在 AI 晶片的世界裡，名字看起來只差幾個字母，但背後的設計哲學與製程工藝卻天差地遠。CPU 是最早的跑者，通用性最強，卻逐漸被視為萬能但不專精的坦克。當影像遊戲崛起，GPU 登場，它像卡車一樣能一次搬運成千上萬個像素，成為影像處理與深度學習訓練的主力。
隨著雲端 AI 模型規模暴漲，Google 推出了 TPU，用專用的矩陣引擎來承擔張量運算。最後，在行動與邊緣裝置需求推動下，NPU 登場，它不是取代 GPU，而是專注在低功耗推論的場景，像小客車般靈活，讓 AI 能深入到手機、相機、家電與汽車。這四種處理器，不只是名字不同，更在 架構設計 與 製程工藝 上展現出截然不同的 DNA。
CPU：坦克式的通用大腦
CPU（中央處理器）的使命是什麼都能做。它核心數量少（2–64 個常見），但每顆核心複雜度極高，擁有分支預測、快取階層、複雜指令集，適合邏輯控制與作業系統。- 架構特徵：
- 少數強核心 + 大量 SRAM（靜態隨機存取記憶體）快取
- 高頻設計，注重單核效能與通用性
- 指令集複雜（x86 / ARM）
- 製程特徵：
- 最先進節點優先採用（3nm / 2nm）
- 曝光挑戰：mask 層數最多（>100 層），臨界尺寸控制最嚴苛
- 設計複雜，對 EUV 的 overlay 與 CD 均勻性極度依賴
- 核心數的影響：
- 更多核心 → 更好的多工處理
- 但單程式效能仍取決於單核強度
- 像是辦公室裡多幾個超強經理人，可以同時管不同專案，但專案內部效率還是靠單一經理人
（延伸閱讀：CPU 是怎麼做出來的？）
GPU：卡車式的平行加速
GPU（圖形處理器）原本為遊戲影像設計，它的核心設計是數千個簡單運算單元組成的平行架構，適合對龐大的矩陣同時操作。這讓 GPU 意外成為 AI 訓練的最佳硬體。
- 架構特徵：
- 上千個簡單核心，SIMD / SIMT 指令集
- 浮點運算與矩陣計算能力極強
- SRAM 比例低於 CPU，更依賴外部記憶體
- 製程特徵：
- 晶片面積巨大（600–800mm² 甚至上千）
- 曝光挑戰：大晶片需要多重曝光拼接（stitching），良率壓力極大
- 追求面積效率與散熱控制，通常落在 5nm / 4nm
- 核心數的影響：
- 更多核心代表更高 FLOPS（浮點運算能力）
- 適合矩陣平行化任務（影像渲染、深度學習訓練）
- 但若運算無法平行化，再多核心也閒置
- 像裝配線，多幾百工人一起鎖螺絲，產能倍增，但若工作需要討論決策，工人就派不上用場
TPU：高鐵式的專用張量引擎
TPU（Tensor Processing Unit）是 Google 專為 TensorFlow 設計的 ASIC。它的核心是一個規律排列的矩陣乘法陣列（MAC systolic array），專注於深度學習中的張量運算。
- 架構特徵：
- 大規模矩陣乘法陣列 + SRAM 快取
- 指令集極簡，僅支援 AI 必要運算（矩陣、卷積、激活函數）
- 完全針對 TensorFlow 生態優化
- 製程特徵：
- 不一定採最先進節點（TPU v2/v3 曾用 28nm / 16nm）
- 曝光挑戰：陣列規律，OPC 校正簡單，但 SRAM block 需要高 CD 均勻性
- 以效能 / 能效為主，不追求最高頻率
- 核心數的影響：
- 這裡的核心不是 CPU 式的 core，而是 MAC 單元陣列
- 陣列越大，單次矩陣吞吐率越高
- 像製麵機，滾輪越寬，每次壓出的麵條就越多
（延伸閱讀：Google TPU 的垂直整合）
NPU：小客車式的邊緣推論引擎
NPU（Neural Processing Unit）是 AI 時代的新星，專為推論設計，重點是能效與低延遲。它不像 GPU 那樣追求極致算力，而是針對日常 AI 任務（臉部辨識、即時翻譯、影像增強）做優化。
- 架構特徵：
- 小型 MAC 陣列，常搭配 DSP 與 SRAM 緩衝
- 支援 INT8 / INT4 量化，犧牲精度換取能效
- 可積木式擴展：小至手機晶片，大至邊緣伺服器
- 製程特徵：
- 常見於行動 SoC，採 6nm / 5nm 低功耗製程
- 曝光挑戰：對 leakage（漏電） 與變異控制敏感
- 對能效比（TOPS/W）優化遠比極限算力更重要
核心數的影響：
- 核心數增加代表更快的臉部辨識、更省電的推論
- 在邊緣伺服器可堆疊成多顆 NPU 模組
- 像小客車車隊，多幾台能同時載更多人，但每台都省油
核心數不是唯一答案
CPU 需要少數強核心來支撐系統邏輯；GPU 則依賴上千核心達到平行吞吐；TPU 的核心其實是矩陣單元，陣列大小決定訓練速度；NPU 則在能效與規模化之間找平衡。
所以核心數並非單純的數字遊戲，而是背後架構與製程的設計取捨。真正決定差異的，是它們各自要解的題：多工？平行？專用？還是低功耗推論？
新的時代，一定會有新的王者。但更可能的真相是這四種晶片會持續共存，在不同舞台上扮演最佳角色。
