多年来，半导体行业一直致力于将越来越多的组件紧密的集成到单个片上系统中(SoC)。毕竟这对于庞大的应用而言是非常实用的解决方案。通过优化处理器的定位，存储器和外部设备芯片厂商能够将数据路径调整到最短，从而提高功率效率并取得更高的性能，此外还能够显著的降低成本。通过这些方法，该行业已经取得了巨大的成功，SoC几乎是我们所有消费电子产品的标准组件。
AI作为一种标准
随着更多的公司意识到利用神经网络处理各种任务(比如自然语言处理、图片识别分类)的巨大潜力，引入人工智能要素的产品数量也在稳步增加。与此同时，这些任务的处理过程正在从基于云的架构迁移到本地终端设备来实现，现在专用硬件神经网络加速器也已经嵌入到SoC器件中。
现在台式机CPU和移动SoC大多都采用多核芯片，因为它们灵活的可扩展架构使其能够按需提供不同的性能，AI"协同芯片"采用类似的方法，它们不仅仅只被设计成一个，而是多个计算GPU和神经网络加速器(NNA)来为特定的应用提供足够的性能，同时确保对硅片尺寸进行优化，将芯片的成本降至最低。这些处理器会紧挨着主应用处理器(SoC)作为"协同芯片"，承载主应用处理器上的NNA内核需要处理的AI推理任务。
现在SoC供应商有机会创建一个传统的通用应用处理器，能够经济高效的适用于多个市场，同时可以配套AI协同芯片来满足一些特定应用或小众应用对于AI功能的需求。
从OEM厂商的角度来看，他们现在可以选择适当地扩展自己的产品解决方案，这取决于他们期望在整个应用方案中对于AI处理操作的开销。
