近来外媒传出 Google 旗下波士顿动力机器人公司将被丰田收购，交易基本完成的消息。看了这消息有的人也许会问，为什么中国公司没尝试购买这公司，答案很简单：一是你买也买不到，和军事相关度高的行业美国外资投资委员会这种机构是专门负责毙掉有些国家的企业的（想想有外国资本要收购中国移动，国资委会干什么）；一是机器人到底怎么来到世间，其实在商业上还看不太清楚，而商业前景不清楚必然会导致动力不足。前一点是一种交易细节，略过不提，下面我们来展开谈谈机器人这产品到底会怎么渗透进人类的生活。现世兼容与铁轨计划每种生物都在漫长的时间里进化出了属于自己的，最适合环境的形态，比如青蛙的形态就比较适合跳高再入水，当人类在高速列车上解决类似破障的情形时，那就需要把车头做的和青蛙类似。这是一个生物适应环境而改变自己的过程。但人类利用机器的过程与此不同，人类通常会改变机器的存在环境来让机器的优势最大化，比如人类为了让火车能跑要各个地方修铁轨，为了让汽车能跑要各个地方要修公路，而不是尝试做一种可以适应各种地理环境的火车或者汽车。网络创业培训研究中心这两种思路正对着两种研发机器人的思路，前者的代表性产品就是人形机器人，后者的代表则是Google做的那种自动驾驶汽车。人形机器人最主要的好处在于可以和人类的行为兼容度极高，如果它的核心问题比如能源动力、平衡等可以解决，那在文明社会中凡是人能做的事情它都可以做，而如果换成轮式或履带式，那比如爬没有电梯的楼就会成问题。这和动物进化自己适应环境并没差别，人形机器人是对现有人类社会形态的终极适应。自动驾驶汽车看着走的是兼容现有驾驶习惯的路线，但其实Google的那种自动驾驶非常依赖于高精度的地图。更进一步的自动驾驶思路是为自动驾驶汽车加入明显标识，这会导致自动驾驶的实现难度进一步下降。如果按照这条路线展开，那就和为了火车修铁轨，为了汽车修公路相差不多。眼下还无法预测自动驾驶会怎么走，但显然铁轨的方向看着更靠谱一些。难道我们能拿很多的事故验证其可行性？就像我们很难建造一种直接适应自然环境的火车一样，人形机器人要想成功路还很长，因为它实质上也需要与人的智慧相当的智能，否则是不足以处理复杂多变的环境的。总的来看，能动的机器人要来到世间，那就只有这两条路好走：要么兼容现世，要么走铁轨路线，前者对技术提出更高的要求，后者一旦牵涉公共领域，那受社会政治影响较大。机器人会从哪里首先突破？抛开不能动的机器人（亚马逊Echo等）不论，能动的机器人基本上可以确定会在垂直领域用铁轨计划进行落地。现在即使做机器人的企业也并没有意识到这点，但我们有理由相信最终大家会不约而同的走上这条道路。因为在垂直领域即可以用铁轨计划降低技术难度，又可以避开繁琐的社会事务处理过程。此前有报道称万科研究了一种巡逻机器人。那种机器人有点像把一个人形物体放在了滑板车上，看着略有一点滑稽和山寨气息。但如果我们不那么穷究产品细节，单从万科介入机器人这事就可以感受到一点在垂直领域机器人要产生切实作用的气息。万科做机器人只可能有两个收益：一个公关上的影响力提升，一个是切实想解决人力成本上升下的巡逻问题。眼下在中国更可能两者都有，但人力成本越上升后者的权重就会越重。保安实在是个很适合用机器人取代的行业。因为小区或园区的环境相对固定，更容易建立那种高精度的地图，相当于为机器人铺上铁轨。其次是低速并且所要处理的环境相对单一，这都有助于拉低技术门槛。而保安本身实际能发挥的作用更多的其实就是摄像头的作用，很多时候我们很难指望保安真的去抓捕小偷。当技术问题可以通过技术自身的发展和产品上的折中解决之后，那剩下的只是性价比问题。而控制成本这事其实和规模和摩尔定律有关，过去很多年的经验都在告诉我们一旦技术问题解决那产品先天有变低价的趋势，数字的部分越多变低价的速度越快。当然垂直类场景并不只是局限于保安，其中扫地机器人其实已经足够大的销量了。NC、PC之争再次重来年纪大点的IT人可能记得在486那个年代，Oracle这种公司曾经提出过Network Computer的概念。