为什么AI算法需要专用算力设备?

什么是算力？

算力的字面意思，大家都懂，就是计算能力（Computing Power）。

更具体来说，算力是通过对信息数据进行处理，实现目标结果输出的计算能力。

智能计算

即人工智能（AI，Artificial Intelligence）计算，包括：机器学习、深度学习、数据分析等。AI人工智能是目前全社会重点关注的发展方向。不管是哪个领域，都在研究人工智能的应用和落地。人工智能的三大核心要素，就是算力、算法和数据。

大家都知道，AI人工智能是一个算力大户，特别“吃”算力。在人工智能计算中，涉及较多的矩阵或向量的乘法和加法，专用性较高，所以不适合利用CPU进行计算。在现实应用中，人们主要用GPU和其他的专用芯片进行计算。尤其是GPU，是目前AI算力的主力。GPU虽然是图形处理器，但它的GPU核（逻辑运算单元）数量远超CPU， 适合把同样的指令流并行发送到众核上，采用不同的输入数据执行，从而完成图形处理或大数据处理中的海量简单操作。因此，GPU更合适处理计算密集型、高度并行化的计算任务（AI计算）。

CPU和GPU都属于通用芯片，不过GPU在近几年专门针对AI算法加强了并行计算单元，因此除CPU外，GPU、NPU、FPGA等芯片作为AI算法的硬件加速器在不同的应用场景和深度学习算法中发挥着各自的优势。

视觉算法中，先是摄像头获取图像，然后经过CPU或GPU进行预处理，也就是基本的判断识别和任务分配，然后就需要进行大量的数据计算分析，这时候GPU、NPU或者FPGA等AI芯片开始派上用场。之所以会这样，这就涉及到了作为通用芯片CPU和AI计算芯片GPU等的原理架构方面的区别了，在这里就不一一为大家讲解了。