新智元專欄

2008年，《三體2：黑暗森林》里寫到：

真的很難，你冬眠后不久，就有六個(gè)新一代超級(jí)計(jì)算機(jī)大型研究項(xiàng)目同時(shí)開(kāi)始，其中三個(gè)是傳統(tǒng)結(jié)構(gòu)的，一個(gè)是非馮結(jié)構(gòu)的，另外兩個(gè)分別是量子和生物分子計(jì)算機(jī)研究項(xiàng)目。但兩年后，這六個(gè)項(xiàng)目的首席科學(xué)家都對(duì)我說(shuō)，我們要的計(jì)算能力根本不可能實(shí)現(xiàn)。量子計(jì)算機(jī)項(xiàng)目是最先中斷的，現(xiàn)有的物理理論無(wú)法提供足夠的支持，研究撞到了智子的墻壁上。緊接著生物分子計(jì)算機(jī)項(xiàng)目也下馬了，他們說(shuō)這只是一個(gè)幻想。最后停止的是非馮結(jié)構(gòu)計(jì)算機(jī)，這種結(jié)構(gòu)其實(shí)是對(duì)人類大腦的模擬，他們說(shuō)我們這只蛋還沒(méi)有形成，不可能有雞的。最后只有三個(gè)傳統(tǒng)結(jié)構(gòu)計(jì)算機(jī)項(xiàng)目還在運(yùn)作，但很長(zhǎng)時(shí)間沒(méi)有任何進(jìn)展。

好在我們要的計(jì)算機(jī)還是出現(xiàn)了，它的性能是你冬眠時(shí)最強(qiáng)計(jì)算機(jī)的一萬(wàn)倍。傳統(tǒng)結(jié)構(gòu)？傳統(tǒng)結(jié)構(gòu)，能從摩爾定律這個(gè)檸檬里又榨出這么多汁來(lái)，計(jì)算機(jī)科學(xué)界都很吃驚。但這次，親愛(ài)的，這次真的到頭了

那是我讀計(jì)算機(jī)體系結(jié)構(gòu)專業(yè)博士的最后一年，當(dāng)時(shí)我對(duì)此嗤之以鼻：摩爾定律怎么可能還有那么多油水可以榨。工藝極限近在眼前，不用智子出手，摩爾定律就會(huì)死翹翹了；傳統(tǒng)結(jié)構(gòu)更是沒(méi)戲，CPU的架構(gòu)已經(jīng)被研究到頭了，從2000年后，幾乎沒(méi)有搗鼓出啥新東西。

所以，這個(gè)“一萬(wàn)倍”，真的是好科幻好科幻啊。

回顧三體2出版之后的這九年，工藝進(jìn)展步履維艱，微架構(gòu)亮點(diǎn)寥寥，CPU的性能每一代都是擠牙膏。一切都好像在印證我悲觀的預(yù)期——計(jì)算機(jī)硬件的性能，好像真的提升不上去了。

但是，從去年開(kāi)始，“科幻”般的事件相繼降臨：

• 2016年3月，AlphaGo戰(zhàn)勝李世石，它使用了1202個(gè)CPU和176個(gè)GPU

  
  

• 2016年4月，NVidia發(fā)布Pascal架構(gòu)，峰值性能達(dá)到11TFLOPS/s，黃仁勛在接受新智元專訪時(shí)表示，半導(dǎo)體技術(shù)迭代在放緩，但GPU Pascal架構(gòu)比上一代性能在兩年內(nèi)提升了近十倍，因此可以說(shuō)我們正處在一個(gè)“超級(jí)摩爾定律”時(shí)代。

  
  

• 今年5月11日，NVidia發(fā)布Volta架構(gòu)，峰值性能達(dá)到120TFLOPS/s

  
  

• 今年5月11日，Google公布TPU二代，峰值性能達(dá)到180TFLOPS/s，且可以通過(guò)Google Cloud訪問(wèn)

  
  