简单理解就是这种电脑主要是一个显示器，主要的计算等都靠网络解决，这思路的现代直属后裔看起来是Chromebook。显然这思路在那个年代失败了，在今天也还没成功。手机虽然极度依赖网络，但自身所蕴含的计算能力也是极为庞大的，我们经常听说的骁龙820处理器等增强的都是终端处理能力。在机器人上依赖云端还是终端这问题再次出现了。拉动这次人工智能进展的深度学习骨子里需要大量数据和计算量，所以其实是一种云端方案。而无数的事实告诉我们由于网络的可靠性和传输速率完全达不到产品内部各种总线的程度，要想做出体验好的终端产品，必须提升终端的计算量，进行一定程度的本地处理。这就是为什么国内有寒武纪国外有Movidus的原因。很多人会把他们的产品称为人工智能芯片，通俗的也可以看成是GPU的小型化。这种芯片的核心目的是提高终端的计算能力。但故事到这里还没完，不管终端的计算能力怎么提升，预计也不会达到云端的那种程度，这反过来就又会挑战深度学习，检验它究竟是否能在端上达到和云端一样的效果。所以说真的机器人的出现有赖于终端上高计算能力芯片的出现，以及深度学习在相对小的计算能力和数据量上的效果。有了这种基础才是后面各个点的展开，比如通过计算机视觉算法识别物体，通过深度摄像头感知距离，通过激光雷达来感知远处的物体等。如果是汽车，上面这些问题固然可以拉一个GPU的机柜，但这显然对于小点的机器人是不适合的。这反过来可以验证上面的结论，机器人更会在垂直场景下实现，因为在垂直场景下可以通过建立更稳定的局域网络来做弥补，更容易做出来终端和云端结合的方案。最后，机器人这事现在来看是大脑发展的比身体发展的快，声音相关的领域发展的比计算机视觉领域快。所以第一个成熟的产品是Echo，下一个成熟的品类则可能是垂直的机器人，而所谓的人形机器人其成熟则还会在普遍意义的自动驾驶之后。

            导读：一虚拟运营商人士称，虚商在垃圾短信的拦截上仍依靠基础运营商。虚商无法主动屏蔽关键词短信或群发频率很高的短信，只能通过基础运营商寄送的话费清单，进行事后管控。　　近日，工信部公布《关于电信服务质量的通告》，通报2016年第一季度电信服务有关情况。值得注意的是，本次报告首次公布了虚拟运营商（下称“虚商”）的投诉情况，虚商成为垃圾短信的“重灾区”。　　报告显示，今年一季度，12321网络不良与垃圾信息举报受理中心受理有效垃圾短信举报31411件次，同比上升49.4%，环比下降27%。其中移动通信转售业务垃圾短信息共计7237件次，同比上升364.9%，环比下降40.5%。　　此外，工信部推广“实名制”的力度不断加大。此前，工信部下发通知，要求各基础电信企业确保在2016年12月31日前本企业全部电话用户实名率达到95%以上，2017年6月30日前全部电话用户实现实名登记。除此之外，工信部于4月底亦下发《关于加强规范管理促进移动通信转售业务健康发展的通知》，要求虚商立即开展自查自纠，在1个月内对前期未实名登记、虚假登记的电话号码完成用户身份信息补登记等工作。　　“目前的实名制推广在基础运营商方面没有太大困难。尽管去年三家基础运营商新入网用户达到最低点，但从长远来看，实名制推广将促使他们更加有针对性地对用户进行服务。”工信部网安局副巡视员隋静就实名制推广一事表示，“虚拟运营商则仍存在一定问题。他们刚刚进入通信领域，急于发展用户，是实名制推广的一个重灾区。”　　实名制“重灾区”　　2013年9月1日起便全面开始实施的电话用户真实身份信息登记（以下简称“实名登记”），在两年后达到一个小高潮。2015年9月1日起，按照工信部及运营商的统一安排，我国开始全面实施手机号实名登记，执行力度堪称史上最严。工信部更是立下“军令状”：当年12月31日前，实名率提升至90%以上。未及时完成实名制登记的用户，运营商将对其进行停机处理。　　近日，工信部再次祭出大招，要求各基础电信企业确保在2016年12月31日前本企业全部电话用户实名率达到95%以上，2017年6月30日前全部电话用户实现实名登记。