前言
你一定听说过CPU、GPU，但是TPU、VPU、NPU、XPU…等待其他字母开头的xPU”呢？
AI概念几年前在世界各地流行起来，科技巨头们纷纷投资AI小公司也致力于芯片研发的概念AI浪潮融资，为了快速AI在市场上站稳脚跟，为了让市场和用户记住自己的产品，每个家庭都在芯片命名上下了一些功夫，不仅要独特，还要适合公司的产品，还要朗朗上口，容易记住。上述xPU命名方式深受各大厂商的喜爱。
本文从字母A到Z来盘点一下目前的各种xPU”命名AI芯片和芯片行业的各种xPU缩写，给大家提高知识。此外，除了xPU本文还扩展了一些命名方法xxP”方式的以Processor命名芯片或IP。
1、
APU是AMD作为一个处理器品牌，它首次在晶片上制作中央处理器和独立显示器核心，同时具有高性能处理器和最新独立显卡的处理性能。AMD传统集成在芯片上CPU和图形处理器GPU，这样主板上将不再需要北桥，任务可以灵活地在CPU和GPU间分配。AMD将这种异构结构称为加速处理单元，即APU。
2021年8月，AMD新款即将售出APU：5600G和5700G，任天堂Switch 以及 PS4中有使用。
顾名思义，声音处理器是处理声音数据的专用处理器。不多说，生产APU有很多芯片制造商。声卡里有。
2、
地平线机器人（Horizon Robotics）以BPU命名自己的AI芯片。地平线成立于2015年start-up，总部位于北京，目标是全球嵌入式人工智能领袖。未来，地平线芯片将直接应用于其主要产品，包括智能驾驶、智能生活和智能城市。地平线机器人的公司名称很容易被误解，认为它是一个机器人，但事实并非如此。地平线不是机器，而是人和人工智能的大脑。因此，它的处理器被命名为BPU。与国内外其他国家相比AI芯片start-up第一代地平线公司BPU相对保守TSMC的40nm工艺。BPU注册商标已被地平线申请，其他公司不打架BPU的主意了。
一个口号“21 世纪是生物学的世纪，无数有抱负的年轻人跳进了生物学领域的大坑。事实上，这句话需要这样理解21世纪其他学科的发展。例如，人脑神经系统的研究成果将得到促进AI发展领域，SNN结构是对人脑神经元的模拟。无论如何，随着时间的推移，坑总会被填满。不知道生物处理器什么时候会有质的发展。
生物特征识别现在已经不是纸上谈兵了。指纹识别是近期智能手机的标准，电影中的黑色技术虹膜识别也在手机上，声纹识别可以支付…然而，除了指纹识别外，还有特殊的指纹识别ASIC除了芯片，其他生物识别基本上都是sensor加通用cpu/dsp方案。无论如何，这些芯片没有被占用BPU或BRPU这个宝贵的位置。
3、
CPU中央处理器就不多说了。AI该公司将其芯片命名为CPU的。不过，CPU与AI处理器不冲突。
首先，很多公司AI它仍将用于处理器CPU控制调度。wave computing用的是Andes的CPU core；Mobileye用了好几个MIPS的CPU core；国内的某些AI芯片公司使用ARM的CPU core。
此外，在现有的移动市场AP中，在CPU另外，再集成一两个AI加速器IP(例如，视觉应用DSP，见VPU部分)也是一种趋势。2017 年，麒麟 970 第一次把 NPU 技术应用在手机里。我们今天看到的是，所有的手机芯片都必须有 AI 处理芯片，2020年麒麟9000的出现更是把AI移动处理器的性能大大提高。
另一种趋势是做高性能计算CPU不愿错过的公司AI例如，
- Adapteva。一家做多核MIMD结构处理器公司。2016年tapeout的Epiphany V集成有1024个核。与之前的版本相比，针对deep learning并加密特定指令。
- kalrayinc。多核并行处理器公司有数据中心和自动驾驶解决方案。第三代最近公布MPPA处理器“Coolidge计划，融资$26 Million。计划采用16nm FinFET集成80-160个工艺kalray 64-bit core，还有80-160个协处理器用于机器视觉处理和深度学习计算。
4、
作为Deep Learning以D开头命名的首字母AI芯片是一种很自然的思路。