• 今年5月23日AlphaGo重出江湖并且毫無(wú)懸念地戰(zhàn)勝了柯潔；24日，DeepMind CEO 哈薩比斯和AlphaGo項(xiàng)目總負(fù)責(zé)人David Silver 在新聞發(fā)布會(huì)上接受媒體采訪時(shí)表示，AlphaGo實(shí)際上是在谷歌云端的單一一臺(tái)機(jī)器上運(yùn)行的，此機(jī)器建立于二代TPU之上（據(jù)說(shuō)這臺(tái)機(jī)器使用了4塊TPU）

在摩爾定律已經(jīng)嚴(yán)重減速甚至失效的今天，我們實(shí)實(shí)在在地看到了算力的大幅度提升，而且這場(chǎng)算力的軍備競(jìng)賽還在繼續(xù)！

而我，也改變了自己悲觀的預(yù)期，相信在不遠(yuǎn)的將來(lái)，“摩爾定律結(jié)束之后，性能提升一萬(wàn)倍”，將不會(huì)是科幻，而是發(fā)生在我們眼前的事實(shí)。

這是不是太瘋狂了？設(shè)計(jì)計(jì)算機(jī)硬件的技術(shù)宅男們，憑什么做到這一點(diǎn)？憑TPU所代表的技術(shù)路線以及新的商業(yè)模式。且聽(tīng)我慢慢道來(lái)。

為什么CPU是低效的

在解釋憑什么能做到“摩爾定律之后一萬(wàn)倍”之前，我們先聊聊為什么CPU和GPU無(wú)法擔(dān)此重任。

如果你問(wèn)我，CPU最大的特點(diǎn)是什么？我會(huì)說(shuō)：它給程序員一個(gè)假象，讓你感覺(jué)訪問(wèn)大容量的內(nèi)存任何一個(gè)位置的延遲都是相同的，而且和做一次加法的延遲差不多，近乎為0。

制造這個(gè)假象非常困難。要知道CPU所采用的Logic生產(chǎn)線，同內(nèi)存用的Memory生產(chǎn)線，有天壤之別。簡(jiǎn)單地說(shuō)，由于某種底層的物理定律，Memory產(chǎn)線無(wú)法實(shí)現(xiàn)CPU所需要的高速度，Logic產(chǎn)線無(wú)法實(shí)現(xiàn)內(nèi)存所需要的大容量。更糟糕的是，Memory制程相對(duì)于Logic制程還越來(lái)越慢，從1986年到2000年，Logic每年提速55%，而Memory只有10%。

何為“快”“慢”？口語(yǔ)中的“快”，可以指延遲小（從開(kāi)始到結(jié)束間隔的時(shí)間短），也可以指帶寬大（單位時(shí)間內(nèi)通過(guò)的量大），說(shuō)“高鐵快”，指前者，說(shuō)“網(wǎng)速快”，指后者。內(nèi)存的帶寬其實(shí)增長(zhǎng)得還湊合，486時(shí)代CPU跑100MHz，SDRAM內(nèi)存帶寬為100MT/s；如今CPU達(dá)到2GHz~3GHz，DDR4內(nèi)存帶寬3200MT/s。雖然內(nèi)存帶寬有了幾十倍的提升，但從發(fā)出讀請(qǐng)求到內(nèi)存條返回?cái)?shù)據(jù)的延遲，這二十年來(lái)只減小了兩倍多。

且不說(shuō)外行人，很多初級(jí)程序員都不知道內(nèi)存的延遲如此糟糕，即使是資深程序員，在大多數(shù)時(shí)候，也可以在編碼中忽略它，為什么？這都是CPU的功勞。CPU使用了很多復(fù)雜的技術(shù)來(lái)隱藏內(nèi)存的延遲，例如：

1. CPU使用非常大量的片上存儲(chǔ)來(lái)做cache（緩存），把程序經(jīng)常訪問(wèn)的數(shù)據(jù)放在片上，這樣就不必訪問(wèn)內(nèi)存了

   
   

2. CPU用復(fù)雜的技術(shù)猜測(cè)程序即將訪問(wèn)哪些數(shù)據(jù)，用預(yù)取的方式，提前把這些數(shù)據(jù)從內(nèi)存中搬運(yùn)到片上

   
   

3. 當(dāng)某一段程序由于等待內(nèi)存數(shù)據(jù)而卡住無(wú)法執(zhí)行時(shí)，CPU用亂序的方式，執(zhí)行接下來(lái)的片段

   
   

