為了打破 IBM 在個人計算機市場的主導地位，，微軟與英特爾聯合組成了「Wintel」聯盟。事實證明，它們不但達成了最初的愿景，而且走的更遠。
但由于平板電腦以及二合一設備等移動設備的興起，微軟頒布頒發下一代 Windows 操作系統將支持 ARM 處理器 ，這也讓原本「親密無間」的 Wintel 聯盟出現了些許裂痕。
在 Hot Chips 2017 上，微軟團隊推出了 Project Brainwave 人工智能平臺，主要是基于微軟旗下 Azuer 云端運算技術，并結合英特爾旗下 Stratix 10 FPGA 芯片提供支持，讓該平臺系統可以應對較為復雜的運算。
這也意味著，已經在 PC 行業占據統治地位的 Wintel 聯盟，再度以之前已經獲得印證的模式，開始發力人工智能。而微軟再次選擇以英特爾作為合作伙伴的背后，可能情分會占據 1% 的原因，剩下的 99%，則來源于技術層面。
如何理解 Project Brainwave 人工智能平臺毫無疑問，Project Brainwave 人工智能平臺的到來，必然是要落地到實際應用上來的。諸如自動駕駛、自動控制、安適監控等需要實時數據分析判斷的應用場景，自然離不開更大演算效率與更快反應速度的平臺來作為支撐，而微軟推出此平臺的初衷，正是為了解決這一問題。
前邊我們講到，Project Brainwave 人工智能平臺于 Hot Chips 2017 上正式推出，而在此之前，微軟也不止一次提到了該平臺。
根據官方對 Project Brainwave 的描述，實際上它由三部分構成：高性能分布式系統架構;整合到 FPGA 硬件上的深度神經網絡 (DNN) 引擎;以及一套訓練模型的編譯器 / 運行時。
第一部分，Project Brainwave 利用了微軟數年建立起來的 FPGA 基礎設施;第二部分，Project Brainwave 使用了所謂的「軟」DNN 處理單元 (即 DPU，又稱分散處理單元)，并整合到 FPGA 中;第三部分，Project Brainwave 內置了一個能支持各種深度學習框架的軟件堆。
在實現人工智能的三個要素中，核心是算法，而數據以及硬件則是基礎。在以上微軟給出的 Project Brainwave 介紹中，有一個關鍵詞——FPGA(現場可編程門陣列)，也就是硬件這部分。
同樣應用于人工智能，GPU、TPU、FPGA 有何區別實際上，人工智能走到今天，大家開始逐漸意識到，傳統 CPU 或者 GPU 的效能表示并不盡如人意。因此我們看到 Google 推出了為機器學習而定制的芯片 TPU(Tensor Processing Unit)。
根據谷歌給出的說法，TPU 相對于現在的處理器有 7 年的領先優勢，寬容度更高，使用更復雜和強大的機器學習模型，能夠更加迅速地獲得更智能的結果。
在人工智能方面的應用，從實際效能表示來看，首先需要說明的是，CPU 要排在 TPU、GPU、FPGA 之后，回過頭來其它三種差別類型的硬件。
實際上 TPU、GPU、FPGA 都具備強大的運算能力，但差異化的地方在于，GPU 出廠后原生支持的指令其實是固定的，舉例來講，如果原廠設定支持加減法，一旦在實際使用中遇到乘除法，后期無法直接通過編程的方式來實現，只能通過軟件模擬來做，在效能表示方面要打些折扣。
Google 的 TPU 實際上屬于集成電路芯片(ASIC)，它要比 GPU 更高效。不過定制化也決定了它的可遷移性低，一旦專用于一個設計好的系統中，無法再遷移到其它的系統。但對于谷歌來講，TPU 就是為了深度學習語言 Tensor Flow 而開發，所以目前來看不存在以上講到的這些問題。
最后我們來看此次微軟選擇的 FPGA(實際上百度的 AI 芯片，同樣為 FPGA)。比擬 GPU 和 TPU，它的優勢之處在于，保證同樣足夠強大處理能力的同時，允許開發者進行后期編程，靈活性更高，能夠很好適應快速發展的 ML、CNN、LSTM、MLP、強化學習、特征提取、決策樹等。
英特爾在 FPGA 領域擁有足夠的話語權
