛苦地单独为AMD芯片写代码。他们只需要用自动转换工具，AMD系统会对他们开放的。同时，移植的应用立马提升了AMD对深度学习的吸引力。因此这对AMD和开发者是个双赢的事情。双方都从最小的人为干预中获益。

　　AMD解决了移植问题，现在CUDA应用可以在它自己的GPGPU上面跑。这就意味着投资深度学习的企业现在既可以用英伟达又可以用AMD的硬件，随着高性能的Vega显卡2017年发布，可能更多企业会在他们的深度学习机器上用AMD解决方案。

　　英伟达 PK 英特尔

　　英伟达 的 GPU主要是针对图像渲染的，这个跟深度学习有些类似，因此在市场没有更适合的产品出现时GPU成了开发者首选，但实际上，图像和深度学习还是完全不同的。英特尔的首款深度学习芯片的原型Nervana Engine，从基础架构设计上开始就是为深度学习设计的，从而实现了加速深度学习性能上的大幅提升。

　　根据新智元之前对英特尔所收购的深度学习芯片公司Nervana CEO Naveen Rao的采访，我们了解到，从架构上看英特尔的深度学习芯片比GPU加速深度学习的速度要快十倍。在讲到计算力的时候，比较的基本单元是乘积累加（MAC）运算次数，也就是每秒钟可以进行的MAC次数。英伟达最新的GPU采用17纳米工艺，能提供9到10 TP；英特尔用28纳米的芯片，可以达到超过50 TP的级别。

　　Naveen Rao告诉新智元，芯片面积有限，上面晶体管的数量是固定的，问题的根本是能够如何利用这些晶体管进行不同类型的计算。英特尔发明了一种新的指标（metrics），叫做“flexpoint”，介于浮点运算和定点运算之间。flexpoint 利用了神经网络的特点，不需要进行完整的浮点运算，这是一个基于张量的架构，不适合进行普通的乘法，但却能配合普通浮点运算芯片，让电路搭建得非常密集。在架构上，英特尔的芯片也与GPU和其他传统芯片不同，是没有缓存的。此外，atv，它的可扩展性非常强，总带宽（Aggregated IO）很多，速度每秒能够达到2.4TB。简单说，这样不会浪费资源去做与深度学习无关的计算，也不会去处理图像数据。

　　英特尔拥有很强的半导体工艺，同时拥有世界最高密度、最低能耗的工艺，再结合Nervana的架构，将实现其他人无法做到的事情。