深度学习处理器。DPU并不是哪家公司的专属术语。在学术圈，Deep Learning Processing Unit（或processor）常被提及ISSCC 2017新增的一个session的主题就是Deep Learning Processor。以DPU目标公司如下：
- Deephi Tech（深鉴）。深鉴位于北京start-up，清华背景深厚的初创团队。基于深度学习开发FPGA神经网络处理器称为DPU。到目前为止，深鉴已经公开发布了两款DPU：亚里士多德架构和笛卡尔架构分别针对CNN以及DNN/RNN。虽然深鉴号称是基于做的FPGA然而，从公共渠道可以看到的招聘信息和非公息和非公共行业交流来看，芯片已经成为事实。
- TensTorrent。一家位于Toronto的start-up，专门为深度学习和智能硬件设计的高性能处理器，技术人员来自NVDIA和AMD。
深度学习单元。Fujitsu(富士通)最近高调宣布自己AI芯片，命名为DLU。名字虽然没什么创意，但是可以看到DLU已被富士通标TM”，虽然TM也没啥用。可以在其发布的信息中看到，DLU的ISA重新设计，DLU许多小架构包含在许多小架构中DPU（Deep Learning Processing Unit）和几个大的master core（控制多个DPU和memory访问）。每个DPU还有16个DPE（Deep-Learning Processing Element），执行单位共128个SIMD指令。富士通预计将在2018财年内推出DLU。
深度学习加速器。2019年，英伟达 GitHub 上开源了 NVDLA 编译器的源代码，这是世界上首个软硬件推理平台的完整开源代码，给业界带来了不小的波澜。下图是NVDLA架构示意。
数据流处理器。创立于2010年的wave computing公司称其开发的深度学习加速处理器为Dataflow Processing Unit(DPU)，应用于数据中心。Wave的DPU内集成1024个cluster。每个Cluster对应一个独立的全定制地图，每个地图Cluster8个算术单元和16个算术单元PE。其中，PE采用异步逻辑设计，无时钟信号，由数据流驱动，称为Dataflow Processor的缘由。使用TSMC 16nm FinFET工艺，DPU die面积大概400mm^2，内部单口sram至少24MB，功耗约为200W，等效频率可达10GHz，性能可达181TOPS。
数据存储处理器。深圳大普微电子开发固态硬盘SSD主控芯片。SSD主控也是一个很大的市场，国内有很多公司在这个方向上奋斗。
数字信号处理器。芯片行业的人是对的DSP设计并不陌生DSP也有很多公司，TI，Qualcomm，CEVA，Tensilica，ADI，Freescale，Cadence等等，都是大公司，这里不多介绍。相比于CPU，DSP提高数字计算的性能，如增加指令并行度SIMD、VLIW、SuperScalar等技术。面对AI新的领域计算方法(例如CNN、DNN等)挑战，DSP公司也在不断改造自己DSP，推出支持神经网络计算的芯片系列。在后面VPU这部分将被介绍Vision应用的DSP。和CPU一样，DSP长期以来，技术一直掌握在外国公司手中，清华大学微电子研究所等国内科研机构也不乏努力工作的科研机构Lily DSP（VLIW架构，独立编译)，国防科技大学YHFT-QDSP和矩阵2000。但也有臭名昭著的汉芯。
5、
Emoshape 这两年才推出EPU的，号称是全球首款情绪合成（emotion synthesis）引擎，能让机器人有情绪。但是，从官方渠道来看，EPU它本身并不复杂，也不需要基于任务量巨大的神经网络计算。MCU芯片。结合应用API以及云增强学习算法，EPU可以机器能够在情绪上了解它们所读或所看的内容。结合自然语言生成(NLG)及WaveNet技术，可以让机器个性化的表达各种情绪。例如，一部能够朗读的Kindle，其语音将根据所读的内容充满不同的情绪状态。
6、
