为了打破 IBM 在个人计算机市场的主导地位，，微软与英特尔联合组成了「Wintel」联盟。事实证明，它们不但达成了最初的愿景，而且走的更远。
但由于平板电脑以及二合一设备等移动设备的兴起，微软颁布颁发下一代 Windows 操作系统将支持 ARM 处理器 ，这也让原本「亲密无间」的 Wintel 联盟出现了些许裂痕。
在 Hot Chips 2017 上，微软团队推出了 Project Brainwave 人工智能平台，主要是基于微软旗下 Azuer 云端运算技术，并结合英特尔旗下 Stratix 10 FPGA 芯片提供支持，让该平台系统可以应对较为复杂的运算。
这也意味着，已经在 PC 行业占据统治地位的 Wintel 联盟，再度以之前已经获得印证的模式，开始发力人工智能。而微软再次选择以英特尔作为合作伙伴的背后，可能情分会占据 1% 的原因，剩下的 99%，则来源于技术层面。
如何理解 Project Brainwave 人工智能平台毫无疑问，Project Brainwave 人工智能平台的到来，必然是要落地到实际应用上来的。诸如自动驾驶、自动控制、安适监控等需要实时数据分析判断的应用场景，自然离不开更大演算效率与更快反应速度的平台来作为支撑，而微软推出此平台的初衷，正是为了解决这一问题。
前边我们讲到，Project Brainwave 人工智能平台于 Hot Chips 2017 上正式推出，而在此之前，微软也不止一次提到了该平台。
根据官方对 Project Brainwave 的描述，实际上它由三部分构成：高性能分布式系统架构;整合到 FPGA 硬件上的深度神经网络 (DNN) 引擎;以及一套训练模型的编译器 / 运行时。
第一部分，Project Brainwave 利用了微软数年建立起来的 FPGA 基础设施;第二部分，Project Brainwave 使用了所谓的「软」DNN 处理单元 (即 DPU，又称分散处理单元)，并整合到 FPGA 中;第三部分，Project Brainwave 内置了一个能支持各种深度学习框架的软件堆。
在实现人工智能的三个要素中，核心是算法，而数据以及硬件则是基础。在以上微软给出的 Project Brainwave 介绍中，有一个关键词——FPGA(现场可编程门阵列)，也就是硬件这部分。
同样应用于人工智能，GPU、TPU、FPGA 有何区别实际上，人工智能走到今天，大家开始逐渐意识到，传统 CPU 或者 GPU 的效能表示并不尽如人意。因此我们看到 Google 推出了为机器学习而定制的芯片 TPU(Tensor Processing Unit)。
根据谷歌给出的说法，TPU 相对于现在的处理器有 7 年的领先优势，宽容度更高，使用更复杂和强大的机器学习模型，能够更加迅速地获得更智能的结果。
在人工智能方面的应用，从实际效能表示来看，首先需要说明的是，CPU 要排在 TPU、GPU、FPGA 之后，回过头来其它三种差别类型的硬件。
实际上 TPU、GPU、FPGA 都具备强大的运算能力，但差异化的地方在于，GPU 出厂后原生支持的指令其实是固定的，举例来讲，如果原厂设定支持加减法，一旦在实际使用中遇到乘除法，后期无法直接通过编程的方式来实现，只能通过软件模拟来做，在效能表示方面要打些折扣。
Google 的 TPU 实际上属于集成电路芯片(ASIC)，它要比 GPU 更高效。不过定制化也决定了它的可迁移性低，一旦专用于一个设计好的系统中，无法再迁移到其它的系统。但对于谷歌来讲，TPU 就是为了深度学习语言 Tensor Flow 而开发，所以目前来看不存在以上讲到的这些问题。
最后我们来看此次微软选择的 FPGA(实际上百度的 AI 芯片，同样为 FPGA)。比拟 GPU 和 TPU，它的优势之处在于，保证同样足够强大处理能力的同时，允许开发者进行后期编程，灵活性更高，能够很好适应快速发展的 ML、CNN、LSTM、MLP、强化学习、特征提取、决策树等。
英特尔在 FPGA 领域拥有足够的话语权