与此同时，工信部亦下发通知，要求虚商立即开展自查自纠，在5月底之前对前期未实名登记、虚假登记的电话号码完成用户身份信息补登记等工作。　　“电话实名制自2013年推出以来，电信运营商企业基本按照要求推行实名制。截至今年一季度，全国用户实名登记比例达92%，超出此前‘任务’规定的90%的比例。”隋静表示。　　然而，成绩背后亦有隐忧。“现在虚拟运营商已成为垃圾短信的重要来源，在实名制推广上也存在一定问题。”工信部电信研究院相关人士向21世纪经济报道记者直言，“虚拟运营商的渠道延伸并不深入，对渠道的把控并不严格，作为刚刚进入市场的主体，管理经验也比较欠缺。”　　事实上，随着虚拟运营商近两年来逐渐进入市场，许多意欲办理非实名制卡的人都纷纷转向了虚商。这也使得虚拟运营商业务成为不愿实名的推销卡、诈骗卡的集中地。有数据显示，在近期的恶意诈骗短信中，近44%来自170/171号段。　　不过，12321网络不良与垃圾短信举报受理中心有关人士向21世纪经济报道记者指出，对于虚拟运营商及170/171号段不应一刀切。“从举报总量的来源来看，其实基础运营商的举报比例远高于虚拟运营商。基础运营商的举报量大约占总量的70%-80%，而虚拟运营商仅占20%-30%。”　　但从投诉率而言，虚拟运营商前景依然不容乐观。“虚拟运营商的用户基础太小，因而从现有情况来看，投诉率高企。”前述工信部电信研究院人士向21世纪经济报道记者强调。今年4月底，工信部组织电信企业对14万多个涉及通讯信息诈骗等犯罪的电话号码进行快速关停，其中基础电信企业号码85189个，在总用户中占比仅0.0085%左右，而虚拟运营商号码60202个，占比0.3%左右，高出基础运营商水平的35倍多。　　　虚商的自我革新　　尽管虚商被贴上实名制“重灾区”的标签，但值得一提的是，部分虚商已经开始了革新之路。　　“据了解，虚拟运营商在推行实名制方面的态度总体还是很积极的。”12321网络不良与垃圾短信举报受理中心有关人士告诉21世纪经济报道记者，“包括对短信的系统记录、异常号码停机等处理方式的响应上，虚商可能更胜于基础运营商。”　　据21世纪经济报道记者此前了解，蜗牛移动已与国政通完成对接，在线上实现人证照上传验证；同时调整了产品定价策略，提高了免卡售价，并关停了短信功能；举报机制上亦设立24小时举报热线10040转7和垃圾短信举报平台，鼓励群众积极举报身边的非实名售卡行为。　　“蜗牛正持续推进实名制工作，力保新增用户100%实名登记，并逐步提高老用户实名登记率。”蜗牛移动总裁陈艳就此表示。　　记者获悉，截至5月9日，蜗牛移动共发展转售业务用户超过600万，尚未完成实名制认证的用户约占12%。而目前，蜗牛移动对存量用户已基本完成了二次身份证信息核验，未实名或虚假信息所购电话卡已通过官网、短信、回访、登报等方式进行通知，“目前工作还在开展中，具体数据尚未完全统计好。”蜗牛移动相关人士表示。　　尽管态度积极，但在电话治理方面，虚商的面前也横亘着一定的行业难题。“虚商在垃圾短信的拦截上依靠基础运营商，”蜗牛移动市场总监徐崇贤告诉21世纪经济报道记者，“虚商无法主动屏蔽关键词短信或群发频率很高的短信，只能通过基础运营商寄送的话费清单，进行事后管控。”

作为一家估值高达450亿美元、仅次于Uber估值规模排名全球第二的初创公司，自去年未能完成1亿部手机销售目标后，小米科技就一直处于媒体的聚光灯下。今年4月底，由于IDC公布的2016年全球智能手机厂商出货量排行榜上，小米因为没有出现在前五强的名单上，在整个5月再次饱受业界的质疑。　　在此背景之下，小米科技董事长兼CEO雷军在5月18日的内部信中释放出内部调整的强烈信号：小米科技联合创始人、副总裁周光平出任首席科学家，全力负责手机技术前沿领域研究；小米手机研发和供应链团队，将直接向雷军汇报。　　小米手机研发和供应链团队原本是由周光平负责，现在为何改为雷军亲自挂帅？