Gwennap表示，Graphcore（英國布里斯托爾）和Cerebras（美國加州洛斯阿爾托）是訓練芯片領域值得關注的兩家初創公司，因為這兩家公司籌集的資金最多，而且似乎擁有最好的團隊。由Google前芯片設計師創立的初創公司Groq聲稱，它將在2018年推出一款推理芯片，在總體操作和每秒推論方面都會以4倍的優勢擊敗競爭對手。

英特爾的Nervana是一個大型的線性代數加速器，位于4個8-Gb HBM2內存堆棧旁的硅中介層上。來源：Hennessy和Patterson，“計算機體系結構：一種定量方法”

英特爾代號為“Lake Crest”的Nervana（上圖）是最受關注的定制設計之一。它執行16位矩陣操作，數據共享指令集中提供的單個5位指數。

與Nvidia Volta一樣，Lake Crest邏輯器件位于4個HBM2高帶寬內存堆棧旁邊的TSMC CoWoS（襯底上芯片上芯片）中介層上。這些芯片被設計成網狀，提供5到10倍于Volta的性能。

雖然去年微軟在深度神經網絡上使用了FPGA，但Patterson仍然對這種方法持懷疑態度。 “你為[FPGA的]靈活性付出了很多代價；編程真的很難，”他說。

Gwennap在去年年底的一項分析中指出，DSP也將發揮作用。Cadence、Ceva和Synopsys都提供面向神經網絡的DSP內核，他說。

加速器缺乏共同的基準

這些芯片即將到來時，架構師們卻還不確定如何評估這些芯片。
Patterson回憶說，就像RISC處理器的早期，“每個公司都會說，'你不要相信別人的基準，但是你可以相信我的'，這可不太好。”

那個時候，RISC廠商們在SPEC基準測試中進行合作。現在，深度神經網絡加速器需要自己定義的測試套件，涵蓋各種數據類型的訓練和推理，以及獨立芯片和集群芯片。

聽到這個呼吁，Transaction Processing Performance Council（TPC）在12月12日宣布成立了一個工作組來定義機器學習的硬件和軟件基準。TCP是由20多個頂級服務器和軟件制造商組成的團體。TPC-AI委員會主席Raghu Nambiar表示，這么做的目標是創建各種測試，并且這些測試不關乎加速器是CPU還是GPU。但是，這個團隊的成員名單和時間框架還在不斷變化之中。

百度在2016年9月發布了一個基于其深度學習工作負載的開放源代碼基準測試工具，使用32位浮點數學做訓練任務。百度在6月份更新了DeepBench以涵蓋推理工作和16位數學的使用。

由哈佛大學研究人員發表的Fathom套件中，定義了8個人工智能工作負載，支持整數和浮點數據。Patterson表示：“這是一個開始，但是要獲得一個讓人感覺舒適的、全面的基準測試套件還需要更多的工作。”

“如果我們致力于打造一個很好的基準，那么所有用在這個工程上的錢都是物有所值的。”

除了基準之外，工程師還需要追蹤仍在演變的神經網絡算法，以確保他們的設計不會被淘汰。