在计算 ANN 时，并行处理非常重要。尽管它们不是为 AI 设计的，但 GPU 被广泛用于机器学习，因为它们具有更高的并行处理能力，而且与 CPU 相比，它们的内核数量更多。

总而言之，专用硬件应该具有类似 GPU 的架构。

专用 AI 硬件利用了许多神经网络设计的高度可并行性。GPU 专为像素运算而设计 - 巧合的是，它也非常可并行化。这就是为什么它们通常提供比 CPU 好几个数量级的性能（在 NN 任务中）。话虽如此，GPU也有缺点。首先，许多 GPU 的内置功能没有在神经网络应用程序中使用——在许多情况下，不需要精确的浮点运算，神经网络中涉及简单计算的数据。如果您从 GPU 中删除所有未使用的功能并将额外空间用于更多计算单元，您将获得类似于 Google 的https://cloud.google.com/blog/big-data/2017/05/an-in-depth -look-at-googles-first-tensor-processing-unit-tpu TPU。