ARM处理器、X86处理器和AI处理器的区别
目前主要的处理器架构有：
X86处理器
X86架构（The X86 architecture）是微处理器执行的计算机语言指令集，指一个intel通用计算机系列的标准编号缩写，也标识一套通用的计算机指令集合。
ARM处理器
ARM（Advanced RISC machines）一个32位元精简指令集(RISC)处理器架构，ARM处理器广泛地使用在许多嵌入式系统设计。ARM处理器的特点有指令长度固定，执行效率高，低成本等。
ARM 架构是开放性的商业 IP 授权，x86 是封闭架构，美国 Intel 和 AMD 对知识产权处于垄断地位(PS:现在华为等国内公司研发多以ARM架构为主）
ARM 比 x86 架构的优势和劣势
优势：
- 1) 物理核心更多，适用于当前数据中心主流的分布式计算场景；例如大数据、分布式存储、HPC 等；
- 2) 能耗更能，节能环保；与同样性能的 x86 处理器相比，功耗低 20%以上；
劣势：
- 1) 单核性能稍弱于 x86；
- 2) 相比于 Intel AVX512，向量指令运算能力偏弱，在 HPC 部分场景性能低于 x86；对通用场景无任何影响；
什么是异构？
- 1) 从计算单元角度来看，x86 处理器之外的计算单元，都可认为是异构单元，例如 GPU，FPGA 加速卡等；
- 2) 从软件系统集群角度来看，基于不同处理器的服务器可以认为是异构；例如基于 E5-2650v4 的大数据集群使用基于 Gold 5115 或者鲲鹏 916 的服务器来扩容，就属于扩容异构节点。
什么是众核？
众核是相对于单核而言，即最早的芯片只有一个核，到后来的双核（dual core）和四核（quad core）。超过这个数量的，不多于 10 个核的，一般称为多核“multi core”。当前的 CPU 核数达到 32~64，业界称为众核“many core”。多核和众核之间的界限，并没有严格的限制。
AI处理器
所谓的AI芯片，一般是指针对AI算法的ASIC（专用芯片）。传统的CPU、GPU都可以拿来执行AI算法，但是速度慢，性能低，无法实际商用。
华为很早就开始布局AI芯片。2017年9月德国IFA电子消费展上，华为就率先推出了内置NPU（独立神经网络处理单元）的全球首款AI芯片麒麟970。
AI处理器的发展和设计目标
目前在图像识别、语音识别、自然语言处理等领域，精度最高的算法就是基于深度学习的，传统的机器学习的计算精度已经被超越，目前应用最广的算法，估计非深度学习莫属，而且，传统机器学习的计算量与 深度学习比起来少很多，所以，我讨论AI芯片时就针对计算量特别大的深度学习而言。毕竟，计算量小的算法，说实话，CPU已经很快了。而且，CPU适合执行调度复杂的算法，这一点是GPU与AI芯片都做不到的，所以他们三者只是针对不同的应用场景而已，都有各自的主场。
GPU本来是从CPU中分离出来专门处理图像计算的，也就是说，GPU是专门处理图像计算的。包括各种特效的显示。这也是GPU的天生的缺陷，GPU更加针对图像的渲染等计算算法。但是，这些算法，与深度学习的算法还是有比较大的区别，而我的回答里提到的AI芯片，比如TPU，这个是专门针对CNN等典型深度学习算法而开发的。另外，寒武纪的NPU，也是专门针对神经网络的，与TPU类似。
谷歌的TPU，寒武纪的DianNao，这些AI芯片刚出道的时候，就是用CPU/GPU来对比的。
AI芯片，比如大名鼎鼎的谷歌的TPU1。
TPU1，大约700M Hz，有256X256尺寸的脉动阵列，如下图所示。一共256X256=64K个乘加单元，每个单元一次可执行一个乘法和一个加法。那就是128K个操作。（乘法算一个，加法再算一个）
