微处理器又称为什么（处理器芯片分类）

处理器芯片诞生之后，人们在有限的芯片空间内设计芯片架构时，需要平衡寄存器和可用指令的数量，它们分属不同的电路单元，由此便引出了处理器芯片架构的两大分类：CISC (Complex Instruction Set Computer)和RISC (Reduced Instruction Set Computer)，RISC虽然指令精简，执行同样的处理操作要比CISC调用指令的次数多，但是RISC执行单个指令的速度要比CISC快很多，因此，执行同样的处理操作，RISC耗时也有可能比CISC少。

随着芯片设计的不断发展，两大架构就细分为现在我们熟知的4大类型：

• x86：由英特尔开发的CISC指令集，广泛用于个人电脑和服务器。
• ARM：一种流行的RISC指令集，用于移动设备、嵌入式系统和一些服务器。
• MIPS：一种RISC指令集，用于各种嵌入式系统和专业领域。
• RISC-V：一种开源的RISC指令集，V代表第五代，正在往高端AI芯片发展。

要是按功能去分类就更复杂了，常见的有以下7种：

1. CPU（中央处理单元）：是计算机的核心部件，负责执行程序中的指令和处理数据。CPU是计算机硬件的重要组成部分，通常也被称为微处理器或处理器（processor）。
2. GPU（图形处理单元）：GPU原本设计用于处理复杂的图形和图像任务，但它们的并行处理能力使它们非常适合于执行深度学习所需的大量数学运算。NVIDIA的CUDA平台是GPU在AI领域应用的一个典型例子。
3. APU（加速处理器单元）：APU是一种集成了传统CPU（中央处理单元）和GPU（图形处理单元）功能的处理器，它旨在提供更高效的计算性能
4. TPU（张量处理单元）：谷歌开发的TPU是一种专门为机器学习工作负载设计的处理器，它在执行TensorFlow框架中的操作时非常高效。
5. FPGA（现场可编程门阵列）：FPGA是一种灵活的芯片，可以通过编程来执行特定的任务，这使得它们非常适合于AI应用的原型设计和某些推理任务。
6. ASIC（特定应用集成电路）：ASIC是为特定任务或一组任务定制设计的芯片。例如，谷歌的TPU就是一种ASIC，专为加速机器学习工作负载而设计。
7. NPU（神经网络处理单元）：NPU是另一种专门为执行神经网络操作而设计的芯片，华为的麒麟系列芯片中的NPU就是这类产品的代表。