先说一个最常用的FPU缩写：Floating Point Unit。浮点单元，不多做解释了。现在高性能的CPU、DSP、GPU内都集成了FPU做浮点运算。
7、
图形处理器。GPU原来最大的需求来自PC市场上各类游戏对图形处理的需求，随着AI的火热，在深度学习并行训练和推理上应用十分广泛。但是随着移动设备的升级，在移动端也逐渐发展起来。
- NVIDIA。说起GPU，毫无疑问现在的老大是NVIDIA。这家成立于1993年的芯片公司一直致力于设计各种GPU：针对个人和游戏玩家的GeForce系列，针对专业工作站的Quadro系列，以及针对服务器和高性能运算的Tesla系列。随着AI的发展，NVIDIA在AI应用方面不断发力，推出了针对自动驾驶的DRIVE系列，以及专为AI打造的VOLTA架构。特别提一下VOLTA，今年5月份，NVIDIA发布的Tesla V100采用TSMC 12nm工艺，面积竟然815mm^2，号称相关研发费用高达30亿美元。得益于在AI领域的一家独大，NVIFIA的股价在过去一年的时间里狂涨了300%。最后，也别忘了NVIDIA家还有集成了GeForce GPU的Tegra系列移动处理器。
- AMD。这几年NVIDIA的火爆，都快让大家忘了AMD的存在了。AMD是芯片行业中非常古老的一家芯片公司，成立于1969年，比NVIDIA要早很多年。AMD最出名的GPU品牌Radeon来自于其2006年以54亿美元收购的ATI公司。AMD新出的MI系列GPU将目标对准AI。
在移动端市场，GPU被三家公司瓜分，但是也阻止不了新的竞争者杀入。
- ARM家的Mali。Mali不是ARM的自创GPU品牌，来自于ARM于2006年收购的Falanx公司。Falanx最初的GPU是面向PC市场的，但是根本就无法参与到NVIDIA和ATI的竞争中去，于是转向移动市场；并且Falanx最初的GPU的名字也不是Mali，而是Maliak，为了好记，改为Mali，来自罗马尼亚文，意思是small，而不是我们熟悉的吃蘑菇救公主的超级玛丽（SuperMALI）。
- Imagination的PowerVR。主要客户是苹果，所以主要精力都在支持苹果，对其他客户的支持不足。但是，苹果突然宣布放弃PVR转为自研，对Imagination打击不小，股价大跌六成。Imagination现在正在寻求整体出售，土财快追，但是，美国未必批。
- Qualcomm的Adreno。技术来自于AMD收购ATI后出售的移动GPU品牌Imageon。有意思的是，名字改自于ATI的知名GPU品牌Radeon；
- VeriSilicon的Vivante。Vivante（图芯）是一家成立于2004年的以做嵌入式GPU为主的芯片公司，于2015年被VSI收购。Vivante的市场占有率较低。这里多加一段小八卦，Vivante的创始人叫戴伟进，VSI的创始人叫戴伟民，一句话对这次收购进行总结就是，戴家老大收购了戴家老二。哦，对了，戴家还有一个三妹戴伟立，创立的公司名号更响亮：Marvell。
- Samsung的。。。哦，三星没有自己的GPU。2021年中旬，三星表示即将推出的三星Exynos旗舰处理器中的GPU将基于AMD最新的RDNA2架构打造，这标志着新GPU首次登陆移动平台。
再简单补充国内的两家开发GPU的公司：
- 上海兆芯。兆芯是VIA（威盛）分离出来的。兆芯于2016年针对移动端出了一款GPU芯片ZX-2000，名字有点简单直接。主要技术来源于威盛授权，GPU核心技术来自收购的美国S3 Graphics。
- 长沙景嘉微电子。于2014年推出一款GPU芯片JM5400。这是一家有国防科大背景的公司，与龙芯为合作伙伴，芯片主要应用在军用飞机和神舟飞船上。
图形流处理器。这是ThinCI（取意think-eye）提出的缩写。ThinCI是一家致力于打造deep learning和computer vision芯片的start-up，由4名Intel前员工创立于2010年，总部在Sacramento，在印度也有研发人员。ThinCI的视觉芯片瞄准了，投资方有世界顶级汽车零部件供应商公司日本电装DENSO。在刚结束的hotchip会议上，ThinCI介绍了他们的GSP，使用了多种结构性技术来实现任务级、线程级、数据级和指令级的并行。GSP使用TSMC 28nm HPC+工艺，功耗预计2.5W。