4. 使用超線程技術(shù)，當(dāng)一個(gè)程序因?yàn)榈却齼?nèi)存數(shù)據(jù)而卡住時(shí)，選擇另外一個(gè)程序來(lái)執(zhí)行

CPU的硅片上，絕大多數(shù)面積都是用來(lái)制造“內(nèi)存訪問(wèn)近乎零延遲”這一假象的，真正用來(lái)做運(yùn)算的邏輯，所占面積甚至不到1%——這就是它低效的根源。

CPU誕生于Logic和Memory的速度差不多的年代，那個(gè)時(shí)候，程序員就已經(jīng)習(xí)慣于假設(shè)“內(nèi)存訪問(wèn)近乎零延遲”，為了保證對(duì)軟件的兼容，CPU多年來(lái)不惜一切代價(jià)維持這一假象。積重難返，時(shí)至今日，軟件已經(jīng)無(wú)法通過(guò)CPU來(lái)充分利用集成電路制造工藝所提供的澎湃動(dòng)力。

為什么GPU是低效的

再用一句話來(lái)總結(jié)GPU最大的特點(diǎn)：它給程序員一個(gè)假象，讓你感覺(jué)GPU上面有數(shù)十萬(wàn)個(gè)小程序在運(yùn)行，彼此相安無(wú)事。

GPU的架構(gòu)，簡(jiǎn)單地說(shuō)，就是把類似CPU超線程的技術(shù)用到極致來(lái)隱藏內(nèi)存訪問(wèn)的超長(zhǎng)延遲。GPU里面有數(shù)千個(gè)小核心，每個(gè)都可以看成是個(gè)小CPU，與此同時(shí)，它同時(shí)運(yùn)行最多數(shù)十萬(wàn)個(gè)小程序，大多數(shù)程序會(huì)因?yàn)榈却L存而卡住，真正在小CPU上執(zhí)行的程序只有數(shù)千個(gè)。

因?yàn)橥瑫r(shí)在工作的小核心有數(shù)千個(gè)，GPU比起CPU，單位時(shí)間內(nèi)完成的運(yùn)算量大多了。但它也有軟肋，那就是：這數(shù)十萬(wàn)個(gè)小程序，彼此之間根本不可能相安無(wú)事，它們會(huì)搶存儲(chǔ)帶寬，搶得很兇。GPU要付出的管理代價(jià)相當(dāng)高：

1. 要做復(fù)雜的緩存，以備一塊從顯存取來(lái)的數(shù)據(jù)被很多小核心使用

   
   

2. 訪存接口只有8個(gè)，能發(fā)出訪存請(qǐng)求的小核心確有數(shù)千個(gè)，必須分析它們發(fā)出的請(qǐng)求，把訪問(wèn)相鄰地址的請(qǐng)求捏在一起作為一個(gè)請(qǐng)求送給顯存

   
   

3. 訪存帶寬必須做得遠(yuǎn)高于CPU，才能喂飽數(shù)千個(gè)小核心

   
   

4. 數(shù)千個(gè)小核心上，每個(gè)時(shí)鐘周期所運(yùn)行的小程序都可能不一樣，每個(gè)小程序的上下文都要保留，以備將來(lái)喚醒。為了存儲(chǔ)上下文所付出的片上Memory的面積，堪比CPU上的龐大緩存

相對(duì)于CPU，GPU制造假象的能力稍遜一籌，稍有經(jīng)驗(yàn)的GPU程序員，都明白要盡可能讓GPU上并行跑的數(shù)十萬(wàn)小程序在訪存時(shí)呈現(xiàn)一定的規(guī)律，否則GPU的效率會(huì)大打折扣。

GPU的定位，不單單是圖形加速，而是所有的有海量數(shù)據(jù)并行運(yùn)算的應(yīng)用，因此它必須非常通用，不能對(duì)其上運(yùn)行的數(shù)十萬(wàn)個(gè)小程序做限制。事實(shí)上，這數(shù)十萬(wàn)的小程序每個(gè)都可以任意訪問(wèn)到顯存的所有位置，而且訪問(wèn)的位置各不相同，在這種情況下，GPU也要保證功能的正確性，哪怕跑得慢些。管理和組織這數(shù)十萬(wàn)個(gè)不受限制的小程序所付出的硅片面積代價(jià)和內(nèi)存帶寬的代價(jià)，是GPU低效的根源。

