編者按

大家一直有個誤解，覺得通用和專用，是對等的兩個選擇。例如，牧本波動（Makimoto's Wave），是一個與摩爾定律類似的電子行業發展規律，它認為集成電路有規律的在“通用”和“專用”之間變化，循環周期大約為10年。

我們的觀點則是：相比專用，通用是更高級的能力。集成電路等各種事物發展規律的常態是通用，“通用到專用”只是達到通用狀態后的一些新的探索，是臨時狀態，最終還是要回歸到通用。專用是事物表面的、臨時的、局部的特征，而通用則是事物本質的、長期的、全面的特征。

對大芯片來說，通用是成功的必由之路。CPU是通用芯片，成就了Intel的成功；GPU是通用芯片，成就了NVIDIA的成功。目前，還沒有看到做專用芯片非常成功的案例。長期地看，專用是臨時的，專用的芯片也是臨時的，最終的結果只能是走向消亡。

今天這篇文章，我們聊聊通用和通用計算的話題。

1 相比專用，通用是更高級別的能力

1.1 牧本波動

1987年，原日立公司總工程師牧本次生(Tsugio Makimoto)提出，集成電路發展過程中，芯片產品總是在“標準化”與“定制化”之間交替擺動，大概每十年波動一次。牧本波動（Makimoto's Wave，也稱為牧本定律）背后是性能、功耗和開發效率之間的一個平衡。

也因為同樣的理解，芯片行業的很多人認為，“通用”和“專用”是對等的，是一個天平的兩邊。設計研發的產品，偏向通用或偏向專用，是基于客戶場景需求，對產品實現的權衡。

1.2 專用是臨時的，通用是永恒的

如果我們深入的分析牧本波動的規律，會發現：通用時代的產品都逐漸沉淀下來了，并且仍在發展壯大；而專用時代的產品，要么消失在歷史長河里了，要么是也在變得越來越通用。

以GPU為例，最開始的GPU（Graphics Processing Unit）其實是專用的圖形加速芯片。在上世紀90年代，有太多的公司做專用的GPU加速芯片或者其他各種專用類型的加速芯片。后來NVIDIA發現GPU中有非常多的并行計算部分，于是把GPU改造成由很多高效能的小CPU核（CUDA核）組成的通用GPU（GPGPU），最終才獲得了成功。而其他仍然堅持做專用加速芯片的公司，都已經銷聲匿跡。

所以呢，牧本波動只是一個現象規律，而不是本質規律。透過現象看本質，我們會發現，集成電路等各種事物發展的常態是通用，“通用到專用”只是達到通用狀態后，持續向前發展的一些新的探索，是臨時狀態，最終還是要回歸到新的通用階段、新的通用狀態。專用是事物表面的、臨時的、局部的特征，而通用則是事物本質的、長期的、全面的特征。

一言以蔽之：相比專用，通用是更高級的能力。? ?

1.3 通用案例：智能手機

幾乎我們每個人都擁有智能手機，但可能年輕一些的朋友沒有見過這么多“古老”的電子設備。它們每個設備都有自己特定的功能，導航儀用于導航，電子詞典用于查詞和學習，MP3用于播放音樂等等。后來，隨著智能手機的出現，這些專用的電子設備就都消失在了歷史長河中。

智能手機，是通用的個人移動智能終端，在通用的硬件之上，通過各種不同的軟件應用，實現各種各樣豐富多彩的功能。

1.4 通用案例：AGI大模型

AGI通用人工智能，指的是具備與人類同等甚至超越人類的智能，能表現出正常人類所具有的所有智能行為。? ?

傳統的基于中小模型的人工智能，是專用AI，聚焦某個相對具體的業務方面。比如專門用于人臉識別的AI，專門用于檢測某種特定行為的AI等等。“場景千千萬，模型千千萬”。傳統AI是完全碎片化的一個局面，場景之間的數據和模型等信息無法傳遞，無法整合。傳統AI是弱人工智能。

目前火爆的GPT，則是模型參數發展量變到質變的過程，也是從專用的臨時態往通用的常態發展的過程。目前，GPT4具備了一定的AGI能力，隨著GPT的成功，AGI已經成為全球競爭的焦點。GPT所在的OpenAI公司CEO奧特曼表示，AGI將于2030年之前到來。

