人工智能无处不在，但普通CPU并不是这项技术的有效平台。只有采用专门为2020年代AI工作负载设计的新型微处理器，才能提高效率。
人工智能(AI)的日益普及正在升级许多标准类型的IT工作负载，并为高级算法数据处理和机器学习技术驱动的新服务提供支持。然而，标准微处理器的局限性限制了AI系统的开发人员。
领先的人工智能应用需要超级计算机计算资源来产生所需的输出。缺点是它们通常运行在大量并行工作的多用途中央处理器(CPU)上，但没有针对AI需要最佳执行的特定处理功能进行优化。
最近，图形处理单元(GPU)已经成为AI协处理器事实上的加速器。与具有四到八个复杂内核的传统CPU不同，传统CPU旨在按顺序处理计算(即使它们有多个内核来卸载工作)，GPU具有更简单的内核-数百甚至数千个专用VRAM内存，因此它们擅长处理统计计算(即浮点运算)和渐进式机器学习应用程序所需的大规模并行处理。
这些属性为GPU供应商提供了巨大的优势，尤其是英伟达，它利用了对人工智能优化的GPU的需求，建立了自己的市场领导地位。该公司将继续为数据流开发更多连接功能，使人工智能工作负载受益。GPU也是大规模生产的，这有助于使它们更便宜。但是，虽然可以用GPU设计，但并不是从AI的目的出发的。
系统开发人员正在寻找一种专门为人工智能工作设计和优化的新型处理器。具有内置并行机制的多核处理器，所有处理器都能够实时智能分析大型数据集，并且所有处理器都与位于同一位置的处理器在高度本地化的紧密架构上联网，使数据可以在它们之间以接近零的延迟传输，这将有助于降低能耗。人工智能专用芯片有时被归类为“人工智能加速器”。
迄今为止生产的AI芯片不符合行业标准，但它们通常基于许多核心的设计，并且通常专注于低精度算术、新颖的数据流架构或内存中的计算能力。