為什么FPGA只是過(guò)渡方案

CPU和GPU的架構(gòu)都有非常沉重的歷史包袱，體現(xiàn)在：

1. 它們都有很強(qiáng)的通用性，不能僅僅只針對(duì)某個(gè)領(lǐng)域做優(yōu)化

   
   

2. 它們都有很強(qiáng)的兼容性，過(guò)去編寫的程序必須能夠運(yùn)行

   
   

3. 它們都有穩(wěn)定而龐大的程序員隊(duì)伍，這些程序員的思維方式不加改變的話，它們就不能放棄提供那些“假象”

這些也是非常偉大而甜蜜的包袱，正因?yàn)楸池?fù)著它們，CPU和GPU廠商才能在它們既有的市場(chǎng)里呼風(fēng)喚雨，并且把競(jìng)爭(zhēng)者擋在門外。

如果扔掉這些包袱，設(shè)計(jì)全新的架構(gòu)，就可以做到：

1. 僅僅針對(duì)某個(gè)領(lǐng)域做優(yōu)化

   
   

2. 不考慮對(duì)過(guò)去軟件的兼容

   
   

3. 用全新的方式對(duì)其編程，不拘泥于之前的思維定勢(shì)

這樣設(shè)計(jì)出的架構(gòu)，對(duì)其目標(biāo)領(lǐng)域，性能指標(biāo)會(huì)大幅度超越CPU和GPU這類通用架構(gòu)。原因非常淺顯易懂，通用性和最優(yōu)化無(wú)法兩全。歷史上已有先例，當(dāng)計(jì)算化學(xué)領(lǐng)域和天體物理領(lǐng)域?qū)τ?jì)算性能的需求無(wú)法被滿足時(shí)，分別有科學(xué)家們?yōu)樗鼈冮_(kāi)發(fā)出了專用的Anton和Grape-DR計(jì)算機(jī)。只不過(guò)它們的專業(yè)性太強(qiáng)，不為大眾所知。

如今，當(dāng)CPU和GPU的架構(gòu)已經(jīng)無(wú)法滿足人工智能應(yīng)用對(duì)速度、功耗和成本的需求時(shí)，尋找新的架構(gòu)成為了大家共同的選擇。在尋找新架構(gòu)的過(guò)程中，F(xiàn)PGA起到了開(kāi)路先鋒的作用。

FPGA是什么？如果說(shuō)CPU和GPU是在架構(gòu)級(jí)別做到“通用”的話，F(xiàn)PGA就是在更低一級(jí)的電路級(jí)做到了“通用”。通過(guò)硬件描述語(yǔ)言對(duì)FPGA編程后，它可以模擬任何一種芯片的架構(gòu)，包括CPU和GPU的架構(gòu)，通俗地說(shuō)，F(xiàn)PGA是一種可編程的“萬(wàn)能芯片”。它非常適合探索性的、小批量的產(chǎn)品。

我們已經(jīng)看到了很多的FPGA方案，實(shí)現(xiàn)了比GPU更好的速度、功耗或成本的指標(biāo)。但是，F(xiàn)PGA依然無(wú)法擺脫“通用就無(wú)法最優(yōu)”這一規(guī)律的制約。它之所以還能體現(xiàn)出相當(dāng)?shù)膬?yōu)勢(shì)，是因?yàn)樵谝粋€(gè)軟硬件系統(tǒng)中，算法的影響遠(yuǎn)大于硬件架構(gòu)，而硬件架構(gòu)的影響又遠(yuǎn)大于電路——在電路級(jí)別做“通用”付出的代價(jià)，比起在架構(gòu)級(jí)別做“通用”的代價(jià)，還是小得多了。

一旦FPGA給某個(gè)專用架構(gòu)趟出路來(lái)之后，它就會(huì)退居幕后，讓位給更專用的ASIC。

TPU代表了未來(lái)的方向

這次同柯潔對(duì)陣的AlphaGo，采用了Google自研的第二代TPU。TPU的特點(diǎn)是：

1. 僅僅針對(duì)線性代數(shù)做優(yōu)化

   
   

