谷歌第一次向全世界介绍TPU(Tensor Processing Unit)时，其背后的战略方向已经很清楚了：通过设计并使用专用的硬件来提高机器学习的速度。使用商品化的GPU来训练机器学习模型，使用定制的TPU来部署那些经过定制的模型。

　　新一代谷歌TPU的设计旨在处理这两项任务：训练和部署——在同一个芯片上。无论其独立运行还是与其他TPU向外扩展构成一个名为“TPU pod”的小型集群时，新一代TPU的速度也更快。

　　但是，使机器学习更快速并不是这种设计的唯一好处。TPU，尤其是这种新形式，构成了另一项内容，即谷歌构建端对端机器学习流程，涵盖从数据输入到部署训练模型的所有内容。

　　机器学习：一条流程贯穿其中

　　目前，机器学习的最大障碍之一是，为数据输入、规范化、模型训练、模型和部署提供一个完整的流程是非常困难的。这些碎片化的流程仍然高度分散，不协调。像百度这样的公司已经暗示过想要建立一个简单的、统一的、无需包装的的解决方案，但是到目前为止，这只是一个概念。

　　这种解决方案最有可能出现在云计算中。随着时间的推移，越来越多的机器学习数据(以及其他相关的东西)将会默认被保存在云上。而且硬件也需要产生一个可操作的结果。给人们一个端对端的、在云上的机器学习工作流，默认情况下只有几个按钮的话，人们会很乐意在上面构建机器学习应用的。

　　这样的方式已经快要实现了，谷歌的愿景是每一个阶段都能够以尽可能快的速度在云中执行，以尽可能快的速度接近数据。通过TPU，谷歌还试图提供多阶段的定制硬件加速，可以按需扩展。

　　新的TPU旨在以多种方式促进流程加速，一种加速来自于将多个TPU组合起来的能力，另一种方式是能够在同一块硅片上训练和部署模型。对于后一种情况，随着新数据的出现，对模型进行增量再培训会变得更加容易，因为数据不需要移动太多。

　　这种优化——在数据上运行以便加快操作速度——与其他机器学习性能的改进是一致的，比如一些推荐的Linux内核补丁和用于机器学习数据访问的通用API。

　　你是否愿意将自己捆绑在Tensor Flow?

　　谷歌的计划可能会有一个缺点：只有当你使用正确的机器学习框架时，TPU所提供的性能提升才会产生作用，也就是谷歌自己的Tensor Flow。

　　这并不是说Tensor Flow是一个糟糕的框架，事实上，它是相当不错的。但它只是众多框架中的一个，而每个框架适合不同的需求和用例。因此，TPU只支持Tensor Flow的限制意味着如果你想从谷歌的机器学习云中获得最大的性能，你就必须使用它，无论它是否合适。其他的框架对于特定的工作来说可能更方便，但它可能不会很快的对预测进行训练和服务，因为它只能在GPU上运行。

　　这并没有排除谷歌引入其他硬件的可能——如客户可重新编程的FPGA，会使不直接由谷歌发起的框架同样具有优势。

　　但对于大多数人来说，拥有一个可管理的、基于云的“一站式”机器学习工作流程所带来的便利，远远超过TPU所带来的一些不便之处。所以，Tensor Flow的优势仍然是显而易见的。