Nvidia
GPU
英伟达最新的 GPU NVIDIA TESLA V100 单精度浮点性能达到15 TFlops，在新的 Tensor core 架构达到 120 TFlops，是FP16乘法或FP32累加，或适应ML。
英伟达将8个board包装在他们的 DGX-1 for 960 Tensor TFlops
Nvidia Volta - 架构看点这篇文章对 Volta 架构做了一些剖析
SoC
英伟达供应 NVIDIA DRIVE™PX，这是用于自动驾驶汽车的AI车载打算机和JETSON TX1 / TX2模块，一个“自动驾驶运用的嵌入式平台”
英伟达的开源DLA
英伟达在GTC2017上宣告 XAVIER DLA 开源。虽然我们现在仍没有看到有早期的可访问版本，希望准期在9月份发布。从Nvidia开源深度学习加速器提及这篇文章有更多剖析。
AMD
GPU
即将推出的 AMD Radeon Instinct MI25 流传宣传 SP16 达到12.3 TFlop，或 FP16 达到 16.6 TFlops。如果你的打算适用Nvidia 的 Tensors，那么 AMD 可能无法与之反抗。与 AMD 的 484 GB/s比较，Nvidia的带宽为900GB/s。
Intel
Nervana
英特尔收购的 Nervana Systems 除了 Nervana Engine ASIC 外还开拓 GPU/software 方法。可比性能现在还不清楚。英特尔也操持通过 Knights Crest 项目整合到Phi平台。NextPlatform 的一篇文章指出Nervana 2017年在28nm上的目标可能是55 TOPS/s。英特尔操持在12月有一个NervanaCon，以是到时大概会公布第一批成果。
Mobileye EyeQ
Mobileye 目前正在开拓第五代SoCEyeQ®5，作为视觉中心打算机实行完备自动驾驶（Level 5）车辆的传感器，将在2020年上路。为了知足功耗和性能目标，EyeQ®SoC的设计是最前辈的VLSI处理技能，第5代降落到7nm FinFET。
Movidius
Movidius VPU 是一个向量处理器阵列。
FPGA
Intel FPGA OpenCL 以及办理方案。
Google TPU
谷歌的TPU在性能上领先GPU，是驱动DeepMind的AlphaGo在围棋比赛中赢了人类冠军的硬件。原来的700MHz TPU具有用于8位打算的95 TFlop或16位打算的23TFlop，而仅需40W。这比GPU快得多，但现在比英伟达的V100慢，但不因此每W为根本比较。新的TPU2被流传宣传具有四芯片的TPU，并且可以实现约180 TFlop。每个芯片的性能都翻了一番，达到16位的45 TFlops。你可以看到英伟达的V100正在缩小这一差距。TPU或TPU2都不是开放出售。谷歌正在使其在云端可用，TPU pod包含64个设备，最高可达11.5 PetaFlop的性能。
其他参考文章：
Xilinx
Xilinx供应“从边缘到云”的机器学习推理解决方案，并在他们的白皮书中声称自己的FPGA最适用于INT8。
虽然FPGA的性能令人印象深刻，但是供应商的较大芯片长期以来价格较高。找到价格和性能之间的平衡是FPGA的紧张寻衅。
微软FPGA
微软将赌注放在FPGA，可以看这篇文章：“Microsoft Goes All in for FPGAs to Build Out AI Cloud”。
关于微软FPGA，《连线》发了一篇很好的特写：“Microsoft Bets Its Future on a Reprogrammable Computer Chip”
关于 FPGA in cloud，有另一篇挺好的参考文章：Inside the Microsoft FPGA-based configurable cloud
Qualcomm
高通公司环绕ML已经有一段韶光，发布了Zeroth SDK和Snapdragon神经处理引擎。高通在Hexagon DSP利用NPE是非常合理的。
Apple
彭博社的宣布称苹果要做专用芯片，但没有透露更多细节。不管芯片是不是被苹果作为一个主要领域，这有助于苹果与高通竞争。
Core ML是苹果目前的机器学习运用程序。
ARM
DynamIQ是ARM给予AI时期的答案，虽然它可能不是革命性的设计，但确实是主要的。
ARM还供应了一个开源的Compute Library，个中包含为Arm Cortex-A系列CPU处理器和Arm Mali系列GPU实现软件函数的综合集成。
IBM TrueNorth
TrueNorth 是与 DARPA SyNAPSE 程序一起开拓的 IBM 的 Neuromorphic CMOS ASIC。
HiSilicon（华为海思）
华为CEO余承东最近在2017年中国互联网大会上宣告，华为正在开拓AI芯片。
麒麟 for 智好手机
麒麟970可能具有一个嵌入式深度学习加速器。
Mobile Camera SoC
根据 Hi3559A V100ESultra-HD Mobile Camera SoC的简要数据表，它具有双核CNN@700 MHz神经网络加速引擎
Cambricon（寒武纪）
寒武纪致力于IP License，芯片做事，Smart Card和智能平台。
Horizon Robotics（地平线机器人）
地平线机器人已公布一个嵌入式人工智能处理器架构 Brain Processing Unit（BPU）。
Deephi（深鉴科技）
DeePhi Tech在deep compression，编译工具链，深度学习处理单元（DPU）设计，FPGA开拓和系统级的优化等方面拥有前沿技能。
Bitmain（比特大陆）
比特大陆正在为AI开拓处理器。
Wave Computing
Wave Computing 的Compute Appliance可以在3RU设备上以2.9 PetaOPS/秒的速率运行TensorFlow。
Graphcore
Graphcore在去年年底得到3000万美元投资，以支持他们的智能处理单单元（Intelligence Processing Unit，IPU）。
PEZY Computing K.K.
Pezy-SC 和 Pezy-SC2 分别是 Pezy 开拓的1024核和2048核处理器。
KnuEdge’s KnuPath
自2006年6月以来，该公司的产品页面消逝了。不知道他们投入1亿美元的MIMD架构现在如何。当时该架构被描述为每个ASIC具有256个小型DSP或tDSP核，以及适用于35W envelope 的稀疏矩阵处理的ARM掌握器。
更多：Tenstorrent、Cerebras、Thinci、Koniku、Adapteva、Knowm、Mythic、Kalray、Brainchip、Groq、Aimotive、Deep Vision、Deep Scale、REM、Leepmind、Krtkl、TeraDeep、KAIST DNPU、Synopsys Embedded Vision、CEVA XM6、VeriSilicon VIP8000、Cadence P5/P6/C5……
以及所有参考文章链接，请参看原文GitHub：https://basicmi.github.io/Deep-Learning-Processor-List/
点击阅读原文可查看职位详情，期待你的加入~