8、
全息处理器。Microsoft专为自家Hololens应用开发的。第一代HPU采用28nm HPC工艺，使用了24个Tensilica DSP并进行了定制化扩展。HPU支持5路cameras、1路深度传感器（Depth sensor）和1路动作传感器（Motion Sensor）。Microsoft 在最近的CVPR 2017上宣布了HPU2的一些信息。HPU2将搭载一颗支持DNN的协处理器，专门用于在本地运行各种深度学习。指的一提的是，HPU是一款为特定应用所打造的芯片，这个做产品的思路可以学习。据说Microsoft评测过Movidius（见VPU部分）的芯片，但是觉得无法满足算法对性能、功耗和延迟的要求，所有才有了HPU。
9、
智能处理器。以IPU命名芯片的有两家公司。
- Graphcore。Graphcore公司的IPU是专门针对graph的计算而打造的。稍微说说Graph，Graphcore认为Graph是知识模型及相应算法的非常自然的表示，所以将Graph作为机器智能的基础表示方法，既适用于神经网络，也适用于贝叶斯网络和马尔科夫场，以及未来可能出现的新的模型和算法。Graphcore的IPU一直比较神秘，直到近期才有一些细节的信息发布。比如：16nm，同构多核（>1000）架构，同时支持training和inference，使用大量片上sram，性能优于Volta GPU和TPU2，预计2017年底会有产品发布，等等。多八卦一点，Graphcore的CEO和CTO以前创立的做无线通信芯片的公司Icera于2011年被Nvidia收购并于2015年关闭。关于IPU更细节的描述，可以看唐博士的微信公号的一篇文章，传输门：解密又一个xPU：Graphcore的IPU。
- Mythic。另外一家刚融了$9.3 million的start-up公司Mythic也提到了IPU：“Mythic’s intelligence processing unit (IPU) adds best-in-class intelligence to any device”。和现在流行的数字电路平台方案相比，Mythic号称可以将功耗降到1/50。之所以这么有信心，是因为他们使用的“processing in memory”结构。
图像认知处理器ICP，加拿大公司CogniVue开发的用于视觉处理和图像认知的IP。跑个题，CogniVue一开始是Freescale的IP供应商，后来于2015年被Freescale收购以进一步加强ADAS芯片的整合开发；随后，Freescale又被NXP 118亿美元拿下；还没完，高通近400亿美元吞并了NXP。 现在NXP家的ADAS SOC芯片S32V系列中，就用到了两个ICP IP。
图像处理器。一些SOC芯片中将处理静态图像的模块称为IPU。但是，IPU不是一个常用的缩写，更常见的处理图像信号的处理器的缩写为下面的ISP。
图像信号处理器。这个话题也不是一个小话题。ISP的功能，简单的来说就是处理camera等摄像设备的输出信号，实现降噪、Demosaicing、HDR、色彩管理等功能。以前是各种数码相机、单反相机中的标配。Canon、Nikon、Sony等等，你能想到的出数码相机的公司几乎都有自己的ISP。进入手机摄影时代，人们对摄影摄像的要求也越来越高，ISP必不可少。说回AI领域，camera采集图像数据，也要先经过ISP进行处理之后，再由视觉算法（运行在CPU、GPU或ASIC加速器上的）进行分析、识别、分类、追踪等进一步处理。也许，随着AI技术发展，ISP的一些操作会直接被end-2-end的视觉算法统一。
暂无
11、
