人工智能芯片的发展是从加速深度学习算法到希望从底层结构模拟人脑来更好实现智能。目前人工智能芯片涵盖了基于FPGA的半定制、针对深度学习算法的全定制、类脑计算芯片三个阶段。 基于FPGA 的半定制人工智能芯片在芯片需求还未成规模、深度学习算法暂未稳定需要不断迭代改进的情况下，利用具备可重构特性的FPGA芯片来实现半定制的人工智能芯片是最佳选择。这种半定制芯片虽然依托于FPGA 平台，但是利用抽象出了指令集与编译器，可以快速开发、快速迭代，与专用的FPGA加速器产品相比，也具有非常明显的优势。 第二是针对深度学习算法的全定制人工智能芯片。这类芯片是完全采用ASIC 设计方法全定制，性能、功耗和面积等指标面向深度学习算法都做到了最优。谷歌的TPU 芯片、我国中科院计算所的寒武纪深度学习处理器芯片就是这类芯片的典型代表。目前寒武纪芯片系列已包含三种原型处理器结构：寒武纪1号（英文名DianNao，面向神经网络的原型处理器结构）、寒武纪2号（英文名DaDianNao，面向大规模神经网络）、寒武纪3号（英文名 PuDianNao，面向多种深度学习算法）。 第三阶段：类脑计算芯片这类芯片的设计目的不再局限于仅仅加速深度学习算法，而是在芯片基本结构甚至器件层面上希望能够开发出新的类脑计算机体系结构，比如会采用忆阻器和 ReRAM 等新器件来提高存储密度。这类芯片的典型代表是IBM的TrueNorth 芯片。
