，即专门用于处理人工智能应用中的大量计算任务的模块（其他非计算任务仍由CPU负责）；伴随数据海量增长，算法模型趋向复杂，处理对象异构，计算性能要求高，AI 芯片在人工智能的算法和应用上做针对性设计，可高效处理人工智能应用中日渐多样繁杂的计算任务。
AI芯片主要包括图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、神经拟态芯片（NPU）等。
AI 芯片重要指标是算力和带宽。算力是一秒钟所能完成的处理的数量，决定了 AI 芯片的数据计算速度；带宽决定了AI芯片每秒钟可以访问的数据量。
大算力是 AI 芯片的发展方向。如果AI芯片的算力不足， 对于大量算力需求的模型训练需要耗费更长时间，同时考虑到 AI 芯片板卡之间的互联损 耗，AI 芯片板卡增大到一定数量时，会有类似边际效应的情况发生，算力的增长大幅减 小，因此无法通过无限增加 AI 芯片数量来实现算力提升。
高带宽是 AI 芯片的发展方向。带宽决定了 AI 芯片获得数据的能力，如果算力非常高的 AI 芯片其带宽极小，访问数据能力不足，则无法让算力完全发挥，也会限制性能。
人工智能芯片多用传统型芯片，或用昂贵的图形处理器 (GPU)，或用现场可编程门阵列芯片配合中央处理器 (FPGA+CPU)为主, 用以在云端数据中心的深度学习训练和推理通用／专用型 AI 芯片（ASIC）或特定用途集成电路 (ASIC)，主要是针对具体应用场景，三类芯片短期内将共存并在不同应用场景形成互补。
GPU（Graphics Processing Unit）又被称为图形处理器、显示芯片，多用于个人电脑、工作站、游戏主机以及移动设备（智能手机、平板电脑、VR 设备）上专门运行绘图运算的微处理器。
GPU是NVIDIA公司在1999年8月发表NVIDIA GeForce 256绘图处理芯片时首先提出的概念，在此之前，电脑中处理影像输出的显示芯片，通常很少被视为是一个独立的运算单元。
GPU具有数百或数千个内核，经过优化可并行运行大量计算。虽然GPU在游戏中以3D渲染而闻名，但它们 对运行分析、深度学习和机器学习算法尤其有用；GPU允许某些计算比传统CPU上运行相同的计算速度快10 倍至100倍；此外，还有将GPU的图形处理能力用于通用计算领域的处理器GPGPU 。
独立GPU 一般焊接在显卡的电路板上，位置在显卡的风扇下面。独立GPU 使用的是专用的显示存储器，显存带宽决定了GPU的连接速度；集成GPU一般与CPU集成在一起，一般只支持电脑日常办公，性能较低，但功耗和成本也低；独立GPU具有更强大的性能，可以支持大型游戏或图像处理软件运行，但具有更高的功耗和成本。