嘉楠耘智（canaan）号称2017年将发布自己的AI芯片KPU。嘉楠耘智要在KPU单一芯片中集成人工神经网络和高性能处理器，主要提供异构、实时、离线的人工智能应用服务。这又是一家向AI领域扩张的不差钱的矿机公司。作为一家做矿机芯片（自称是区块链专用芯片）和矿机的公司，嘉楠耘智累计获得近3亿元融资，估值近33亿人民币。2020年，嘉楠耘智公司内部出了问题，财报很难看。
另：Knowledge Processing Unit这个词并不是嘉楠耘智第一个提出来的，早在10年前就已经有论文和书籍讲到这个词汇了。只是，现在嘉楠耘智将KPU申请了注册商标。
12、
暂无
13、
微处理器。MPU，CPU，MCU，这三个概念差不多，知道就行了。
题外话：并不是所有的xPU都是处理器，比如有个MPU，是Memory Protection Unit的缩写，是内存保护单元，是ARM核中配备的具有内存区域保护功能的模块。
14、
与GPU类似，神经网络处理器NPU已经成为了一个通用名词，而非某家公司的专用缩写。由于神经网络计算的类型和计算量与传统计算的区别，导致在进行NN计算的时候，传统CPU、DSP甚至GPU都有算力、性能、能效等方面的不足，所以激发了专为NN计算而设计NPU的需求。这里罗列几个以NPU名义发布过产品的公司，以及几个学术圈的神经网络加速器。
- 中星微电子（Vimicro）的星光智能一号。中星微于2016年抢先发布了“星光智能一号”NPU。但是，这不是一个专为加速Neural Network而开发的处理器。业内都知道其内部集成了多个DSP核（其称为NPU core），通过SIMD指令的调度来实现对CNN、DNN的支持。以这个逻辑，似乎很多芯片都可以叫NPU，其他以DSP为计算核心的SOC芯片的命名和宣传都相对保守了。
- Kneron。这是一家位于San Diego的start-up公司，针对IOT应用领域做deep learning IP开发。Kneron开发的NPU实现了39层CNN，28nm下的功耗为0.3W，能效200GFLOPs/W。其主页上给出的另一个能效数据是600GOPs/W。此外，Kneron同时也在FPGA开发云端的硬件IP。据可靠消息，Kneron也要在中国大陆建立研发部门了，地点涉及北京、上海、深圳。
- VeriSilicon（芯原）的VIP8000。VSI创立于2001年。VSI于今年5月以神经网络处理器IP的名义发布了这款代号VIP8000的IP。从其公布的消息“VeriSilicon’s Vivante VIP8000 Neural Network Processor IP Delivers Over 3 Tera MACs Per Second”来看，这款芯片使用的并不是其DSP core，而是内置了其2015年收购的Vivante的GPU core。按照VSI的说法，VIP8000在16nm FinFET工艺下的计算力超过3 TMAC/s，能效高于1.5 GMAC/s/mW。
- DNPU-Deep Neural-Network Processing Unit。DNPU来自于KAIST在ISSCC2017上发表的一篇文章。我把DNPU当做是NPU的一种别名，毕竟现在业内做的支持神经网络计算的芯片没有只支持“非深度”神经网络的。关于DNPU可以参考“从ISSCC Deep Learning处理器论文到人脸识别产品”。
- Eyeriss。MIT的神经网络项目，针对CNN的进行高能效的计算加速设计。
- Thinker。清华微电子所设计的一款可重构多模态神经计算芯片，可以平衡CNN和RNN在计算和带宽之间的资源冲突。
神经/神经形态处理器。这和上面的神经网络处理器还有所不同。而且，一般也不以“处理器”的名字出现，更多的时候被称为“神经形态芯片（Neuromorphic Chip）”或者是“类脑芯片（Brain-Inspired Chip）”。这类AI芯片不是用CNN、DNN等网络形式来做计算，而是以更类似于脑神经组成结构的SNN（Spiking Neural Network）的形式来进行计算。随便列几个，都不是“xPU”的命名方式。
