林奇越看，越發忍不住嘖嘖稱奇。
這tpu的架構居然採用了量子技術，在預設的最大值和最小值與八位整數之間的任意值的近似過程里，tpu居然包含了足足六萬五千五百三十六個八位整數乘法器，直接將32位或者16位的計算壓縮成為8位。
實現了曲線的離散化。
完美地減少了神經網絡預測的成本。
第二點，也是更關鍵的。
正如林奇最初所推崇的硬體。
tpu晶片直接封裝了種種神經網絡計算工具。
諸如矩陣乘法單元，統一緩衝區，激活單元等，它們以後十數個高級指令組成，集中完成神經網絡推理所需要的數學計算。
同時它又採用了典型的risc處理器為簡單計算提供指令。它的矩陣乘法器單元而不是傳統的標量處理器，得以在一個時鐘周期內，以矩陣操作，完成數十萬個操作。
打個比方，傳統cpu是逐行列印，而tpu晶片則能夠做到影印效果。
如此種種特性，讓它在神經網絡計算收斂方面擁有非凡的效果，曾經幾天才能訓練出的成功，現在一小時不到就能夠完成。
林奇不禁感慨萬分。
難怪說站在巨人的肩膀上就是爽。
讓他自己來設計，如何能夠突破看似最簡單的加法器這個關卡？
萬丈高樓平地起，曾經的林奇開發cpu時，第一步入門選擇完成的模塊便是加法器，因為它的原理最簡單，也是最容易實現的操作。
然而整個tpu晶片，居然本質上也是做加法器？
它的核心便是由乘加器組合形成的256x256的運算器陣列：乘法矩陣。
這種冥冥中的呼應，也讓林奇有些哭笑不得。
晶片，本質上便是一個一個模塊搭建而成，區別在於有的人是3010片的20周年海德薇限定版，而有的則是630片的普通版。
隨著最為核心的乘法矩陣模塊成型，它周圍的模塊也一步一步成型。
林奇這一次徹底看懂這種結構後，也忍不住搖頭驚嘆，難怪只要4塊tpu訓練出來的人工智慧棋手便能夠大殺四方，讓人類都在圍棋這項技藝上都黯然失色。
要知道一步幾千塊的旗艦機動輒5nm工藝，而tpu的工藝不過是28nm！
甚至主頻也才700mhz，這種頻率甚至得去上個世紀的486機子裡尋找。
但真的合適的時候，對方便是一切。
與此同時，林奇發覺腦海里中的記憶宮殿，開始浮現出幾篇關鍵的專利——《neural network processor》、《computing convolutions using a neural network processor》……
這些都是當初tpu所關聯公開的專利。
甚至整個脈絡都已經無比明了。
為了比gpu的計算還要快速，這款神經網絡的專用處理器tpu，自然是越發極端！
它進一步犧牲處理器的通用性，只專注於一種——
矩陣運算。
自然他也無法如cpu般支持各種應用程序。
它唯一的用途，便是支持神經網絡算法的大規模加減乘除運算。
而這個設計的精妙所在，便在於當參數從內存加載到乘法器和加法器的局中後，tpu便繼續從存儲器加載數據a，隨後每次加法時，計算結果都會傳遞下來，因此最終輸出的數據是參數之間乘法結果的總和。這個過程，自己跳過了內存。
林奇看著即將完工的tpu晶片，就好像他人生第一次要買車一般，當時甚至比買房還要激動，而車還沒到的日子，他已經早早把一系列汽車用品採購完成，什麼車衣車窗膜坐墊手機支架靠著行李箱墊之流。
只有想像力無法觸及的領域，就沒有林奇買漏的點。
眼下的tpu晶片也是如此，他已經思索著如何代入最終的法術模型晶片之中，怎麼把這些徹徹底底的法術力量引導結合晶片使用。
第321章 AI芯片
