待验证50% 置信事实精确时间
与GPU的通用SIMT架构不同，NPU通常采用脉动阵列或类似的数据流架构，以更低的功耗换取更高的矩阵乘加吞吐，但代价是编程灵活性较差。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
VIDRAFT用NPU完成大模型预训练，无需GPU
rss2026/10/15
涉及实体
相关事实
待验证GPU拥有大量通用计算核心，可通过CUDA等编程模型灵活调度，天然适合训练中频繁的矩阵运算与梯度反传；NPU则是为神经网络推理定制的专用芯片，通常采用脉动阵列或类TPU的数据流架构，对固定算子高度优化，但编程模型封闭、对动态计算图支持有限，传统NPU难以承载训练任务。72% 相似待验证不同厂商对 TOPS 算力的计算口径不同，有些仅统计 NPU 单元，另一些将 CPU、GPU 混合算力计入，导致跨平台比较意义有限71% 相似待验证在掌机等TDP受限形态中，选择CPU核心较少但GPU规格完整的SKU可以让散热余量更多服务于图形渲染71% 相似待验证NVIDIA GPU采用SIMT架构，warp内部32个线程通过shuffle指令交换数据并累加，warp内执行同步但不同warp、不同SM之间的调度顺序由硬件动态决定70% 相似已验证TPU 专门针对张量运算（矩阵乘法）进行优化，可用远低于 GPU 的功耗执行 AI 推理69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037233API
curl https://kongchang.com/api/v1/knowledge/claims/1037233MCP
get_claim(id=1037233)