- Qualcomm的Zeroth。高通几年前将Zeroth定义为一款NPU，配合以软件，可以方便的实现SNN的计算。但是，NPU似乎不见了踪影，现在只剩下了同名的机器学习引擎Zeroth SDK。
- IBM的TrueNorth。IBM2014年公布的TrueNorth。在一颗芯片上集成了4096个并行的core，每个core包含了256个可编程的神经元neurons，一共1百万个神经元。每个神经元有256个突触synapses，共256 Mlillion。TrueNorth使用了三星的28nm的工艺，共5.4 billion个晶体管。
- BrainChip的SNAP（Spiking Neuron Adaptive Processor ）。已经有了赌场的应用。
- GeneralVision的CM1K、NM500 chip，以及NeuroMem IP。这家公司的CM1K芯片有1k个神经元，每个神经元对应256Byte存储。虽然无法和强大的TrueNorth相提并论，但是已有客户应用。并且，提供BrainCard，上面有FPGA，并且可以直接和Arduino以及Raspberry Pi连接。
- Knowm。这家start-up在忆阻器（memristor）技术基础上做“processing in memory”的AI芯片研发。不过，与前面提到的Mythic（IPU部分）不同的是，Known做的是类脑芯片。Knowm所用的关键技术是一种称为热力学内存(kT-RAM)的memory，是根据AHaH理论(Anti-Hebbian and Hebbian)发展而来。
- Koniku。成立于2014年的start-up，要利用生物神经元来做计算，”Biological neurons on a chip”。
15、
。光流处理器。有需要用专门的芯片来实现光流算法吗？
不知道，但是，用ASIC IP来做加速应该是要的。
16、
物理处理器。要先解释一下物理运算，就知道物理处理器是做什么的了。物理计算，就是模拟一个物体在真实世界中应该符合的物理定律。具体的说，可以使虚拟世界中的物体运动符合真实世界的物理定律，可以使游戏中的物体行为更加真实，例如布料模拟、毛发模拟、碰撞侦测、流体力学模拟等。开发物理计算引擎的公司有那么几家，使用CPU来完成物理计算，支持多种平台。
Ageia于2006年发布了PPU芯片PhysX，还发布了基于PPU的物理加速卡，同时提供SDK给游戏开发者。2008年被NVIDIA收购后，PhysX加速卡产品被逐渐取消，现在物理计算的加速功能由NVIDIA的GPU实现，PhysX SDK被NVIDIA重新打造。
17、
量子处理器。量子计算机也是近几年比较火的研究方向。作者承认在这方面所知甚少。可以关注这家成立于1999年的公司D-Wave System。DWave大概每两年可以将其QPU上的量子位个数翻倍一次。
18、
阻抗处理单元RPU。这是IBM Watson Research Center的研究人员提出的概念，真的是个处理单元，而不是处理器。RPU可以同时实现存储和计算。利用RPU阵列，IBM研究人员可以实现80TOPS/s/W的性能。
光线追踪处理器。Ray tracing是计算机图形学中的一种渲染算法，RPU是为加速其中的数据计算而开发的加速器。现在这些计算都是GPU的事情了。
19、
流处理器。流处理器的概念比较早了，是用于处理视频数据流的单元，一开始出现在显卡芯片的结构里。可以说，GPU就是一种流处理器。甚至，还曾经存在过一家名字为“Streaming Processor Inc”的公司，2004年创立，2009年，随着创始人兼董事长被挖去NVIDIA当首席科学家，SPI关闭。
语音识别处理器，SPU或SRPU。这个缩写还没有公司拿来使用。现在的语音识别和语义理解主要是在云端实现的，比如科大讯飞。科大讯飞最近推出了一个翻译机，可以将语音传回云端，做实时翻译，内部硬件没有去专门了解。和语音识别相关的芯片如下：
