Supplyframe Supplyframe XQ Datasheet5 芯耀 Findchips taptap点点手机网页版
关注我们
设计助手
电子硬件助手 电子硬件助手
元器件查询 元器件查询
EN / 中文

加入星计划，您可以享受以下权益：

  • 创作内容快速变现
  • 行业影响力扩散
  • 作品版权保护
  • 300W+ 专业用户
  • 1.5W+ 优质创作者
  • 5000+ 长期合作伙伴
立即加入

TPU

加入交流群
扫码加入
获取工程师必备礼包
参与热点资讯讨论

张量处理器（英语：tensor processing unit，缩写：TPU）是Google为机器学习定制的专用点点taptap安卓（ASIC），专为Google的深度学习框架TensorFlow而设计。

张量处理器（英语：tensor processing unit，缩写：TPU）是Google为机器学习定制的专用点点taptap安卓（ASIC），专为Google的深度学习框架TensorFlow而设计。收起

查看更多
类型
新鲜 热门

设计资料

查看更多

文章

查看更多
  • 不买英伟达？AI巨头集体涌向自研点点taptap安卓
    AI点点taptap安卓领域的竞争正在加剧，谷歌TPU之父Amir Salek加入Anthropic，推动其自研点点taptap安卓设计。全球AI大厂纷纷涉足自研点点taptap安卓，以掌握算力自主权。推理成本高企和供应链安全问题促使企业寻求自研解决方案。自研点点taptap安卓不仅是降低成本的方式，也是实现软硬一体化优化的关键。随着AI应用场景多样化，定制化设计变得尤为重要。这场围绕AI算力自主权的军备竞赛才刚刚开始。
    1036
    08/25 17:40
    AI点点taptap安卓 Anthropic
  • 1792TOPS算力！国产AI点点taptap安卓暴降token成本，CEO揭秘4大技术诀窍
    中昊芯英发布第二代全自研高性能TPU点点taptap安卓“须臾”，混合精度浮点算力达896TFLOPS，性能是上一代刹那点点taptap安卓的3倍，8-bit推理算力达1792TOPS，额定功耗600W，相比算力性能持平的传统算力点点taptap安卓，功耗降低50%，执行同等AI任务时综合计算效能可达传统GPU架构的数倍。须臾点点taptap安卓已完成基础数据测试，完整软件适配正在推进，整体性能对标海外先进的GPU与TPU，表现不落下风。目前中昊芯英已完成MiniMax、智谱等国产主流大模型适配，在现阶段多个落地场景中，单位美元token产出性价比超过海外头部GPU，单位token成本数据在国内同类点点taptap安卓中具备领先优势。须臾的PPA核心是平衡性能+点点taptap安卓面积，不以功耗为首要优化目标，设计目标是大幅压低单位token成本，从一代到二代直接减半，后续迭代有望降到原有的1/10。
    873
    07/13 23:38
    AI点点taptap安卓 Token
  • ASIC突围：从Google TPU到中国定制点点taptap安卓的野望
    如果GPU是瑞士军刀，ASIC就是手术刀。Google靠一颗自研TPU，省掉了至少150亿美元的数据中心投资。2026年，TPU v7的FP8峰值算力4614 TFLOPS——压了NVIDIA B200一头。这篇文章从脉动阵列的底层原理讲起，把ASIC这条路从头拆到尾。
    3713
    06/26 09:39
    ASIC TPU
    ASIC突围：从Google TPU到中国定制点点taptap安卓的野望
  • 北美CSP大举购置NVIDIA GB / Rubin整柜式方案，2026年AI推理算力将跃升1.2倍
    北美五大云端服务供应商（CSP）为扩大AI训练和推理应用部署，2026年对整柜式（rack-scale）AI Server的采购意愿明显提高，不仅有望占据全球60%以上的NVIDIA GB / VR需求量，也将同步带动五大厂商总AI训练算力年增逾56%、总AI推理算力年成长高达122%左右。 TrendForce集邦咨询预估，2026年AI Server出货将年增28%以上，且仍以高端AI训练机种
    536
    05/20 14:10
    NVIDIA CSP
    北美CSP大举购置NVIDIA GB / Rubin整柜式方案，2026年AI推理算力将跃升1.2倍
  • 为什么AI需要专门的硬件加速？从GPU，TPU到LPU的技术演进全景
    AI硬件加速的原因在于神经网络计算的特点：计算密度高、并行性强且控制逻辑简单。GPU因其SIMT执行模型、深多线程隐藏延迟和成熟软件生态成为当前事实标准。TPU/NPU和ASIC分别针对特定场景优化，而FPGA具有可重构特性，适合边缘推理和快速架构实验。LPU专为大模型推理服务设计，注重内存管理和延迟。未来AI硬件的发展趋势包括内存瓶颈、软硬协同设计和场景专业化。
    2197
    05/04 08:55
    GPU AI硬件
    为什么AI需要专门的硬件加速？从GPU，TPU到LPU的技术演进全景
热门企业 换一换
相关标签
Baidu
map