从定义上来看，DSA 与专用集成电路 ASIC 不同，后者仅适用于单一功能，运行其上的代码很难进行修改。DSA 板卡通常被称为加速器，因为与在通用 CPU 上执行整个应用程序相比，它们可以加速某些应用程序。此外，DSA 可以实现更好的性能，因为它们更贴近应用的实际需求。DSA 的例子包括最常见的图形加速单元（即 GPU），用于深度学习的神经网络处理器，以及软件定义处理器（SDN）。在特定领域的应用中，DSA 的效率更高，能耗更低。

通常，适用于 AI 推理的 DSA 处理器无法应用于高性能通用计算、光线渲染等任务，但又不像 ASIC 那样只能胜任很少的一些固化算法任务。在人工智能的任务上，DPU 芯片可以有很高的通用性，既支持 NLP，又支持计算机视觉和语音的任务处理，还可以通过 TVM 等工具覆盖各种机器学习框架。

如果说体系架构大师展望的技术方案是 DSA 成立的充分条件，那么科技公司对于 AI 算力的需求就是 DSA 芯片形成突破的必要因素。

目前，想要通过各种方法来构建一块 GPU，与英伟达实现相似的性能仍然非常困难。但在以数据中心为核心的互联网新时代，国内头部互联网公司的规模为整个行业带来了前所未有的 AI 落地场景。如果能够准确找到落地需求，构建高效的 AI 加速器，不仅可以大幅提升机器学习的价值，或许还能催生出潜在的新市场。

在这种情况下，能够搞清应用方向就成为了 DSA 能否成功的关键。如今科技公司需要深度学习推断的业务包括推荐系统、内容审核、AI 教育、人工智能客服、图文翻译等各种方面。围绕这些业务，所有互联网厂商都产生了大量算力需求。

对于一家半导体公司来说，要想打造一块能够完成这些任务的芯片，其设计要符合客户应用场景、底层需求，具备高效的实现方式，同时也要在交付成本、维护服务、更新迭代的速度、软件友好的程度，甚至销售策略上具备竞争力。

体系结构之外，另一个契机在于指令集，RISC-V 兴起也在让芯片领域发生着变化，它的模块化和可扩展性完美地匹配 DSA 灵活高效的技术需求。

诞生于 2010 年的 RISC-V 是一个开源的精简指令集架构，适用于创建微处理器和微控制器。最早由美国加州大学伯克利分校（UC Berkeley）的 Krste Asanovic 教授、Andrew Waterman 和 Yunsup Lee 等开发人员于 2010 年提出，又得到了计算机体系结构大师 David Patterson 的支持。这个架构允许开发者免费开发和使用，包括直接在芯片上进行商业化实现。