TPU是Google专属用于其数据中心业务的，可以先忽略，其实它也术语一种NPU。CPU可以说是个人电脑、服务器、笔记本、手机最核心的物理组件，GPU则是AI时代的“CPU”，用于加速深度学习应用，那么一个问题来了，享用 AI 只能通过云端的 GPU 运算吗？能不能在本地也能加速 AI 模型呢？这就要说到 NPU 神经网络处理器（Neural-network Processing Unit）。
和CPU与GPU不同的是，NPU专门用于加速AI推理任务（比如由标量、向量和张量数学组成的神经网络层），尤其是手机终端设备，可以把它想象成GPU，核心特点有两点：
-
并行处理能力强
-
近存储计算或存储内计算，实现存储和计算的一体化
NPU 和 GPU 的区别
-
GPUs更适合通用计算，NPUs是专门为AI和机器学习任务设计的专用处理器，去除了一些多余的功能。
-
GPUs虽然并行能力更强，但功耗很大，而NPU由于其设计的原因，性能效率更好，适合终端设备。
CPU、GPU、NPU各有所长，并且相辅相成。对于设备端的AI电脑、AI手机芯片，通常通过将三者整合为系统级芯片（SoC）的方式，提高能源效率和性能。
在去年英特尔发表的Core Ultra 芯片（代号“Meteor Lake”）首次将 NPU 整合到系统级芯片中，提出了 AI PC 的概念。
那如何衡量一台电脑符合 AI PC 概念呢？度量它的单位叫做 TOPS，和CPU与GPU衡量性能单位 TFLOPS 不一样，TOPS（Trillions of Operations Per Second）表示每秒兆次计算，目前如果一台电脑或笔记本，TOPS 达到 40+，就认为符合 AI PC 标准。