英伟达公司率先于1999年提出GPU的概念，GPU使显卡减少了对CPU的依赖，然而随着模型越来越大，参数越来越多，面对高精度高吞吐量的需求，算力优势显著的IPU也许更能代表AI芯片的发展方向。

Graphcore IPU在现有以及下一代模型上的性能均优于GPU，在自然语言处理方面的速度能比GPU快25%到50%；在图像分类方面，吞吐量7倍于GPU，而且时延更低。

Natural Language Processing-BERT

BERT (Bidirectional Encoder Representations from Transformers)是目前使用NLP模型之一。IPU加速了BERT的训练和推理，在极低延迟的情况下， IPU能够进行实现2倍于目前解决方案的吞吐量，同时延迟性能比当前的解决方案提升1.3倍。

计算机视觉：EfficientNet & ResNeXt模型

由于IPU架构的特定特性，它非常擅长于分组卷积的模型。在计算机视觉模型如efficient entnet和ResNeXt中显著提升了训练和推理的性能。

在EfficientNet推理（左图）和训练（右图）模型测试中，IPU在比GPU延迟低14倍的情况下实现了15倍的高吞吐量的优势，推理模型种子能够实现7倍于目前GPU解决方案的吞吐量。

如下图所示，ResNeXt-101: Inference（左图） 和 ResNeXt-50 Training（右图）与GPU相比，Graphcore C2 IPU处理器在延迟低24倍的情况下实现了7倍的高吞吐量。

好马配好鞍——IPU全软件栈和框架支持

Graphcore提供了Poplar SDK IPU软件开发平台，帮助用户构建人工智能应用，可为当今的模型提供开箱即用的性能。

Poplar SDK可与TensorFlow、Pytorch和ONNX等流行框架一起使用。它支持高阶的机器智能图描述，可编译加载到IPU上优化的Poplar图和相关的控制程序。大规模的处理器内存意味着可以充分利用庞大的处理器内带宽，可将整个模型加载到IPU上。

Poplar SDK支持一系列标准框架。通过TensorFlow，Poplar SDK可直接接受XLA图，并将XLA编译输出为Poplar图和控制程序。

Graphcore还为ONNX提供了训练运行时（runtime），并且正与ONNX各组织紧密合作，以将其纳入ONNX标准环境中。