1. 阿里巴巴收購了哪個晶元公司
1、
中天微：
中天微是目前中國大陸唯一大規模量產自主嵌入式CPU IP Core的公司，中天微主要從事32位嵌入式CPU IP研發與規模化應用，面向多媒體、安防、家庭、交通、智慧城市等物聯網領域，全球累計出貨超過7億顆晶元。
中天微有自有指令集的處理器和CPU，其中性能最高的CK860性能已經達到4.1DMIPS/MHz，這已經是ARM A15的水平，而CK860的功耗還不高的，在28nm工藝下功耗是0.16mw/Mhz。
擴展閱讀，阿里巴巴早期布局的國內晶元公司
2、寒武紀：
寒武紀做出來全球AI深度學習計算最快的晶元，已經集成到了華為海思的麒麟970之中，進入變現階段。
3、Barefoot Networks：
Barefoot Networks開發了世界上最快的可編程網路晶元，這種名為Tofino的晶元比現在市場上任何其他晶元快兩倍，以每秒6.5兆的速度處理網路數據包。
4、深鑒：
深鑒有DNNDK（Deep Neural Network Development Kit）。這是深鑒科技面向AI異構計算平台DPU研發的SDK。深鑒還有名為「聽濤「的深度學慣用SOC。
5、耐能：
耐能（Kneron）於2016年推出了神經網路處理器（Neural Processing Unit，NPU），以及自行研發的軟體開發工具包「重組式人工智慧神經網路」（Reconfigurable Artificial Neural Network），應用在低功耗智能家居、智能安防、手機等領域。
6、翱捷科技：
翱捷科技的創始人戴保家為銳迪科前CEO，近期完成了對Marvell（美滿電子科技）MBU（移動通信部門）的收購。它是國內基帶公司中除海思外唯一擁有全網通技術［支持TD-LTE、FDD-LTE、TD-SCDMA、CDMA（EVDO2000）、WCDMA、GSM共六種不同的通信模式］的公司，具備完整、強大的基帶平台研發能力。
7、阿里巴巴達摩院：
阿里巴巴達摩院正研發一款神經網路晶元——Ali-NPU，該晶元將運用於圖像視頻分析、機器學習等AI推理計算。按照設計，該晶元的性價比將是目前同類產品的40倍。
2. 國內做晶元設計的公司有哪些
福州瑞芯微、珠海全志、珠海炬力、上海晶晨、上海盈方微。目前來說，中國的IC晶元設計的公司，還不像因特爾、高通、蘋果、三星這樣有很大的名氣。
就拿平板/盒子晶元來說，國內的晶元設計公司中福州瑞芯微、珠海全志、珠海炬力、上海晶晨、上海盈方微在技術上和銷售量上國內算是都還不錯，在IC晶元業都算是第三梯隊的。
晶元設計：國內的十大晶元設計公司如下，按營收規模排序：華為海思/紫光展銳/中興微電子/華大半導體/智芯微電子/匯頂科技/士蘭微電子/大唐半導體/敦泰科技/中星微電子。
國內廠商僅有四家，北方華創、中微半導體、盛美半導體和Mattson。
(2)神經網路晶元的上市公司擴展閱讀：
晶元設計公司排名
中國前十強依次為華為海思、清華紫光展銳、中興微電子、華大半導體、智芯微電子、匯頂科技、士蘭微、大唐半導體、敦泰科技和中星微電子。
第一名：海思
海思在長時間內將是中國最大的晶元設計公司，大家用的華為手機裡面就有大量的海思處理器和海思基帶晶元，另外買的智能電視，安防系統也有海思的晶元，未來將隨著華為集團的增長而上升。世界第一名高通，2016年營收154億美元，是海思的3.5倍。
第二名：紫光展銳
展訊，銳迪科合並之後成立，目前是三星手機處理器和基帶晶元除自家產品之外的最大供應商，你買的三星手機，主要是中低端系列，裡面的晶元是紫光展銳的。
第三名：中興微電子
主要是自家的通信設備用的部分晶元，手機晶元也還是外購。
第四名：華大半導體
是中國電子信息產業集團有限公司(CEC)整合旗下集成電路企業而組建的集團公司。在智能卡及安全晶元、智能卡應用、模擬電路、新型顯示等領域佔有較大的份額。目前華大半導體旗下已經有三個上市企業，包括A股上海貝嶺和港股公司中電控股、晶門科技。
