张朝洋接着问：“下围棋的算力多大啊，你怎么这是怎么提供的？”
“AI芯片呗。”
周不器也有点含糊，具体的情况他也不太清楚，只是有一个大概的了解。他批过一个申请，沈向阳为此购买了2万块的英伟达的GPU来提供算力，费用是3亿美元。除此之外，自研的AI芯片，也使用了2万块，花费1亿美元。
张朝洋问：“我看报道，说是你们为了把这件事做成，总共投入了4万块显卡。”
周不器道：“不太准确吧，应该是2万块。还有2万块是自研的，不是GPU。”
这就有着专用芯片和通用芯片的区分了。
GPU通常是指通用芯片，是可以“通用”的，放在很多场景都可以。显卡最重要的组成部分，就是GPU，很多时候就用显卡来指代GPU。
很多媒体不太懂具体的技术，在报道的时候就会比较随意，就说用了多少多少的显卡……其实不准确，实际上应该是通用的GPU芯片。
除了通用的，还有专用的呢。
比如沈向阳的另一个团队，就一直在自研AI芯片。
如果是通用芯片，那其实很简单，去外面采购GPU芯片，然后组装到AI芯片上，就成功了，也可以顶着“自研”的旗帜。
紫微星并没有这样搞，是真的在自研，是在搞专属于紫微云的专用AI芯片。
两者的区别，就是显卡GPU是通用的，相当于“兼职”，可以干的事情很多，干什么都行；专用的AI芯片，是专职，只做AI计算这一件事，更节能、更廉价、更大的计算量。
相比于价格高得离谱的显卡GPU，谁都知道自研“全职”、“专职”的AI芯片更有未来。
可是，这是个全新的不成熟的领域，存在着许许多多个方向，到底哪条路是对的？不知道！这研发风险就很大了。
花了几十亿美元搞研发，搞不好就失败了。
有这几十亿美元，直接去英伟达买通用芯片，既省时又简单。
现在的科技产业里，真正在做自研AI芯片开发的公司，除了紫微星，也就是英特尔、谷歌、IBM、英伟达、高通这些科技巨头了。
从价格上来说，的确便宜。
从效果上来说，跟成熟的显卡相比还有一定的差距。
张朝洋就感慨着说：“你现在是越来越能了！”