隨著GPT等具有通用能力的AI模型出現，之前的諸多專用AI模型已經在快速地萎縮，未來也必然走向消亡。

2 通用，是大芯片成功的必由之路

2.1 越來越復雜的系統需要通用

隨著業務場景越來越復雜，場景的變化也就越來越快。即使同一領域同一場景，不同客戶的業務之間仍然存在巨大差異，甚至在大客戶內部，不同團隊的業務之間也存在差異。此外，業務仍在快速地迭代。

作為芯片，無法做到為每一個場景定制開發專用芯片，一方面是專用芯片覆蓋場景太少，此外專用芯片的生命周期較短。通用芯片，是唯一解決之道。

并且，越來越復雜的場景及場景的差異化，對芯片的通用性設計也提出了更高的要求。芯片的通用性設計，難度越來越高，需要更多的創新思路和更多的投入。? ?

2.2 大芯片的高門檻需要通用

大芯片系統越來越龐大，設計規模越來越大，研發成本越來越成天文數字，門檻越來越高。芯片只有更大規模地落地，才能有效攤薄研發成本。

更大的落地規模，意味著需要更多的場景和領域覆蓋，意味著更高的通用性能力。

2.3 云邊端融合需要通用

云邊端融合，需要架構生態的整合，而不是碎片化：

最開始，當我們的設備是孤島的時候，設備間相互約束較少，設備可以是任意架構，任意開發和運行環境，相互之間影響較小。

隨著互聯網和物聯網的發展，萬物互聯，設備和設備之間開始有了通信。這個時候，我們需要雙方按照既定的規范進行通信。

更進一步，更多的設備連接到一塊了，我們的計算可以跳脫單機的約束，分布式計算逐漸流行。分布式計算，需要考慮不同設備工作之間的工作劃分和協同。因為工作的劃分和協同，于是有了云邊端。

隨著發展，僅考慮協同也會有問題。哪些工作應該在終端做，哪些工作應該在云端做，哪些工作應該在邊緣做，都是提前規劃好的，此刻的協同是靜態的。但隨著協同的工作越來越多、越來越復雜，我們發現實際上很難在早期就做好準確而仔細的任務劃分，這樣就需要在運行階段動態地調整云邊端的工作劃分和協同。于是，融合產生了。在融合階段，云邊端的架構和環境是一致的，某種程度上，從協同階段的數以萬計的設備單系統，升級成了融合階段的數以萬計設備組成的宏觀的單個超級大系統。這個階段，軟件可以動態地、自由地在不同的平臺上調度和運行。??

要想實現云邊端融合，具有高可擴展性的，架構和生態一致的通用計算芯片，是必選項。

3 既通用又高性能的計算存在嗎？

很多朋友會提出疑問，性能和通用靈活性是矛盾，魚和熊掌不可兼得。我們的答案是：有辦法做到魚和熊掌兼得。

接下來是我們對這個問題的解答。

3.1 系統存在“二八定律”

二八定律是一個非常有意思的存在：

RISC和CISC之爭，是因為二八定律。人們發現，80%時間里，運行的常見指令只占指令數量的20%，而另外80%的指令較少使用。

存儲分層，Cache的存在，也是因為二八定律。程序局部性原理，用二八定律來解釋，就是在某個時間段內，80%的大部分時間里，只是在訪問20%的區域。

云計算，也是二八定律的一個典型的案例。我們從自建數據中心，到云計算IaaS、PaaS和SaaS，其實就是整個計算系統逐漸由供應商接管的過程。系統是符合二八定律的：就是系統中存在80%相對確定且共性的工作，而20%的工作是相對多變且個性的工作。這80%的工作供應商可以接管，而另外20%的工作則由用戶自己把握較好。