第五名：智芯微電子
智芯微電子是國網信息產業集團全資子公司，涉及晶元感測、通信控制、用電節能三大業務方向，致力於成為以智能晶元為核心的高端產品、技術、服務和整體解決方案提供商。
第六名：匯頂科技
匯頂科技是一家上市公司，該公司在指紋識別晶元設計領域已經做到了世界第二，在全球范圍內僅次於給蘋果提供指紋識別晶元的AuthenTec。
第七名：士蘭微電子
LED照明驅動IC是其主要業務收入之一，還給家電企業提供變頻電機控制晶元。
第八名：大唐半導體
以智能終端晶元、智能安全晶元、汽車電子晶元為核心的產業布局。
第九名：敦泰科技
於2005年在美國成立，致力於人機界面解決方案的研發，為移動電子設備提供最具競爭力的電容屏觸控晶元、TFT LCD顯示驅動晶元、觸控顯示整合單晶元(支持內嵌式面板的IDC)、指紋識別晶元及壓力觸控晶元等。
第十名：中星微電子
佔領全球計算機圖像輸入晶元60%以上的市場份額。2005年，中星微電子在美國納斯達克證券市場成功上市， 2016年初，中星微推出了全球首款集成了神經網路處理器(NPU)的SVAC視頻編解碼SoC，使得智能分析結果可以與視頻數據同時編碼，形成結構化的視頻碼流。
該技術被廣泛應用於視頻監控攝像頭，開啟了安防監控智能化的新時代。
從事晶元設計業務的重點上市公司有：紫光國芯、匯頂科技、士蘭微(IDM)、大唐電信、兆易創新(存儲器)、全志科技、中穎電子(家電MCU、鋰電等)、北京君正、艾派克、富瀚微等。
以上晶元設計公司中，目前勢頭最好是的展訊跟RDA，華為海思的布局和前景最好，這三家算是國內技術、前景最好的。
中星微和炬力雖然也是第一批上市的，有些名氣，但下滑得比較厲害，前景一般。nufront算是新生勢力吧，離一線的技術和知名度還有很大一段距離。國民技術/君正之類布局太窄了。
參考資料：網路-中國芯
3. 新型神經網路晶元會對科技領域乃至整個世界產生什麼巨大影響
一、與傳統計算機的區別1946年美籍匈牙利科學家馮·諾依曼提出存儲程序原理，把程序本身當作數據來對待。此後的半個多世紀以來，計算機的發展取得了巨大的進步，但「馮·諾依曼架構」中信息存儲器和處理器的設計一直沿用至今，連接存儲器和處理器的信息傳遞通道仍然通過匯流排來實現。隨著處理的數據量海量地增長，匯流排有限的數據傳輸速率被稱為「馮·諾依曼瓶頸」——尤其是移動互聯網、社交網路、物聯網、雲計算、高通量測序等的興起，使得『馮·諾依曼瓶頸』日益突出，而計算機的自我糾錯能力缺失的局限性也已成為發展障礙。
結構上的缺陷也導致功能上的局限。例如，從效率上看，計算機運算的功耗較高——盡管人腦處理的信息量不比計算機少，但顯然而功耗低得多。為此，學習更多層的神經網路，讓計算機能夠更好地模擬人腦功能，成為上世紀後期以來研究的熱點。
在這些研究中，核心的研究是「馮·諾依曼架構」與「人腦架構」的本質結構區別——與計算機相比，人腦的信息存儲和處理，通過突觸這一基本單元來實現，因而沒有明顯的界限。正是人腦中的千萬億個突觸的可塑性——各種因素和各種條件經過一定的時間作用後引起的神經變化（可變性、可修飾性等），使得人腦的記憶和學習功能得以實現。
大腦有而計算機沒有的三個特性:低功耗（人腦的能耗僅約20瓦，而目前用來嘗試模擬人腦的超級計算機需要消耗數兆瓦的能量）；容錯性（壞掉一個晶體管就能毀掉一塊微處理器，但是大腦的神經元每時每刻都在死亡）；還有不需為其編製程序（大腦在與外界互動的同時也會進行學習和改變，而不是遵循預設演算法的固定路徑和分支運行。）
這段描述可以說是「電」腦的最終理想了吧。
註：最早的電腦也是模擬電路實現的，之後發展成現在的只有0、1的數字CPU。
今天的計算機用的都是所謂的馮諾依曼結構，在一個中央處理器和記憶晶元之間以線性計算序列來回傳輸數據。這種方式在處理數字和執行精確撰寫的程序時非常好用，但在處理圖片或聲音並理解它們的意義時效果不佳。
