性能分析——BM1682极大提升
NPU深度学习硬件加速器是人工智能的核心。两者NPUs模块集成了64个NPUs单元，通过NPU Schedule Engine进行调度。BM1682中每个NPU含有32个EUs，BM1680未知。根据BM1680、BM1682数据手册显示，单片BM1680单精度运算速度为2TFLops；单片BM1682单精度运算速度为3TFLops。BM1682的单片运算速度高出BM1680 50％。
BM1680单片的运行速度低于BM1682，但BM1680支持级联工作模式，数个BM1680可以通过高速的Chip Link Subsystem组成一个集群式的系统，进行更高处理量的运算处理任务。BM1682不具备级联功能。下图为BM1680芯片的级联连接示意图。
图 ｜ 级联方式：每个Node代表一个BM1680
电学方面，根据两者的数据手册显示：满载工作时BM1680的TPD（Thermal Design Power热设计功耗）为41W；：满载工作时BM1682的TPD小于50W。从功耗角度分析，BM1680的2TFlops的NPUs速度应该是有所保留的。
（数据来自比特大陆官网）
开发生态——两代芯片都很到位
BM1680、BM1682均支持的主流的CNN／RNN／DNN深度学习架构，通过这两款TPU芯片进行硬件加速，可以极大的提高深度学习算法的执行速度。当然，BM1680和BM1682也可以通过基础的矩阵运算进行深度学习的模型、架构的搭建。
在开发生态方面，两款芯片的支持也是很到位的。BM1680、BM1682均对后端用户提供SDK；如果用户需要进行深度优化以获取算法最优性能，可以联系厂家获得相关教学支持。
应用领域——BM1682更专注图像、视频处理
由前述分析可知，BM1680为通用性人工智能芯片，其应用方向没有偏向性，芯片内部主要集成了深度学习算法所需要的基本模块，应用各种人工智能的深度学习算法，通过添加相应的外围电路模块，BM1680可以搭建成适用于任一个领域的深度学习系统——像图片识别、自然语言处理、文本处理、金融、医学等等大小领域均可选择该芯片实现。BM1680更加具有灵活性。而且，BM1680可以进行级联，所以对于需要处理巨大数据量的人工智能深度学习系统，BM1680尤为合适。像企业级应用、海量数据处理等方面，通过简单的级联BM1680就可以获取相匹配的计算能力，灵活而强大。
而BM1682则是一个升级版的BM1680并配备了专门用于视频处理的集成系统，整个BM1682芯片搭载了视频处理所需要的全部核心模块，以及对其具体应用场景适应性的辅助模块。BM1682对于需要进行图像／视频处理的市场应用可谓是十分便捷了。BM1682的辅助功能配置模块自带有线与无线网络功能，对于视频监控方向的市场应用十分方便，无线功能更是省略了网线布线的繁琐施工，并且可用于实现远程监控。对于一些没有网络的场合，如科研领域的野外视频收集处理、闭路视频监控等，BM1682可以轻松的添加外置存储装置进行数据备份收集。BM1682作为图像／视频方向深度学习的SoC片上系统，市场前景很是广阔，这款新品还是很值得期待的。