雷军将通过哪些手段改变小米的现状？针对这些问题，小米科技相关负责人近日在接受《中国经营报》记者采访时表示，“手机技术方向迫切需要我们做大量的前瞻性研究，我们希望光平在科技前沿领域方面带给大家更多的惊喜。其他方面我们不做过多评价。”　　一位业内人士在接受采访时表示，亲自接管研发和供应链，意味着雷军希望改变小米手机的供货现状，并在前沿技术上进行布局；另外，小米正在加快“小米之家”由“服务店”向“线下零售店”转变的步伐和规模，这表明小米也将由线上走向线下，或许这是一个好的改变。　　小米“减速”　　小米科技2010年4月成立，2011年8月推出第一款手机，当年仅出货30万台；2012年出货719万台，同比暴涨2400%；2013年出货1870万台，同比大涨260%；2014年出货达到6112万台，再次同比大涨227%，销售收入也达到了743亿元。　　就是在这种背景下，小米于2014年年底完成第五轮、11亿美元融资，估值达到450亿美元。也是在这种背景下，业界希望小米在2015年继续高歌猛进，雷军也为小米的2015年定下了销量1亿台、收入超过1000亿元的目标。但是此后，雷军发现势头不好了对外改口称，“2015年小米手机的目标是保底8000万台，并努力冲击1亿台。”　　《财富》杂志最新报道披露，小米2015年营收为780亿元，相比2014年同比增长5%。在接受《财富》杂志求证时，小米发言人称，“我们从未分享过营收数据。我们能提供的数据就是，尽管智能手机市场出现萎缩，但我们去年的销量还是超过了7000万台。” IDC的数据也显示，小米2015年智能手机总销量为7100万部。参照此前几年的扩张速度，毫无疑问，小米这列高速列车2015年确实“减速”了。　　问题在于，小米在2016年第一季度的态势是更快“减速”，而不是掉头“加速”。来自IDC的排名数据显示，尽管2015年呈现出“减速”趋势，小米在2014年、2015年都保持了中国第一、全球第五智能手机厂商的地位；但到2016年第一季度，小米已淡出全球前五榜单，在中国市场，小米甚至一下子跌落到第五名。　　针对销量数据，小米科技相关负责人在接受《中国经营报》记者采访时表示，该公司对第三方数据不予置评。　　三重挑战　　面对2015年小米手机“减速”的形势，雷军2016年年初在内部讲话中似乎还十分淡定地表示，小米要实行“去KPI”战略——今后不准再说小米第一，销量数据已经不再那么重要了，应该“大胆探索”和“享受科技的乐趣”等。但看到2016年第一季度的最新形势，雷军估计是坐不住了，果断亲自披挂上阵。　　“一提到小米手机，很多人的第一反应便是饥饿营销、高性价比等标签，可随着移动互联网人口红利的逐渐见顶，国内智能手机市场渐渐饱和，小米在线上饥饿营销的短板逐渐暴露，致使增长趋缓。”前述受访业内人士认为，450亿美元的估值意味着75倍左右市盈率，意味着小米必须保持快速增长，若小米不能逆转“减速”的局势，恐怕很多人都要问问小米还值不值450亿美元了；此番雷军亲自挂帅，首先要改变的就是过去小米轻技术、重营销的市场形象。　　其次是供货能力问题。因为最近一段时间，业内一直在诟病小米尊享版发布多日仍然没法送到用户手中的问题，市场上甚至传出了小米尊享版无法量产的消息。不过，小米手机代工厂商英业达近日披露：为了赶工小米订单，特别是小米5的订单，该公司在南京的生产基地目前产能利用率已突破九成；同时，为了解决产能不足的问题，该公司在南京的二期新厂已陆续启用，二期厂房较一期厂房略大，最高年产能可达到4450万台。　　另外，从OPPO、vivo崛起轨迹看，小米也必须要认真考虑从线上走向线下的问题了。据记者了解，小米正加速把“小米之家”由“服务店”升级为“线下零售店”，并在全国快速将规模扩展到200~300家。小米方面也将“小米之家”的升级视为小米对线下渠道的拓展，对小米电商模式的补充。小米方面公开表示，小米官方直营零售店是不断对未来的线下零售模式的探索，打造新国货背景下的新零售。网络创业培训研究中心