有件事很說明問題：2012年，谷歌展示了它的人工智慧軟體在未被告知貓是什麼東西的情況下，可以學會識別視頻中的貓，而完成這個任務用到了1.6萬台處理器。
要繼續改善這類處理器的性能，生產商得在其中配備更多更快的晶體管、硅存儲緩存和數據通路，但所有這些組件產生的熱量限制了晶元的運作速度，尤其在電力有限的移動設備中。這可能會阻礙人們開發出有效處理圖片、聲音和其他感官信息的設備，以及將其應用於面部識別、機器人，或者交通設備航運等任務中。
神經形態晶元嘗試在矽片中模仿人腦以大規模的平行方式處理信息：幾十億神經元和千萬億個突觸對視覺和聲音刺激物這類感官輸入做出反應。
作為對圖像、聲音等內容的反應，這些神經元也會改變它們相互間連接的方式，我們把這個過程叫做學習。神經形態晶元納入了受人腦啟發的「神經網路」模式，因此能做同樣的事。
人工智慧的頂尖思想家傑夫·霍金斯（Jeff Hawkins）說，在傳統處理器上用專門的軟體嘗試模擬人腦（谷歌在貓實驗中所做的），以此作為不斷提升的智能基礎，這太過低效了。
霍金斯創造了掌上電腦（Palm Pilot），後來又聯合創辦了Numenta公司，後者製造從人腦中獲得啟發的軟體。「你不可能只在軟體中建造它，」他說到人工智慧，「你必須在矽片中建造它。」
現有的計算機計算，程序的執行是一行一行執行的，而神經網路計算機則有所不同。
現行的人工智慧程式，基本上都是將大大小小的各種知識寫成一句一句的陳述句，再灌進系統之中。當輸入問題進去智能程式時，它就會搜尋本身的資料庫，再選擇出最佳或最近解。2011年時，IBM 有名的 Watson 智能電腦，便是使用這樣的技術，在美國的電視益智節目中打敗的人類的最強衛冕者。
（神經網路計算機）以這種非同步信號發送（因沒有能使其同步的中央時鍾而得名）處理數據的速度比同步信號發送更快，以為沒有時間浪費在等待時鍾發出信號上。非同步信號發送消耗的能量也更少，這樣便滿足了邁耶博士理想的計算機的第一個特點。如果有一個處理器壞了，系統會從另一路線繞過它，這樣便滿足了邁耶博士理想的計算機的第二個特點。正是由於為非同步信號發送編程並不容易，所以大多數計算機工程師都無視於此。然而其作為一種模仿大腦的方式堪稱完美。功耗方面：
硬體方面，近年來主要是通過對大型神經網路進行模擬，如 Google 的深度學習系統Google Brain，微軟的Adam等。但是這些網路需要大量傳統計算機的集群。比方說 Google Brain 就採用了 1000 台各帶 16 核處理器的計算機，這種架構盡管展現出了相當的能力，但是能耗依然巨大。而 IBM 則是在晶元上的模仿。4096 個內核，100 萬個「神經元」、2.56 億個「突觸」集成在直徑只有幾厘米的方寸（是 2011 年原型大小的 1/16）之間，而且能耗只有不到 70 毫瓦。
IBM 研究小組曾經利用做過 DARPA 的NeoVision2 Tower數據集做過演示。它能夠實時識別出用 30 幀每秒的正常速度拍攝自斯坦福大學胡佛塔的十字路口視頻中的人、自行車、公交車、卡車等，准確率達到了 80%。相比之下，一台筆記本編程完成同樣的任務用時要慢 100 倍，能耗卻是 IBM 晶元的 1 萬倍。
Ref: A million spiking-neuron integrated circuit with a scalable communication network and interface. Paul A. Merolla et al. Science 345, 668 (2014); DOI: 10.1126/science.1254642
因為需要擁有極多數據的Database 來做training以及需要極強大的計算能力來做prediction，現有的一些Deep learning如Andrew Ng的Google Brain、Apple的Siri等都需要連接網路到雲端的伺服器。
二、爭議：
