的公司制造芯片，现在每年制造的硅片数量几乎是英特尔的三倍，所以台积电有更多的时间打磨自己的工艺。此外，在英特尔将芯片设计初创公司视为威胁的地方，台积电看到了制造服务的潜在客户。由于台积电只有一个价值主张——高效制造，其领导层坚持不懈地致力于以更低的成本制造更先进的芯片。而英特尔的领导者不得不将注意力分散在芯片设计和芯片制造之间。他们最终把两者都搞砸了。
英特尔的第一个问题是人工智能。到21世纪第二个十年早期，英特尔的核心市场——个人电脑处理器的供应，已经停滞不前。如今，除了游戏玩家之外，几乎没有人会在新型号发布时兴奋地升级他们的电脑，而且大多数人不会太在意电脑使用的是哪种类型的处理器。英特尔的另一个主要销售数据中心服务器处理器的市场在21世纪第二个十年蓬勃发展。亚马逊云、微软云、谷歌云和其他公司构建了庞大的数据中心网络，提供了使“云”成为可能的计算能力。我们在线使用的大部分数据在这些公司的数据中心中处理，每个数据中心都需要使用英特尔芯片。但在21世纪第二个十年早期，也就是在英特尔完成对数据中心的征服之际，处理需求开始发生转变。新的趋势是人工智能，但是英特尔的主要芯片设计不佳，无法解决这一问题。
自20世纪80年代以来，英特尔专门开发了一种称为CPU的芯片，个人电脑中的微处理器就是一个例子。这些芯片在电脑或数据中心中充当“大脑”。它们是通用计算的主要工具，可以打开网络浏览器或运行微软的Excel（电子表格软件），或者进行许多不同类型的计算，用途广泛，但它们进行的计算是一个一个串行的。
奥尔·撒尼尔（OrSharir）、巴拉克·皮莱格（BarakPeleg）和雅夫·索姆（YoavShoham），《NLP模型的培训成本：简明概述》（TheCostofTrainingNLPModels:AConciseOverview），AI21实验室，2020年4月。在通用CPU上运行任何人工智能算法都是可能的，但人工智能所需的计算规模使得CPU的使用成本过高。训练一个人工智能模型所用的芯片及其用电成本可能高达数百万美元。（为了训练电脑识别猫，你必须给它看很多猫和狗，让它学会区分这两种动物。你的算法需要的动物越多，你需要的晶体管就越多。）
由于人工智能工作负载通常需要重复运行相同的计算，每次使用不同的数据，所以找到一种方法为人工智能算法定制芯片对于使其在经济上可行至关重要。亚马逊和微软等大型云计算公司运营着大多数算法运