Google I/O是由Google举行的网络开发者年会，讨论的焦点是用Google和开放网络技术开发网络应用。这个年会自2008年开始举办，到今年已经是举办的第9届了。在今年的年会上，Google主要发布了以下8种产品：智能助手Google Assistant，与Amazon Echo竞争的无线扬声器和语音命令设备Google Home，消息应用Allo，视频呼叫应用Duo，VR平台Daydream，独立应用程序的支持Android Wear 2.0，允许不安装而使用应用的Android Instant Apps，以及允许在Chromebook上使用Android应用Google Play on Chrome OS。网络创业培训研究中心而这8中产品主要都集中在了软件领域。（Google I/O 2016现场图via：webpronews.com）在Google I/O 2016的主题演讲进入尾声时，Google的CEO皮采提到了一项他们这段时间在AI和机器学习上取得的成果，一款叫做Tensor Processing Unit（张量处理单元）的处理器，简称TPU。在大会上皮采只是介绍了这款TPU的一些性能指标，并在随后的博客中公布了一些使用场景，并没有对这款处理器的架构以及内部的运作机制进行详细阐述，所以我们也许需要从一些常见的处理器的结构出发，试图猜测与探究下这款用于机器学习的专属芯片到底有着怎样的一个面孔。（Tensor processing unit实物图 via：cio-today.com）首先我们先来看看我们最熟悉的中央处理器（Central Processing Unit），简称CPU。它是一种超大规模的集成芯片，而且是一种通用芯片，也就是说，它可以用它来做很多种类的事情。我们日常使用的电脑使用的处理器基本上都是CPU，看个电影、听个音乐、跑个代码，都没啥问题。我们来看看CPU的结构CPU主要包括运算器（ALU，Arithmetic and Logic Unit）和控制器（CU，Control Unit）两大部件。此外，还包括若干个寄存器和高速缓冲存储器及实现它们之间联系的数据、控制及状态的总线。从上面的叙述我们可以看出，CPU主要包含运算逻辑器件、寄存器部件以及控制部件等。（CPU结构简化图 via：blog.csdn.net）从字面上我们也很好理解，运算逻辑器件主要执行算术运算、移位等操作，以及地址运算和转换；寄存器件主要用于保存运算中产生的数据以及指令等；控制器件则是负责对指令译码，并且发出为完成每条指令所要执行的各个操作的控制信号。我们可以运用下面这张图来说明一条指令在CPU中执行的大致过程：（CPU执行指令图 via：blog.csdn.net） CPU从程序计数器取到指令，通过指令总线将指令送至译码器，将转译后的指令交给时序发生器与操作控制器，然后运算器对数据进行计算，通过数据总线将数据存至数据缓存寄存器。我们从CPU的结构以及执行过程可以看出，CPU遵循的是冯诺依曼架构，冯诺依曼的核心就是：存储程序，顺序执行。从上面的描述我们可以看出，CPU就像一个有条不紊的管家，我们吩咐的事情总是一步一步来做。但是随着摩尔定律的推进以及人们对更大规模与更快处理速度的需求的增加，CPU好像执行起任务来就不那么令人满意了。于是人们就想，我们可不可以把好多个处理器放在同一块芯片上，让他们一起来做事，这样效率是不是就会高很多，这是GPU就诞生了。GPU诞生了GPU全称为Graphics Processing Unit，中文为图形处理器，就如它的名字一样，GPU最初是用在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上运行绘图运算工作的微处理器。因为对于处理图像数据来说，图像上的每一个像素点都有被处理的需要，这是一个相当大的数据，所以对于运算加速的需求图像处理领域最为强烈，GPU也就应运而生。