- 启英泰伦（chipintelli）。于2015年11月在成都成立。该公司的CI1006是一款集成了神经网络加速硬件来做语音识别的芯片，可实现单芯片本地离线大词汇量识别。
- MIT项目。今年年初媒体爆过MIT的一款黑科技芯片，其实就是MIT在ISSCC2017上发表的paper里的芯片，也是可以实现单芯片离线识别上k个单词。可以参考阅读“分析一下MIT的智能语音识别芯片”。
- 云知声（UniSound）。云知声是一家专攻智能语音识别技术的公司，成立于2012年6月，总部在北京。云知声获得了3亿人民币战略投资，其中一部分将用来研发其稍早公布的AI芯片计划，命名“UniOne”。据官方透漏，UniOne将内置DNN处理单元，兼容多麦克风、多操作系统。并且，芯片将以模组的形式提供给客户，让客户直接拥有一整套云端芯的服务。
20、
Google的张量处理器。TPU项目开始于2014年。2016年AlphaGo打败李世石，2017年AlphaGo打败柯洁，两次人工智能催化事件给芯片行业带来的冲击无疑就是TPU的出现和解密。
Google在2017年5月的开发者I/O大会上正式公布了TPU2，又称Cloud TPU。相比于TPU v1，TPU v2既可以用于training，又可以用于inference。TPU v3是在TPU v2的基础上做了进一步的性能提升，可参考下图。
具体可以看这篇知乎文章浅谈Google TPU。
21、
暂无
22、
视觉处理器VPU也有希望成为通用名词。作为现今最火热的AI应用领域，计算机视觉的发展的确能给用户带来前所未有的体验。为了处理计算机视觉应用中遇到的超大计算量，多家公司正在为此设计专门的VPU。
- Movidius（已被Intel收购）。Movidius成立于2006年，总部位于硅谷的San Mateo，创始人是两个爱尔兰人，所以在爱尔兰有分部。Movidius早期做的是将旧电影转为3D电影的业务，后期开始研发应用于3D渲染的芯片，并开始应用于计算机视觉应用领域（这说明：1，芯片行业才是高技术含量、高门槛、高价值的行业；2，初创公司要随着发展调整自己的战略）。Movidius开发的Myriad系列VPU专门为计算机视觉进行优化，可以用于 3D 扫描建模、室内导航、360°全景视频等更前沿的计算机视觉用途。例如，2014年，谷歌的Project Tango项目用 Myriad 1帮助打造室内三维地图；2016年，大疆的“精灵4”和“御”都采用了Movidius 的 Myriad 2芯片。采用TSMC 28nm工艺的Myriad2中集成了12个向量处理器SHAVE (Streaming Hybrid Architecture Vector Engine)。按照Movidius的说法，SHAVE是一种混合型流处理器，集成了GPU、 DSP和RISC的优点，支持8/16/32 bit定点和16/32 bit浮点计算，而且硬件上支持稀疏数据结构。此外，Myriad2中有两个RISC核以及video硬件加速器，可以同时处理多个视频流。2017年8月28日，Movidius宣布推出新一代VPU：Myriad X。与上一代Myriad2比，Myriad X将集成DNN加速器：神经计算引擎（Neural Compute Engine），支持浮点16bit和定点8bit。据称，DNN推理吞吐量能达到1TOPS，而理论运算量能达到4+ TOPS。Myriad X有四个128位VLIW矢量处理器，支持最新的LPDDR4，并且支持4K硬件编码，支持USB3.1和PCIe3.0。工艺上，使用TSMC 16nm。
- Inuitive。一家以色列公司，提供3D图像和视觉处理方案，用于AR/VR、无人机等应用场景。Inuitive的下一代视觉处理器NU4000采用28nm工艺，选择使用CEVA的XM4 DSP，并集成了深度学习处理器和深度处理引擎等硬件加速器。
- DeepVision。一家总部位于Palo Alto的start-up，为嵌入式设备设计和开发低功耗VPU，以支持深度学习、CNN以及传统的视觉算法，同时提供实时处理软件。
