TPU的高性能還來源于對于低運算精度的容忍，也就是說每一步操作TPU將會需要更少的晶體管。在晶體管總容量不變的情況下，我們就可以單位時間在這些晶體管上運行更多的操作，這樣我們就可以以更快的速度通過使用更加復雜與強大的機器學習算法得到更加智能的結果。我們在TPU的板子上看到了插條，所以目前Google使用TPU的方式是將載有TPU的板子插在數據中心機柜的硬盤驅動器插槽里來使用。

　　而且我覺得TPU的高性能還來源于它數據的本地化。對于GPU，從存儲器中取指令與數據將耗費大量的時間，但是機器學習大部分時間并不需要從全局緩存中取數據，所以在結構上設計的更加本地化也加速了TPU的運行速度。

　　（AlphaGo對戰李世乭比賽中使用的載有TPU的服務器機架，不知道為什么側面貼的圍棋圖有種萌感。via：googleblog.com）

　　在Google數據中心的這一年來，TPU其實已經干了很多事情了，例如機器學習人工智能系統RankBrain，它是用來幫助Google處理搜索結果并為用戶提供更加相關搜索結果的；還有街景Street View，用來提高地圖與導航的準確性的；當然還有下圍棋的計算機程序AlphaGo，其實這一點上也有個很有趣的地方，我們在描述AlphaGo的那篇Nature文章中看到，AlphaGo只是跑在CPU+GPUs上，文章中說AlphaGo的完整版本使用了40個搜索線程，跑在48塊CPU和8塊GPU上，AlphaGo的分布式版本則利用了更多的機器，40個搜索線程跑在1202個CPU和176塊GPU上。這個配置是和樊麾比賽時使用的，所以當時李世乭看到AlphaGo與樊麾的對弈過程后對人機大戰很有信心。但是就在短短的幾個月時間，Google就把運行AlphaGo的硬件平臺換成了TPU，然后對戰的局勢就艱難了起來。

　　那么除了TPU可以更好更快地運行機器學習算法，Google發布它還有什么其他目的。我覺得說的玄幻一些，Google也許在下一盤大棋。

　　Google說他們的目標是在工業界的機器學習方面起到先鋒帶頭作用，并使得這種創新的力量惠及每一位用戶，并且讓用戶更好地使用TensorFlow 和 Cloud Machine Learning。其實就像微軟為它的HoloLens增強現實頭顯配備了全息處理單元（holographic processing unit，HPU），像TPU這樣的專業硬件只是它遠大征程的一小步，不僅僅是想讓自己在公共云領域超過市場老大Amazon Web Services （AWS）。隨著時間的推移，Google會放出更多的機器學習API，現在Google已經推出了云機器學習平臺服務和視覺API，我們可以相信，做機器學習技術與市場的leader才是Google更大的目標。