（CPU与GPU结构对比示意图 via：baike.baidu.com）通过CPU与GPU结构上的对比我们可以看出，CPU功能模块很多，能适应复杂运算环境；GPU构成则相对简单，大部分晶体管主要用于构建控制电路（比如分支预测等）和Cache，只有少部分的晶体管来完成实际的运算工作。而GPU的控制相对简单，且对Cache的需求小，所以大部分晶体管可以组成各类专用电路、多条流水线，使得GPU的计算速度有了突破性的飞跃，拥有了更强大的处理浮点运算的能力。当前最顶级的CPU只有4核或者6核，模拟出8个或者12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，高端的甚至更多，这对于多媒体计算中大量的重复处理过程有着天生的优势。这就好比在画一幅画的时候CPU是用一支笔一笔一笔的来画，而GPU则是多支笔对不同的位置同时进行描绘，那自然效率就是突飞猛进的。（英特尔CPU与英伟达GPU浮点运算性能对比图 via：blog.sina.com.cn）虽然GPU是为了图像处理而生的，但是我们通过前面的介绍可以发现，它在结构上并没有专门为图像服务的部件，只是对CPU的结构进行了优化与调整，所以现在GPU不仅可以在图像处理领域大显身手，它还被用来科学计算、密码破解、数值分析，海量数据处理（排序，Map-Reduce等），金融分析等需要大规模并行计算的领域。所以GPU也可以认为是一种较通用的芯片。FPGA应运而生随着人们的计算需求越来越专业化，人们希望有芯片可以更加符合我们的专业需求，但是考虑到硬件产品一旦成型便不可再更改这个特点，人们便开始想，我们可不可以生产一种芯片，让它硬件可编程。也就是说——这一刻我们需要一个比较适合对图像进行处理的硬件系统，下一刻我们需要一个对科学计算比较适合的硬件系统，但是我们又不希望焊两块板子，这个时候FPGA便应运而生。FPGA是Field Programmable Gate Array的简称，中文全称为场效可编程逻辑闸阵列，它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。FPGA运用硬件描述语言（Verilog或VHDL）描述逻辑电路，可以利用逻辑综合和布局、布线工具软件，快速地烧录至FPGA上进行测试。人们可以根据需要，通过可编辑的连接，把FPGA内部的逻辑块连接起来。这就好像一个电路试验板被放在了一个芯片里。一个出厂后的成品FPGA的逻辑块和连接可以按照设计者的需要而改变，所以FPGA可以完成所需要的逻辑功能。 （FPGA结构简图 via：dps-az.cz/vyvoj）FPGA这种硬件可编程的特点使得其一经推出就受到了很大的欢迎，许多ASIC（专用集成电路）就被FPGA所取代。这里需要说明一下ASIC是什么。ASIC是指依产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。这里之所以特殊说明是因为我们下面介绍的TPU也算是一种ASIC。FPGA与ASIC芯片各有缺点，FPGA一般来说比ASIC的速度要慢，而且无法完成更复杂的设计，并且会消耗更多的电能；而ASIC的生产成本很高，如果出货量较小，则采用ASIC在经济上不太实惠。但是如果某一种需求开始增大之后， ASIC的出货量开始增加，那么某一种专用集成电路的诞生也就是一种历史趋势了，我认为这也是Google生产Tensor processing unit的一个重要出发点。至此，TPU便登上历史舞台。随着机器学习算法越来越多的应用在各个领域并表现出优越的性能，例如街景、邮件智能回复、声音搜索等，对于机器学习算法硬件上的支持也越来越成为一种需要。目前很多的机器学习以及图像处理算法大部分都跑在GPU与FPGA上面，但是通过上面的讲述我们可以知道，这两种芯片都还是一种通用性芯片，所以在效能与功耗上还是不能更紧密的适配机器学习算法，而且Google一直坚信伟大的软件将在伟大的硬件的帮助下更加大放异彩，所以Google便在想，我们可不可以做出一款专用机机器学习算法的专用芯片，TPU便诞生了。 （TPU板卡图 via：cloudplatform.googleblog.com） Google想做一款专用机机器学习算法的专用芯片——TPU从名字上我们可以看出，TPU的灵感来源于Google开源深度学习框架TensorFlow，所以目前TPU还是只在Google内部使用的一种芯片。Google其实已经在它内部的数据中心跑TPU跑了一年多了，性能指标杠杠的，大概将硬件性能提升了7年的发展时间，约为摩尔定律的3代。对于性能来说，限制处理器速度的最大两个因素是发热与逻辑门的延迟，其中发热是限制速度最主要的因素。现在的处理器大部分使用的是CMOS技术，每一个时钟周期都会产生能量耗散，所以速度越快，热量就越大。下面是一张CPU时钟频率与能量消耗的关系，我们可以看到，增长是指数性的。（CPU时钟频率与功耗关系图 via：electronics.stackexchange.com）从TPU的外观图我们可以看出，其中间突出一块很大的金属片，这便是为了可以很好地对TPU高速运算是产生大量的热进行耗散。TPU的高性能还来源于对于低运算精度的容忍，也就是说每一步操作TPU将会需要更少的晶体管。在晶体管总容量不变的情况下，我们就可以单位时间在这些晶体管上运行更多的操作，这样我们就可以以更快的速度通过使用更加复杂与强大的机器学习算法得到更加智能的结果。我们在TPU的板子上看到了插条，所以目前Google使用TPU的方式是将载有TPU的板子插在数据中心机柜的硬盘驱动器插槽里来使用。而且我觉得TPU的高性能还来源于它数据的本地化。对于GPU，从存储器中取指令与数据将耗费大量的时间，但是机器学习大部分时间并不需要从全局缓存中取数据，所以在结构上设计的更加本地化也加速了TPU的运行速度。（AlphaGo对战李世乭比赛中使用的载有TPU的服务器机架，不知道为什么侧面贴的围棋图有种萌感。via：googleblog.com）在Google数据中心的这一年来，TPU其实已经干了很多事情了，例如机器学习人工智能系统RankBrain，它是用来帮助Google处理搜索结果并为用户提供更加相关搜索结果的；还有街景Street View，用来提高地图与导航的准确性的；当然还有下围棋的计算机程序AlphaGo，其实这一点上也有个很有趣的地方，我们在描述AlphaGo的那篇Nature文章中看到，AlphaGo只是跑在CPU+GPUs上，文章中说AlphaGo的完整版本使用了40个搜索线程，跑在48块CPU和8块GPU上，AlphaGo的分布式版本则利用了更多的机器，40个搜索线程跑在1202个CPU和176块GPU上。这个配置是和樊麾比赛时使用的，所以当时李世乭看到AlphaGo与樊麾的对弈过程后对人机大战很有信心。但是就在短短的几个月时间，Google就把运行AlphaGo的硬件平台换成了TPU，然后对战的局势就艰难了起来。那么除了TPU可以更好更快地运行机器学习算法，Google发布它还有什么其他目的。我觉得说的玄幻一些，Google也许在下一盘大棋。Google说他们的目标是在工业界的机器学习方面起到先锋带头作用，并使得这种创新的力量惠及每一位用户，并且让用户更好地使用TensorFlow 和 Cloud Machine Learning。其实就像微软为它的HoloLens增强现实头显配备了全息处理单元（holographic processing unit，HPU），像TPU这样的专业硬件只是它远大征程的一小步，不仅仅是想让自己在公共云领域超过市场老大Amazon Web Services (AWS)。随着时间的推移，Google会放出更多的机器学习API，现在Google已经推出了云机器学习平台服务和视觉API，我们可以相信，做机器学习技术与市场的leader才是Google更大的目标。