雖然深度學習已經被應用到尖端科學研究及日常生活當中，而 Google 已經實際搭載在核心的搜尋功能之中。但其他知名的人工智慧實驗室，對於深度學習技術的反應並不一致。例如艾倫人工智慧中心的執行長 Oren Etzioni，就沒有考慮將深度學習納入當前開發中的人工智慧系統中。該機構目前的研究是以小學程度的科學知識為目標，希望能開發出光是看學校的教科書，就能夠輕松應付各類考試的智能程式。Oren Etzioni 以飛機為例，他表示，最成功的飛機設計都不是來自於模仿鳥的結構，所以腦神經的類比並無法保證人工智慧的實現，因此他們暫不考慮借用深度學習技術來開發這個系統。
但是從短期來看，情況也許並沒有那麼樂觀。
首先晶元的編程仍然是個大問題。晶元的編程要考慮選擇哪一個神經元來連接，以及神經元之間相互影響的程度。比方說，為了識別上述視頻中的汽車，編程人員首先要對晶元的模擬版進行必要的設置，然後再傳給實際的晶元。這種晶元需要顛覆以往傳統的編程思想，盡管 IBM 去年已經發布了一套工具，但是目前編程仍非常困難，IBM 團隊正在編制令該過程簡單一點的開發庫。（當然，如果我們回顧過去編程語言從匯編一路走來的歷史，這一點也許不會成為問題。）
其次，在部分專業人士看來，這種晶元的能力仍有待證實。
再者，真正的認知計算應該能從經驗中學習，尋找關聯，提出假設，記憶，並基於結果學習，而IBM 的演示里所有學習（training）都是在線下的馮諾依曼計算機上進行的。不過目前大多數的機器學習都是離線進行的，因為學習經常需要對演算法進行調整，而 IBM 的硬體並不具備調整的靈活性，不擅長做這件事情。
三、人造神經元工作原理及電路實現
人工神經網路
人工神經網路（artificial neural network，縮寫ANN），簡稱神經網路（neural network，縮寫NN），是一種模仿生物神經網路的結構和功能的數學模型或計算模型。
神經網路是一種運算模型，由大量的節點（或稱「神經元」，或「單元」）和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重（weight），這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。Ref：Wikipedia： 人工神經網路
電路原理
神經遞質的分泌反過來又是對動作電位刺激的反應。然而神經元在接收到這些神經遞質信號中的一個後便不會再繼續發出動作電位。當然，它們會逐漸累加至一個極限值。在神經元接受了一定數量的信號並超過極限值後----從根本上講是一個模擬進程----然後它們會發出一個動作電位，並自行重置。Spikey的人造神經元也是這么做的，當它們每次受到激發時都會在電容中累積電荷，直至達到限值，電容再進行放電。具體電路結構和分析之後有機會的話再更新。
現階段硬體的實現方式有數電（IBM、Qualcomm）、模電、數模混合（學界）、GPUs等等，還有各種不是基於硅半導體製程製作的神經元等的device方面的研究。
四、歷史
Neuromorphic engineering由老祖宗Carver Mead提出
卡福·米德是加州理工學院的一名工程師，被公認為神經形態計算機之父（當然還發明了「神經形態學」這個詞）
神經形態晶元的創意可以追溯到幾十年前。加州理工大學的退休教授、集成電路設計的傳奇人物卡弗·米德（Carver Mead）在1990年發表的一篇論文中首次提出了這個名稱。
這篇論文介紹了模擬晶元如何能夠模仿腦部神經元和突觸的電活動。所謂模擬晶元，其輸出是變化的，就像真實世界中發生的現象，這和數字晶元二進制、非開即關的性質不同。
