整理各家廠商的思維：
- Intel的思維是從CPU角度出發，在CPU加入多處理核心，科學計算不需經過主機板到GPU
- NVIDIA的思維是從GPU角度出發，科學計算專注在GPU上
- Google的思維是從tensorflow角度出發，專門設計為tensorflow計算用的晶片
- 百度深度學習採用NV晶片，不過這也合理，現況(2016)跑Deep Learning除了NV cuda還沒聽說有其他選擇
- 未來可專注重點：Intel Xeon Phi系列與NV Tesla系列
英特爾為了追趕英偉達（NVIDIA）與谷歌在人工智慧晶片上的布局，決定在2017年公布代號Knights Mill的下一代Xeon Phi處理器家族，主攻深度學習與人工智慧應用市場。這晶片將採用10奈米製程製造，積極搶奪英偉達的市場。
英偉達發展深度學習應用已有多年時間。因此，現今百度在人工智慧與深度學習的晶片就是採用英偉達的技術。可是隨著英特爾即將投入人工智慧晶片，百度也現身在英特爾開發者論壇，並與英特爾進行合作。至於未來百度會用英偉達還是英特爾的深度學習與人工智慧晶片，就只能看情勢發展如何才做出定奪了！ 原來Xeon處理器家族是瞄準科學類應用，隨著新型號Xeon Phi將引入人工智慧運算任務的功能，將帶給深度學習正面的幫助。其實目前在語音識別、圖像識別，以及自動駕駛汽車等領域，深度學習技術正得到愈來愈多的應用。
以現今情況來看，英特爾當初讓Xeon處理器強攻數據中心伺服器，也獲得廣泛部署，甚至所有深度學習運算有關的任務也採用這一處理器。不過，隨著人工智慧的不斷前進，有些廠商也開始部署用於人工智慧任務的輔助處理器，而這些輔助處理器大多是來自於英偉達的繪圖處理器。
為了不讓英偉達的繪圖處理器成為未來人工智慧輔助處理器的核心，英特爾決定在標準Xeon處理器上增加更多處理核心來處理深度學習該有的一些指令級，因而Xeon Phi產品線就誕生了。
此外，Xeon Phi晶片能夠運行大部分數據分析軟體，同時無需用到可能導致分析速度放緩的外部處理器，這也是英特爾主打的關鍵優勢，畢竟，其搭配更多快閃記憶體，能夠比起繪圖處理器還要更高性能。
可是英偉達畢竟在深度學習應用已經開發很久，2016年4月5日，該公司公佈了最新款的專門用於人工智慧研究領域的Tesla P100圖形處理晶片，認為其最新晶元的處理速度仍會遠遠強於英特爾的技術，將為這款GPU的研發投入了20億美元。短時間之內，英特爾依舊會遇到挑戰，就如同英偉達在高階桌上型電腦依舊具備主導能力一樣。
這也是為什麼英特爾於2016年8月收購新創公司Nervana Systems。因為該公司專注於深度學習晶元和軟體，這對於Xeon Phi處理器有一定的幫助。
另外，谷歌也正在發展其人工智慧晶片Tensor Processing Unit，採用最適合谷歌深度學習的軟體TensorFlow。這也是英特爾未來必須面臨的挑戰。
原文來自科技產業資訊室 Source