并且，二八定律還存在嵌套的情況。基于此，我們可以對系統做如下三個層次的劃分：

從系統中，分離出來80%共性的工作，這部分劃分到系統的基礎設施層。

系統中另外20%的個性的工作，可以再細分，也就是16%（20%*80%）的工作相對共性，而另外4%（20%*20%）的工作是極度個性的：

?16%相對共性的工作，歸屬于系統的彈性加速層。

4%極度個性的工作，歸屬于系統的應用層。

?3.2 團隊分工協同，既通用又高效

DSA是專家，做專業的事情非常高效，但劣勢在于過于專用；CPU是通才，啥都能干，但干啥都不夠高效；而GPU的能力介于兩者之間。

作為單兵，DSA、GPU、GPU都是有長有短。但作為團隊，發揮各自的優勢，可以形成各自能力的高效整合：

80%共性的基礎設施層，因為工作任務相對確定，因此可以采用相對確定且高效的DSA處理器。

16%相對共性的彈性加速層，因為工作任務具有一定的靈活彈性，但也不是無章可循，因此采用相對彈性的GPU處理器比較合適。

4%極度個性的應用層。則采用最通用靈活的CPU處理器。

或者我們換個思路分析。系統中的各項工作，讓各類DSA先挑，DSA挑剩下的工作GPU再挑，DSA和GPU都挑剩下的工作，最后由CPU來兜底完成。這樣就可以達到通用：通過CPU+GPU+DSAs的異構融合系統可以處理所有系統的工作。? ??

可能，會有朋友挑戰，DSA會有很多，萬一不存在一個合適的DSA去處理特定的某個性能敏感的任務，這豈不是只能GPU或CPU來做，這是不是就不是極致的性能效率了？

如果從單機計算來看，這個問題是存在的。但從宏觀的云邊端融合計算來看，這個問題根本就不是問題。可以通過宏觀調度的方式，找到最合適某個或某些DSAs最高效的計算平臺，實現這個小系統的最極致性能的并且通用的運行環境。? ?

4 第三代通用計算

4.1 基于異構協同視角的計算架構劃分

基于多種異構處理器協作的視角，計算架構可以分為六個階段：

第一代，CPU單核串行階段。

第二代，CPU同構多核并行階段。

第三代，CPU+GPU通用異構并行階段。

第四代，CPU+DSA專用異構并行階段。

第五代，CPU+GPU+DSAs的多異構或超異構階段。

第六代，CPU+GPU+DSAs的異構融合階段。

需要說明的是，新的階段開始，并不意味著上一階段的完全消亡，只是說它的場景會越來越少，逐漸走向凋零。

在2023年9月份，工信部電子五所發布的《異構融合計算技術白皮書》中，詳細介紹了 “異構融合計算”技術的發展背景、技術細節，以及未來發展展望，歡迎下載閱讀。

4.2 增加“通用”約束，形成通用計算架構

通用，是大芯片成功的必由之路。那么，我們有必要為計算架構增加“通用”的約束，這樣計算架構的六個發展階段可以縮減為三個階段：

第一代通用計算，CPU同構通用計算。依據“二八定律”，這一時期，所有（100%）的工作都是CPU來做。

第二代通用計算，CPU+GPU異構通用計算。這一時期，GPU完成絕大部分（80%）的工作，CPU完成較少部分（20%）的工作。

第三代通用計算，CPU+GPU+DSAs異構融合通用計算。這一時期，DSAs完成絕大部分（80%）的工作，GPU完成剩余較少部分中的絕大部分（16%）工作，剩下的（4%）工作，由CPU完成。

第一代通用計算，成就了Intel的成功；第二代通用計算，成就了NVIDIA的成功；第三代通用計算，才剛剛開始萌芽。“彎道超車”的重要機會，希望國內有廠家能夠脫穎而出，成就偉大的事業。

4.3 最終的形態，為什么是異構融合而不是DSA？

有些朋友可能會問，既然第二代是GPU，那么第三代為什么不是AI-DSA或者DPU這種形態的計算芯片？

在第二代通用計算時代，為了更好的通用性，獨立的加速卡方式是比較好的選擇。所以最終成功的是獨立形態的GPU，而不是CPU+GPU集成形態的APU。? ?

在第三代通用計算時代，我們沒法簡單復制第二階段的做法。因為第三階段存在如下一些問題：

問題一，專用芯片無法承載通用計算。AI芯片是一種DSA，DPU可以當作多種DSA的集合體。DSA是一種專用芯片，無法實現通用計算，也無法主導計算架構的走向。

問題二，架構和生態碎片化。獨立的DSA，面向的領域五花八門，實現的架構五花八門。如果不考慮DSA的整合，會使得計算架構和生態碎片化。

問題三，協同問題。第二代通用計算僅有兩類處理器CPU和GPU，協同相對簡單。但第三階段，處理器芯片的類型通常在5個以上，這一時期，核心問題在協同和融合。來自不同廠商的各自獨立的處理器芯片，幾乎無法高效協同。

目前階段，整合成單芯片的做法是可行的路徑。

審核編輯：黃飛

?