後來這（大腦研究）成為我畢生的工作，我覺得我可以有所貢獻，我嘗試離開計算機行業而專注大腦研究。首先我去了MIT的人工智慧研究院，我想，我也想設計和製作聰明的機器，但我的想法是先研究大腦怎麼運作。而他們說，呃，你不需要這樣做，我們只需要計算機編程。而我說，不，你應該先研究大腦。他們說，呃，你錯了。而我說，不，你們錯了。最後我沒被錄取。但我真的有點失望，那時候年輕，但我再嘗試。幾年後再加州的Berkley，這次我嘗試去學習生物方面的研究。我開始攻讀生物物理博士課程。我在學習大腦了，而我想學理論。而他們說，不，你不可以學大腦的理論，這是不可以的，你不會拿到研究經費，而作為研究生，沒有經費是不可以的。我的天。
八卦：老師說neural network這個方向每20年火一次，之前有很長一段時間的沉寂期，甚至因為理論的不完善一度被認為是江湖術士的小把戲，申請研究經費都需要改課題名稱才能成功。（這段為小弟的道聽途說，請大家看過就忘。後來看相關的資料發現，這段歷史可能與2006年Geoffrey E. Hinton提出深度學習的概念這一革命性工作改變了之前的狀況有關。）
五、針對IBM這次的工作：
關於 SyNAPSE
美國國防部先進研究項目局的研究項目，由兩個大的group組成：IBM team和HRL Team。
Synapse在英文中是突觸的意思，而SyNAPSE是Systems of Neuromorphic Adaptive Plastic Scalable Electronics的簡稱。
Cognitive computing: Neurosynaptic chips
IBM proces first working chips modeled on the human brain
另一個SyNAPSE項目是由IBM阿爾馬登實驗室（位於聖何塞）的達爾門德拉·穆德哈負責。與四所美國大學（哥倫比亞大學，康奈爾大學，加州大學默塞德分校以及威斯康辛-麥迪遜大學）合作，穆德哈博士及其團隊製造了一台神經形態學計算機的原型機，擁有256個「積分觸發式」神經元，之所以這么叫是因為這些神經元將自己的輸入累加（即積分）直至達到閾值，然後發出一個信號後再自行重置。它們在這一點上與Spikey中的神經元類似，但是電子方面的細節卻有所不同，因為它們是由一個數字儲存器而非許多電容來記錄輸入信號的。
Ref: A million spiking-neuron integrated circuit with a scalable communication network and interface. Paul A. Merolla et al. Science 345, 668 (2014); DOI: 10.1126/science.1254642
4. 中科院提出圖神經網路加速晶元設計，這是一種怎樣的晶元呢
隨著技術發展，人工智慧技術也在不斷的發展。現有的晶元已經難以滿足一些神經網路的計算了，中科院提出了圖神經網路加速晶元，這種晶元專用於圖神經網路的運算。讓我們一起來了解一下什麼是圖神經網路，這種晶元有什麼重大的突破。
圖神經網路的應用前景非常廣泛，不僅用在日常交通預測、網約車調度、運動檢測等民用領域，還可以助力科研的知識推理、化學研究以及在知識圖譜、視覺推理等學科發展方向上。
5. 人工智慧概念股有哪些 人工智慧晶元誰是龍頭
人工智慧包含硬體智能、軟體智能和其他。
硬體智能包括：漢王科技、康力電梯、慈星股份、東方網力、高新興、紫光股份。
軟體智能包括：金自天正、科大訊飛。
其他類包括：中科曙光、京山輕機。
6. 國內做AI晶元的有哪些企業
暫時來講主要是華為和瑞芯微，華為主要依託於手機強大的平台進行應用，瑞芯微相對來講涉及的領域更多，更加廣泛。
7. 如何評價浙大研製出國內首款支持脈沖神經網路的類腦晶元
第一，並沒有太多的創新性。且不說國際上早有『SNN（spiking neural network）』晶元，僅在國內，是不是國內首例都不好說，據我所知，清華也有課題組在做類似的晶元。
第二，在功能上沒有大的突破。看浙大官方的新聞，該晶元「實現」的功能是「手寫數字的識別 和 腦電波的解碼」。業內人士應該都知道，這兩項功能是機器學習領域已經玩兒爛的了，和SNN幾乎沒有一毛錢的關系。