这里是visual，不是vision。ATI一开始称自家显卡上的芯片为VPU，后来见贤思齐，都改叫GPU了。
视频处理器。处理动态视频而不是图像，例如进行实时编解码。
向量处理器。标量处理器、向量处理器、张量处理器，这是以处理器处理的数据类型进行的划分。现在的CPU已经不再是单纯的标量处理器，很多CPU都集成了向量指令，最典型的就是SIMD。向量处理器在超级计算机和高性能计算中，扮演着重要角色。基于向量处理器研发AI领域的专用芯片，也是很多公司的选项。例如，前面刚提到Movidius的Myriad2中，就包含了12个向量处理器。
针对AI中的计算机视觉应用，各家DSP公司都发布了DSP的Vision系列IP。简单罗列如下：
- CEVA的XM4，最新的XM6 DSP。除了可以连接支持自家的硬件加速器HWA（CEVA Deep Neural Network Hardware Accelerator )，也可以支持第三方开发的HWA。前面提到的Inuitive使用了XM4。可以参考“处理器IP厂商的机器学习方案 – CEVA”。
- Tensilica（2013年被Cadence以3.8亿美元收购）的P5、P6，以及最新的C5 DSP。一个最大的特色就是可以用TIE语言来定制指令。前面微软的HPU中使用他家的DSP。可以参考“神经网络DSP核的一桌麻将终于凑齐了”。
- Synopsys的EV5x和EV6x系列DSP。可以参考“处理器IP厂商的机器学习方案 – Synopsys”。
- Videantis的v-MP4系列。Videantis成立于1997年，总部位于德国汉诺顿。v-MP4虽然能做很多机器视觉的任务，但还是传统DSP增强设计，并没有针对神经网络做特殊设计。
23、
一家印度公司Ineda Systems在2014年大肆宣传了一下他们针对IOT市场推出的WPU概念，获得了高通和三星的注资。Ineda Systems研发的这款“Dhanush WPU”分为四个级别，可适应普通级别到高端级别的可穿戴设备的运算需求，可以让可穿戴设备的电池达到30天的持续续航、减少10x倍的能耗。但是，一切似乎在2015年戛然而止，没有了任何消息。只在主页的最下端有文字显示，Ineda将WPU申请了注册商标。有关WPU的信息只有大概结构，哦，对了，还有一个美国专利。
智慧处理器。这个WPU听起来比较高大上，拿去用，不谢。不过，有点“脑白金”的味道。
24、
2017年，在加州Hot Chips大会上，百度发布了XPU，这是一款256核、基于FPGA的云计算加速芯片。百度自研了AI芯片“昆仑”，瞄准云计算和边缘用例。该芯片采用三星的14nm制程，内存带宽为512GBps，每秒可运行260Tops，功率为100瓦，是百度为云计算、边缘计算和人工智能的设计的神经处理器架构XPU，它支持处理自然语言的预训练模型Ernie，相对传统的GPU/FPGA模型，推理速度可以加快3倍。
百度在自研深度学习平台Paddle（飞桨）上下了血本。目前Paddle Lite已支持百度XPU在x86和arm服务器（例如飞腾 FT-2000+/64）上进行预测部署。详情可查看Paddle Lite使用百度XPU预测部署。
25、
暂无
26、
挪威公司Zylin的CPU的名字。为了在资源有限的FPGA上能拥有一个灵活的微处理器，Zylin开发了ZPU。ZPU是一种stack machine（堆栈结构机器），指令没有操作数，代码量很小，并有GCC工具链支持，被称为“The worlds smallest 32 bit CPU with GCC toolchain”。Zylin在2008年将ZPU在opencores上开源。有组织还将Arduino的开发环境进行了修改给ZPU用。
AI芯片厂商虽然推出了各式各样的自家产品，但是大厂的资金实力和技术积淀还是更胜一筹，所谓的独角兽也只是在融资上站稳脚跟，能否扭转盈亏还是要靠实际的产品说话。再过若干年，上述“xPU”还能存活多少都犹未可知。
ps：如果只想了解常用的“xPU”，看看这篇文章就可以了。