← 返回课程目录 · 加餐 · 芯片三路线 · 承接第 1 课

TPU / GPGPU / NPU 对比

第 1 课学了 NVIDIA 路线,这里把三条路线并排放:通用性、专用性与软件生态的三角取舍。

一、一张表看三条路线

维度GPGPU(NVIDIA)TPU(Google)NPU(昇腾等)
设计哲学通用并行 + Tensor Core 特化,兼顾图形/HPC/AI脉动阵列(Systolic Array)极致专用于矩阵乘Cube+Vector 分工,面向 AI 场景的专用加速
灵活性最高(CUDA 生态什么都能写)低(围绕 XLA 编译器路线)中(Ascend C 可编程,但生态独立)
软件生态CUDA——事实标准,护城河核心XLA/JAX,云内闭环CANN——对标 CUDA 的追赶者
能效方向均衡矩阵能效极致AI 场景能效优先
典型场景训练+推理通吃、生态迁移成本低Google 内部大规模训练/推理国产化合规场景、推理成本敏感负载

二、关键词卡

脉动阵列

数据像流水线一样在阵列中"流动",每一步完成一次乘加——TPU 的核心设计,矩阵吞吐极高但只擅长这一件事。

🧠 流水线专机 vs 通用机床。

生态护城河

芯片性能可以追赶,十几年的 CUDA 软件生态最难追——这正是 NPU 路线的主战场(见 NPU 对照页)。

🧠 硬件是冰山,生态在水下。

DSA 趋势

Domain-Specific Architecture:通用芯片向专用让步是大方向(Ascend950 的 DSA 稀疏注意力即一例)。

🧠 "专用硬件吃掉确定性负载"的产业规律。

三、小测验

Q1 · TPU 的核心架构是什么?

Q2 · 三条路线里生态迁移成本最低的是?

Q3 · "DSA"指的是?

延伸阅读(上游硬核版)