2. 不兼容CPU或GPU的程序

   
   

3. 用全新的方式對(duì)其編程

   
   

4. 用ASIC而非FPGA的方式來(lái)實(shí)現(xiàn)

深度學(xué)習(xí)所使用算法，絕大多數(shù)可以被映射為底層的線性代數(shù)運(yùn)算。TPU（Tensor Processing Unit）中的Tensor，就是線性代數(shù)中的基本數(shù)據(jù)類型。線性代數(shù)運(yùn)算有兩大特點(diǎn)：Tensor的流動(dòng)非常規(guī)整且可預(yù)期；計(jì)算密度很高，即每個(gè)數(shù)據(jù)都會(huì)歷經(jīng)非常多次的計(jì)算。這兩大特點(diǎn)使得線性代數(shù)運(yùn)算特別適合做硬件加速——所有用來(lái)制造“假象”的邏輯都不再必要，每個(gè)晶體管都可以用做有意義的運(yùn)算或存儲(chǔ)。

TPU上無(wú)法運(yùn)行CPU上跑的Java或C++程序，也無(wú)法運(yùn)行GPU上的CUDA程序。雖然尚未有公開(kāi)信息，但它的編程方式非?？赡苁沁@樣：TensorFlow把神經(jīng)網(wǎng)絡(luò)用一種中間格式表示出來(lái)，然后這種中間格式被編譯器轉(zhuǎn)換為TPU上獨(dú)特的程序。這種中間格式被稱為TensorFlow XLA，它也將是TensorFlow支持其它線性代數(shù)加速器的工具。

Google之所以選擇ASIC而非FPGA，與其說(shuō)是它的眼光好，不如說(shuō)是它的魄力強(qiáng)。內(nèi)行人都知道ASIC效能遠(yuǎn)超F(xiàn)PGA，但仍然有很多人不敢選擇ASIC，為什么？自己做ASIC的風(fēng)險(xiǎn)太大：周期長(zhǎng)，投入多，門檻高。一旦芯片做錯(cuò)，就和石頭無(wú)異，落個(gè)血本無(wú)歸。當(dāng)年Apple決定自己做芯片時(shí)，并沒(méi)有直接組建隊(duì)伍，而是收購(gòu)了P.A. Semi；這么多年后，成果赫赫，但依然不敢在Mac電腦中使用自研的CPU來(lái)淘汰Intel的芯片。而Google在短短幾年內(nèi)，組建了隊(duì)伍，設(shè)計(jì)了合理的架構(gòu)，做出了能work的芯片，并且敢于在自己的云上部署自己的產(chǎn)品，只能說(shuō)一聲“服！”

Google是一家偉大的公司，在它發(fā)布MapReduce、GFS和BigTable的論文之前，這些東西被普遍認(rèn)為是不可能完成的。相信很多人在看到裝備TPU的AlphaGo戰(zhàn)勝柯潔之前，也會(huì)認(rèn)為TPU是不可能完成的。歷史證明，Google能做的事情，別人起碼可以模仿個(gè)七八分?，F(xiàn)在大家應(yīng)該相信，在一個(gè)足夠重要應(yīng)用領(lǐng)域中，完全可以把優(yōu)化和定制做到晶體管級(jí)別，而不是只做到某種現(xiàn)成的芯片架構(gòu)的級(jí)別。這不但可行，而且必要，因?yàn)槟悴贿@么做，競(jìng)爭(zhēng)對(duì)手也會(huì)這么做。

硬件的開(kāi)源時(shí)代

摩爾定律的通俗表示是：每一美元所能買到的電腦性能，將每隔18-24個(gè)月翻一倍以上。過(guò)去三十年，拜摩爾定律所賜，我們見(jiàn)證了超過(guò)百萬(wàn)倍的性價(jià)比提升。未來(lái)我們所能看到的這一萬(wàn)倍，也應(yīng)該按照“單位成本所能買到的電腦性能”來(lái)計(jì)算。

CPU和GPU這種通用架構(gòu)，它們的歷史包袱不僅僅導(dǎo)致了優(yōu)化難以開(kāi)展，還導(dǎo)致了：一、壟斷導(dǎo)致的超額利潤(rùn)；二、過(guò)度復(fù)雜所帶來(lái)的研發(fā)成本上升。于是，芯片的價(jià)格居高不下。