第三，在演算法上沒有大的突破。具體的演算法沒有報道，但新聞上說，「最多可支持2048個神經元、400多萬個神經突觸及15個不同的突觸延遲。」我一看這神經元和突觸比例嚇一跳，原來是做了一個全連接的網路啊……並沒有什麼真實神經網路的演算法引進。而在製作工藝上，本研究採用傳統的CMOS工藝，顯然和IBM的研究不在一個時代（TrueNorth晶元里的神經元是百萬級的）。
8. 神經網路計算機和生物晶元是什麼
曾有人使用一台有翻譯功能的電腦，將一句話從英語譯成俄語，再回過來譯成英語。原句是「心有餘而力不足」，想不到，一個來回後面目全非，成了「伏特加酒很兇，但肉已發臭」。
這是真實的，不是笑話。它說明，電腦盡管有驚人的運算速度和貯存信息的能力，卻仍然不及人腦聰明。由140億個神經細胞組成的人腦，在學習、聯想、整體判別、優化控制等方面，是電腦望塵莫及的。
80年代以來，許多電腦專家轉而致力於研究人腦的結構和功能，期望用最尖端的材料和電子線路來模仿人腦的功能，包括神經細胞的興奮和控制，神經網路的聯通和整合，大腦的思維、判別和反射等等。在此基礎上，就可能製造出新一代計算機——神經網路計算機。和過去的所有計算機不一樣，神經網路計算機有學習能力，會積累經驗，增長知識，在記憶、聯想、模糊識別等方面逼近或超過人腦。它被稱為第六代計算機。
1992年，日本的一家公司宣布研製出一部「通用神經網路計算機」。這部計算機模仿人腦神經細胞傳遞信息的方式，使用32個有學習能力的大規模集成電路，不用軟體，不需要解讀軟體命令的線路。它的處理速度奇快，人腦要一個多小時讀完的文字，它在千分之幾秒內就能讀完。
在當代的高新技術中，計算機技術和生物技術是兩大主力。神經網路計算機可說是這兩大技術融匯的產物，但它是宏觀方面的產品。在微觀方面，生物技術也同樣為計算機技術作出了巨大的貢獻，那就是近年來各發達國家都在加緊研製的生物晶元。
作為計算機核心元件的晶元，至今仍是以半導體為材料的。但半導體晶元的發展已快要達到理論上的極限。它面臨的困境是半導體的集成密度受到限制。一塊矽片上最多隻能排列幾千萬個晶體管元器件，否則就會有發熱、漏電等問題。這樣，晶元的存儲容量就有限了，而晶元容量的限制直接會影響到計算機處理信息的速度。所以，要使計算機技術再次取得新的突破，必然的趨勢是用新一代的晶元——生物晶元來取代半導體晶元。
生物晶元的主體是生物大分子。蛋白質、核酸等生物大分子都具有像半導體那樣的光電轉換功能和開關功能，但目前為各國科學家看好的是蛋白質分子。蛋白質分子具有低阻抗、低能耗的性質，不存在散熱問題。它的三維立體排列使它具有較大的存儲容量。使用蛋白質晶元的計算機，處理信息的速度可望提高幾個數量級。另外，蛋白質分子還有自行組裝和再生的能力，為計算機全面模仿人腦、實現高智能化提供了可能。
選擇哪種蛋白質分子來擔當這一重任呢？這可是各國科學家在努力攻關的核心問題。一種嗜鹽菌的紫膜中的蛋白質分子（代號叫bR）看來是選作生物晶元的理想材料，因為它來源廣泛，具備作為光電轉換和開關元件的優良性能。而紫膜是目前唯一的結晶狀生物膜，穩定性很好。我國科學家在紫膜蛋白質分子的研究中也有不少建樹，有可能為生物晶元的問世作出自己的貢獻。
製作生物晶元除了直接選用天然蛋白質分子之外，一種更為奇妙的手段是製造人工蛋白質分子。這有兩種途徑。一種是通過DNA重組，使某種微生物「分泌」出合乎要求的蛋白質分子；另一種是直接用蛋白質的基本材料氨基酸來進行組裝。人工蛋白質分子是根據理想的藍圖來進行構築的，性能當然比天然蛋白質分子優異，但同時也存在著更多的困難，目前尚處於實驗研製階段，離實際應用還有不小的距離。
9. 對於中國開發的寒武紀神經網路晶元，大家有什麼看法嗎
不是，是電腦的處理品，主要是為了和inter的處理器對抗而自主研發的處理器，不過大部分項目是為了騙國家的創新基金的，性能可能先先進，計算速度很快，卻沒辦法投入到實際的生產應用