新浪科技讯 北京时间4月6日消息，开发定制芯片，它可以提高机器学习算法的运算速度，这不是什么秘密。谷歌管这些处理器叫作Tensor Processing Units（简称TPU），2016年5月，谷歌在I/O开发者大会上首次展示了TPU，之后再也没有提供更多细节，谷歌只是说它正在用TPU优化TensorFlow机器学习框架。今天，谷歌公布了更多内容。
根据谷歌自己制定的基准，TPU执行谷歌常规机器学习任务时，速度比标准GPU/CPU组合产品平均快了15倍至30倍。标准GPU/CPU组合产品将英特尔Haswell处理器与 K80 GPU安装在一起。数据中心极为重视能耗，使用TPU后每瓦特性能（也就是TeraOps/Watt，每万亿次/瓦特）提高了30-80倍。请注意，谷歌提供的数据是在生产过程中使用机器学习模型时获得的，并不是最初创建模型时的数据。
谷歌还表示，大多数架构师优化芯片是为了提高卷积神经网络的性能，不过卷积神经网络只占了数据中心负载的5%，大部分应用使用的是多层感知器神经网络。
2006年，谷歌开始研究如何将GPU、FPGA、定制ASICS应用于数据中心。不过当时并没有太多应用因为特殊硬件获益，许多繁重的任务可以用数据中心多余的硬件完成。
到了2013年情况开始改变，当时谷歌认为DNN将会变得流行起来，数据中心的计算需求将会翻倍，如果用传统CPU计算成本相当高。正因如此，谷歌启动一个项目，用定制ASIC完成推算，采购现在GPU用于训练。谷歌报告称，与GPU相比，将成本效益提高10倍就是它的目标。（德克）