AI 芯片主要分为GPU、FPGA、ASIC，当前主流的AI 芯片是GPU，未来可能被ASIC 替代。
三类AI 芯片之间的区别在于适用范围不同。GPU 属于通用型芯片，ASIC 则属于专用型芯片，而FPGA 则是介于两者之间的半定制化芯片。三种AI 芯片各有优劣，但是由于当前用量有限，ASIC 难以形成规模，而FPGA 的量产成本高，相比于GPU 而言开发门槛又高，因此目前二者在AI 芯片市场的占比均不高，GPU 由于运算速率快，且通用性强，开发难度又相对较低，因此在目前及未来一段时间都将占据主流地位。但是随着AI 芯片市场规模的扩大，预计在未来某个时间点，高性能、功耗低，量产成本又低的ASIC 将对功耗高、成本高的GPU 形成替代，成为主流的AI 芯片。而FPGA 由于功能可修改这一优势，在算法不断更新、迭代的环境下将有很强的竞争优势，在需求量较小的专用领域将保持住一定的市场份额。
三种AI 芯片的对比：
| 指标 | GPU | FPGA | ASIC |
| 特点 | 通用型 | 半定制化 | 专用型 |
| 芯片架构 | 叠加大量计算单元和高速内存，逻辑控制单元简单 | 具备可重构数字门电路和存储器，根据应用制定 | 电路结构可根据特点领域应用和特定算法定制 |
| 擅长领域 | 3D图像处理，密集型并行运算 | 算法更新频繁或者市场规模较小的专用领域 | 市场需求量大的专用领域 |
| 优点 | 计算能力强，通用性强，开发周期短，难度小，风险低 | 功能可修改，高性能、功耗远低于GPU，一次性成本低 | 专用性强、性能高于FPGA、功耗低、量产成本低 |
| 缺点 | 价格贵、功耗高 | 编程门槛高、量产成本高 | 开发周期长、难度大、风险高、一次性成本高 |
券经济与金融研究院整理
AI 芯片的算力远高于MCU 的原因在于二者的逻辑架构中，ALU 的比重不同。通过对比AI 芯片和MCU 的逻辑架构，我们可以解释为什么AI 芯片的算力远高于MCU。由于AI 芯片主要分为三类，因此我们可以选取当前市场上处于主流地位，同时性能又相对普通的GPU 来作对比；由于MCU 是在CPU 的基础上整合内存、计数器等其他模块组成的芯片级计算机，它的算力与CPU 处于同一量级，甚至略低于CPU（MCU 中的CPU 是经过适当缩减频率和规格后才整合其他模块的），因此我们可以用CPU 代替MCU 来作对比。通过对比GPU 和CPU 的逻辑架构，我们可以发现二者的ALU（算术逻辑单元）的比重有很明显的区别。在CPU 当中，ALU 的占比仅5%，而在GPU 当中，ALU 的占比却有40%，而这便是GPU 的算力远高于CPU 的主要原因，同样也是AI 芯片的算力远高于MCU 的主要原因。
