在人工智能加速计算中，常用的硬件包括：
图形处理单元（Graphics Processing Unit，GPU）：GPU是目前最广泛应用于深度学习和人工智能加速计算的硬件之一。由于其并行计算能力强大，适合处理大规模数据和复杂运算，如矩阵乘法等。
张量处理单元（Tensor Processing Unit，TPU）：TPU是由谷歌开发的专用硬件，旨在优化深度学习任务的训练和推断速度。TPU通过高效地执行张量操作来提高性能。
现场可编程门阵列（Field Programmable Gate Array，FPGA）：FPGA是一种灵活可编程的硬件，在人工智能领域被用于加速计算、定制化处理任务，以及在特定应用中提供更高的性能。
应用特定集成电路（Application-Specific Integrated Circuit，ASIC）：ASIC是为特定应用定制开发的集成电路，通常用于加速深度学习模型的推理和训练过程，例如在云服务中提供高性能的推理能力。
多核处理器：包括通用多核处理器（如Intel Xeon Phi）、多核ARM处理器等，用于执行并行计算任务，提高计算速度和效率。
神经网络处理器（Neural Processing Unit，NPU）也是人工智能加速计算中常用的硬件之一。NPU专门设计用于执行深度学习任务，具有高效的矩阵乘法运算和神经网络推理能力，通常用于移动设备、边缘计算和物联网等领域，以提高能效比和性能。如瑞芯微的RV1126算力棒/开发板 NPU具备2.0Tops@int8算力，RK3588具备6.0@int8算力。
机器视觉处理器（Vision Processing Unit，VPU）：VPU专门设计用于处理图像和视频数据，在计算机视觉和嵌入式系统中发挥重要作用，如对视频的编码、解码、图片缩放、叠加目标框等，都可以通过VPU进行硬件加速，速度远剩余CPU的处理速度。
这些硬件在加速人工智能计算方面发挥着重要作用，不同的硬件架构适用于不同的场景和需求，可以根据具体的任务选择最合适的硬件加速器。
