终端的场景为什么一定要用终端芯片，而不能通过一个捕捉器做网络传输送到云端、送到服务器端，用服务器的CPU、或GPU、或TPU去处理，然后再返回数据呢？
是因为你的网络无论多快，中间都有几百毫秒的时间差，而终端芯片未来都需要做到当机立断、直接分析。
比如一个机器人，它看到你之后，需要迅速分析出你有什么特点，并跟你对话。这个过程中，如果机器人只有接收器，需要传送到云端再回来，无论网络多快，都会有时间差。
所以，为了提高响应速度，终端开始催生自带处理器的需求，比如能做图像识别、语义识别、语音识别，运动机能的一些处理等，那么这个时候，终端就需要具备一定的人工智能能力（AI能力）。
专用芯片起势后，玩家们到底比拼什么？
当专用芯片这个需求起来之后，玩家们就要开始比拼了，具体来说，比的是：
第一，你的硬件结构是不是最优。
硬件行业的特点是：没有最优、只有更优。
硬件永远都在迭代，背后的原因，主要是摩尔定律在起作用。此外，当摩尔定律晶体管变成量子化的东西后，它会继续进化，从分子层面进到原子内部层面，再继续找其它的计算位。
第二，算法是不是最优。
前两年大家非常痴狂的去搞神经网络算法的时候，变体非常多，从最开始简算的RNN变到LSTM，变到更为复杂的结构，从最开始设计CNN，到CNN的复杂结构，再到用CNN做对抗网络…
在大家疯狂竞争算法的时候，2017年又出来一个理论说：神经元的基础单元不应该是神经，而应该是一个胶囊；这样一来，算法底层又改了，Hinton先生把自己30年前的学术成果给推翻了。在Capsule Network中，in&out在单个处理单元上变得更复杂，虽然网络连接过程还是原来的样子。
所以，很多人又只能整个推翻，重来。
第三，工程细节是不是最优。
人们也发明了很多种方法，比如原来是全连接的，后来又有CNN部分模块连接，然后又出现了很多类似Dropout的模式，连接着同时遗忘着，发现比正常的还更好。
第四，工程上的创新每天都在发生。
每个工程师都有工程上的创新。100个工程师里如果有一个工程师有了意义深远的创新，那么对于整个行业来说，又是一场大变革。
无论是怎样的创新，都在不断突破，不断提升效率。比如，在算法上，AlphaGoMaster和AlphaGo Zero，后者的效率相对前者就有突飞猛进的增长。
所以，一旦底层被改变，一切又变得不一样了，又得迭代。比如，原来可能是20秒解决，你能19.8秒解决；但现在，突然底层一变，你变成10秒解决了，就又是一层迭代了。
没办法，这个行业就是这样。
从硬件、软硬结合，软件、算法几个方面来看，每天都在迭代，所以它很难：由于它没有定型，无定型态的结果导致对专用芯片的固定性要求是非常苛刻的。
因为专用芯片很大的问题是一旦定板、开模，这个东西就不能改，这是一个很大的问题。所以，如何做一个适用性最强的专用芯片，这是非常重要的。一般的专用芯片做完之后，比如只服务于某一种语音识别机的芯片，一旦算法更新，底层对模块的要求就又不一样了，那么这个专用芯片就不能用了。于是，只能再做一个新的专用芯片。
这个事情的迭代速度太快了。
芯片的三种类型：
前面大致罗列了专用芯片崛起的背景，接下来我们具体聊一下芯片到底有哪三种类型：
集成型的芯片（CPU、GPU、TPU），属于它的模块阵列非常统一的，它能处理几乎所有的事情，又叫通用型芯片
FPGA可编程门阵列
专用芯片
其中，FPGA相当于编写硬件，通过改变硬件可以随时调整功能逻辑，但FPGA有以下几个大问题：
成本比较高，真正好的FPGA要8000元-1万元。
编写复杂，门槛高，修改难度大。
编程过程中的效率比高级算法低，这样就导致开发难度也比较大。
所以，FPGA是个过渡过程，它能够衔接通用型芯片和底层专用芯片。
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------