未來(lái)，當(dāng)特定領(lǐng)域的定制芯片大行其道時(shí)，這些芯片的價(jià)格也將顯著降低。原因在于：一、不再有壟斷；二、沒(méi)有歷史包袱所帶來(lái)的研發(fā)成本；三、開(kāi)源所帶來(lái)的研發(fā)成本降低。

硬件開(kāi)源過(guò)去有過(guò)嘗試，但無(wú)大成，原因是多種多樣的。但從長(zhǎng)遠(yuǎn)角度看，所有的基礎(chǔ)設(shè)施，被廣大廠商共享的，最終都會(huì)走向開(kāi)源的路子。如果說(shuō)Intel的CPU是大地（所有的優(yōu)化不能做到比它更加底層），那么Linux、Python和PHP就是大地之上最底層的基礎(chǔ)設(shè)施，它們是開(kāi)源的；如果說(shuō)GPU+CUDA是大地，那么各種深度學(xué)習(xí)的框架就是最底層的基礎(chǔ)設(shè)施，它們也都是開(kāi)源的。如果未來(lái)晶體管是大地，那么毫無(wú)疑問(wèn)芯片的架構(gòu)也會(huì)出現(xiàn)各種開(kāi)源方案。

這一切才剛剛開(kāi)始。這個(gè)月NVidia做了兩件有趣的事：贊助了開(kāi)源CPU架構(gòu)RISCV在上海舉辦的workshop；宣布Xavier自動(dòng)駕駛芯片中的針對(duì)線性代數(shù)的硬件加速模塊DLA將開(kāi)源。大廠支持開(kāi)源，絕不是搞慈善，而是為了扼殺競(jìng)爭(zhēng)對(duì)手，贏得業(yè)界事實(shí)標(biāo)準(zhǔn)的控制權(quán)。但開(kāi)源的后果，必然是降低設(shè)計(jì)門檻，降低整個(gè)行業(yè)的研發(fā)成本。

我們的星辰大海：從應(yīng)用到晶體管的全棧優(yōu)化

對(duì)于從事計(jì)算機(jī)體系結(jié)構(gòu)專業(yè)的同仁而言，這是最好的時(shí)代，半導(dǎo)體制造的先進(jìn)工藝進(jìn)展緩慢，但軟件的各種應(yīng)用需求還在不斷涌現(xiàn)，軟硬件接口逐漸模糊，成熟工藝的成本不斷下降。為了優(yōu)化特定應(yīng)用，做深入到晶體管級(jí)的全棧優(yōu)化成為一個(gè)現(xiàn)實(shí)的選項(xiàng)。只要正確地設(shè)計(jì)專用架構(gòu)，使用成熟工藝也可以輕松超越GPU和CPU這種通用架構(gòu)，哪怕它們采用最先進(jìn)的制造工藝。

這是一個(gè)全新的世界，以往的利益格局和設(shè)計(jì)思想都將被打破，誰(shuí)也無(wú)法預(yù)知將會(huì)發(fā)生怎樣的興衰變遷。但這就是我們的星辰大海，一起來(lái)探索和歷險(xiǎn)吧！

王逵，北京大學(xué)本碩博，自從大三讀了Hennessy和Patterson的書(shū)之后，就掉進(jìn)了計(jì)算機(jī)體系結(jié)構(gòu)的坑，至今也沒(méi)有爬出來(lái)。前后總共做了14年的CPU，從基礎(chǔ)軟件、芯片架構(gòu)，到物理實(shí)現(xiàn)都攢了點(diǎn)經(jīng)驗(yàn)。2016年加入比特大陸，從事人工智能加速芯片的設(shè)計(jì)和實(shí)現(xiàn)工作。

參考文獻(xiàn)：

[1]Astrophysics with GRAPE, Junichiro Makino & Takayuki Saitoh

[2]Green500:日本成功研發(fā)最高能效超算機(jī)，王迪

[3]D.E.Shaw才是計(jì)算化學(xué)領(lǐng)域的人生贏家！via 超級(jí)數(shù)學(xué)建模