对Al DSA的分类可以有很多不同的方式，一种大的分类方法是从基础架构来看：
　　传统架构+DSA。在传统架构的基础上增加新的DSA的硬件以及相应的指令。例如GPU增加Tensor Core这种专用的加速器。它的优势是灵活通用，性能比较平衡，而劣势是相对更专用的DSA在特定应用场景下的能效比、性价比。
　　Al领域专用架构，即针对AI的新架构。例如Google TPU，它的设计是专门针对有限的AI应用场景，牺牲一定的通用性和灵活性来换取更高的能效或者性价比。
　　当然不同的架构选择其实都是针对不同的应用场景特点所作的tradeoff。 　　02百花齐放的Al DSA硬件
　　下面我们回顾一下近几年各种很有特色的Al DSA的设计。 　　Google的TPU：于2017年正式发布，可以说在当时掀起了我们这几年AI芯片的热潮，到现在已经发布了四代。其实是一个相对来说是个比较专用的设计，围绕一个比较大的脉动阵列展开，其设计思路主要强调面向AI的数据中心系统级协同设计的方法，也就是说它的芯片是原生服务于整个的数据中心的系统，做了很多互联，扩展，散热等系统方面的优化。
　　英伟达的GPU：增加Tensor Core和相应指令，大大提升了AI的矩阵运算的效率。
　　华为的DaVinci架构：这是一个比较典型的Al DSA架构，它从一维的Scalar到二维的vector再到三维Matrix，都有专用硬件加速引擎，同时也有相应的Memory的Hierarchy，包括各种Buffer，也是AI的专用加速器常见的一种设计选择。
　　Device Soc也加入了Al DSA的设计：2017年的时候华为旗舰智能手机芯片开始加入了NPU，苹果也加入了Neural Engine，到现在都发展了好几代，而且AI加速在芯片的SOC里面占的分量也是越来越重。