一个TPU(如图所示)由四个专用集成电路组成，配有64GB的“超高带宽”内存。这一组合单元可以提供高达180 teraflops的性能。今年晚些时候，谷歌计划增加一个集群选项，让云客户将多个TPU聚合成一个“Pod”，速度达到petaflop的范围(是teraflop的1000倍)。

　　在今天的公告中谷歌并没有分享更多的性能细节。不过，去年谷歌的两位顶级工程师写的一篇博客文章显示，当时内部使用的Pod包括64个TPU，总吞吐为11.5 petaflops。相比之下，世界上功能最强大的超级计算机可以达到93 petaflops，但值得注意的是，谷歌很可能没有使用相同的基准测试方法来测量TPU的速度。

　　无论哪种方式，这些芯片都是Google云平台的一个重要补充。当谷歌于去年4月首次向全世界展示TPU规格的时候，它透露该芯片至少可以运行某些机器学习工作负载，比现有的芯片快15至30倍。这就包括特别适合用于机器学习模型的GPU。GPU的主要制造商包括Nvidia和AMD公司，这两家公司仍然是当今大多数项目的首选。

　　因此，谷歌的云客户应该能够更快速地培训和运行他们的人工智能软件。谷歌表示，一个TPU可用于在一天之内实施主流ResNet-50图像分类模型，达到可接受的精确度水平。

　　谷歌已经创建了几个预先优化的神经网络包，让客户可以将其运行在TPU上，其中包括一个ResNet-50版本，以及用于机器翻译、语言建模和识别图像内物体的模型。企业客户也可以使用谷歌的开源TensorFlow机器学习引擎创建自己的人工智能工作负载。

　　喜欢使用传统图形卡进行人工智能项目的客户，今天也看到了一项新的功能。谷歌为其Kubernetes Engine服务添加了GPU支持，以允许将机器学习模型打包到软件容器中。后一种技术提供了一个轻量级抽象层，使开发人员能够更轻松地推出更新并跨环境迁移应用。

　　这个新的TPU价格为每小时每单元6.50美元，而通过Kubernetes Engine租赁的GPU将按谷歌现有的每种支持芯片型号收费。

　　这种芯片对于各种人工智能任务、特别是对于一些计算机工作负载而言的就绪情况，仍然不明确。Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示：“TPU是一个很好的试水方式，但并一定适合于运行生产工作负载。GPU是进行训练的最佳方式。锁定到TPU，意味着被GCP和TensorFlow锁定。”

　　而且谷歌也不是唯一追求自主开发人工智能芯片的公司。芯片巨头英特尔公司一直在推销其最新用于人工智能工作负载的CPU，以及称为FPGA的定制芯片。

　　据The Information报道称，亚马逊公司正在开发自己的人工智能芯片，该芯片可以帮助其Echo智能音箱和其他使用其Alexa数字助理的硬件在设备上执行更多处理任务，以便它可以比调用云的响应速度更快。