一、AI 芯片总体分类

按部署场景划分三大类：云端芯片、边缘芯片、终端芯片（AIPC、手机、IoT）； 按计算架构：通用处理器（CPU）、并行处理器（GPU/APU）、专用 AI 加速器（NPU、TPU）、数据卸载处理器（DPU）。

核心逻辑：CPU 负责调度控制，GPU 做大批量矩阵并行训练 / 推理，NPU 专注低功耗神经网络推理；TPU 是谷歌专用张量 ASIC；DPU 负责网络、存储数据卸载；APU=CPU+GPU 紧耦合一体芯片

二、各处理器详解（定义、架构技术、应用、代表厂家）

1. CPU Central Processing Unit 中央处理器

• 技术架构：少量高性能大核，强大分支预测、缓存、串行逻辑运算单元；通用指令集（x86/ARM/RISC-V）。不是专门 AI 芯片，是 AI 系统的主控总指挥。AI 仅作为附加能力。
• AI 优势：通用性最强，擅长任务调度、I/O 控制、数据预处理、token 分词、复杂分支逻辑；可运行任意代码，兼容性最好。
• 短板：并行 MAC 计算单元少，大规模矩阵运算能效差，不适合大模型训练。
• 典型应用：服务器 / PC 操作系统、AI 任务编排、预处理、模型前后处理；AIPC 里负责 Copilot Runtime 调度。
• 厂家：Intel、AMD、龙芯、海光、ARM。

2. GPU Graphics Processing Unit 图形处理器

• 技术架构：大量轻量 ALU 计算核心，SIMT 单指令多线程架构；原生面向图像渲染，后来被改造做张量矩阵运算。分为独立 dGPU 与 SoC 内置 iGPU（AIPC 核显）。
• AI 优势：海量并行计算，生态最成熟（CUDA），FP16/FP8 浮点算力强，兼顾训练 + 推理。
• 短板：功耗高；串行逻辑弱；持续轻量后台 AI 任务能效不如 NPU。
• 典型应用：大模型训练、文生图、多模态推理、视频渲染；AIPC 中承担图像生成、中大模型本地推理。
• 厂家：NVIDIA（英伟达）、AMD、景嘉微、摩尔线程、沐曦。

3. APU Accelerated Processing Unit 加速处理器（AMD 定义）

• 技术架构：CPU+GPU 高度集成在同一颗 SoC 内，统一内存，紧耦合异构，不是简单拼接。AMD 最早提出 APU 概念。

注意区分：AIPC 是带 NPU 的 PC，APU ≠ AIPC；APU 只包含 CPU+GPU，原生不带 NPU（新一代 AMD Ryzen AI APU 才额外集成 XDNA NPU）。

• AI 优势：CPU、GPU 片内高速互联，数据不需要跨主板总线，内存共享，延迟低，适合 HPC、本地微调。
• 短板：早期 APU 没有独立 NPU，轻量 AI 推理功耗偏高。
• 典型应用：笔记本、台式机、嵌入式高性能计算；AMD Ryzen AI 系列（APU + 内置 NPU，也就是 AMD 方案 AIPC）。
• 厂家：AMD。

4. NPU Neural Processing Unit 神经网络处理器

• 技术架构：ASIC 专用架构，大量 MAC 乘加阵列，硬件固化卷积、矩阵乘、激活等神经网络算子，原生支持 INT4/INT8 低精度推理。专为深度学习推理设计。
• AI 优势：能效比最高，低功耗、低发热，适合长时间后台 AI 推理；片上流水线，延迟稳定。AIPC 核心新增单元。
• 短板：通用性差，算子固化，复杂非常规模型需要专门编译适配；不适合大规模训练。
• 典型应用：AIPC 本地 AI、手机 AI、安防摄像头、车载座舱、边缘网关；语音转写、OCR、人像分割、向量检索。
• 厂家 海外：Intel NPU、AMD XDNA、高通 Hexagon NPU、苹果 Neural Engine 国内：华为昇腾、寒武纪、地平线、壁仞、昆仑芯

5. TPU Tensor Processing Unit 张量处理器（Google 自研 ASIC）

• 技术架构：脉动阵列 Systolic Array，专门优化张量运算，深度绑定 TensorFlow 框架。
• AI 优势：大规模张量计算效率高，脉动阵列数据流减少访存开销，云端训推能效高。
• 短板：生态封闭，Google 私有，不支持 PyTorch 等通用框架，通用性差，无法在 PC / 终端使用。
• 典型应用：谷歌云数据中心，大模型训练、云端推理，仅谷歌内部业务使用。
• 厂家：Google（谷歌）

6. DPU Data Processing Unit 数据处理器

• 技术架构：网络 + 存储卸载专用芯片，集成高速网卡、RDMA、存储控制器、数据包处理单元；不做神经网络矩阵计算。
• AI 优势：把网络包解析、数据搬移、存储 IO 从 CPU 卸载，释放 CPU 算力，降低 AI 集群数据传输延迟。
• 短板：不做 AI 模型推理 / 训练，属于 AI 集群配套芯片。
• 典型应用：大型智算中心、AI 服务器集群、云数据中心，负责算力集群之间数据转发。
• 厂家：NVIDIA BlueField、AWS Nitro、云豹智能、中科驭数

三、汇总对比表（PPT 直接可用）

表格

芯片	全称	核心定位	核心技术	典型 AI 场景	代表厂商
CPU	中央处理器	通用调度、控制	串行大核，强分支	任务编排、预处理、系统控制	Intel、AMD、龙芯
GPU	图形处理器	并行浮点算力主力	SIMT、大量 ALU	大模型训练、图像生成、多模态推理	NVIDIA、AMD、景嘉微
APU	加速处理器	CPU+GPU 紧耦合 SoC	CPU+GPU 同芯片统一内存	单机 HPC、本地微调（新款可集成 NPU）	AMD
NPU	神经网络处理器	低功耗 AI 推理	MAC 阵列，神经网络算子固化	AIPC、手机、边缘实时 AI 推理	Intel、AMD、高通、昇腾、寒武纪
TPU	张量处理器	谷歌专用张量 ASIC	脉动阵列	Google 云端大模型训推	Google
DPU	数据处理器	网络 / 存储卸载	RDMA、数据包处理	AI 集群高速数据转发	NVIDIA、AWS、中科驭数

四、一句话总结（汇报结尾）

CPU 是控制器，GPU 是大算力并行引擎，NPU 是端侧低功耗 AI 加速器；APU 为 CPU+GPU 一体化 SoC；TPU 是谷歌封闭专用张量芯片；DPU 负责 AI 集群的数据搬运。AIPC 本质是在 APU/SoC 基础上，额外集成独立 NPU，构成 CPU+GPU+NPU 的异构算力平台，由 Copilot Runtime 自动分配 AI 任务。