CPU/GPU/FPGA都不給力，為啥說TPU才是未來？

本文來自計算機體系結(jié)構(gòu)專家王逵。他認(rèn)為，“摩爾定律結(jié)束之后，性能提升一萬倍”不會是科幻，而是發(fā)生在我們眼前的事實。

2008 年，《三體 2：黑暗森林》里寫到：
真的很難，你冬眠后不久，就有六個新一代超級計算機大型研究項目同時開始，其中三個是傳統(tǒng)結(jié)構(gòu)的，一個是非馮結(jié)構(gòu)的，另外兩個分別是量子和生物分子計算機研究項目。但兩年后，這六個項目的首席科學(xué)家都對我說，我們要的計算能力根本不可能實現(xiàn)。量子計算機項目是最先中斷的，現(xiàn)有的物理理論無法提供足夠的支持，研究撞到了智子的墻壁上。緊接著生物分子計算機項目也下馬了，他們說這只是一個幻想。最后停止的是非馮結(jié)構(gòu)計算機，這種結(jié)構(gòu)其實是對人類大腦的模擬，他們說我們這只蛋還沒有形成，不可能有雞的。最后只有三個傳統(tǒng)結(jié)構(gòu)計算機項目還在運作，但很長時間沒有任何進展。

好在我們要的計算機還是出現(xiàn)了，它的性能是你冬眠時最強計算機的一萬倍。傳統(tǒng)結(jié)構(gòu)？傳統(tǒng)結(jié)構(gòu)，能從摩爾定律這個檸檬里又榨出這么多汁來，計算機科學(xué)界都很吃驚。但這次，親愛的，這次真的到頭了

那是我讀計算機體系結(jié)構(gòu)專業(yè)博士的最后一年，當(dāng)時我對此嗤之以鼻：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，摩爾定律就會死翹翹了；傳統(tǒng)結(jié)構(gòu)更是沒戲，CPU 的架構(gòu)已經(jīng)被研究到頭了，從 2000 年后，幾乎沒有搗鼓出啥新東西。

所以，這個“一萬倍”，真的是好科幻好科幻啊。

回顧三體 2 出版之后的這九年，工藝進展步履維艱，微架構(gòu)亮點寥寥，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——計算機硬件的性能，好像真的提升不上去了。

但是，從去年開始，“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 CPU 和 176 個 GPU

2016 年 4 月，NVidia 發(fā)布 Pascal 架構(gòu)，峰值性能達到 11TFLOPS/s，黃仁勛在接受新智元專訪時表示，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，因此可以說我們正處在一個“超級摩爾定律”時代。

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

今年 5 月 11 日，Google 公布 TPU 二代，峰值性能達到 180TFLOPS/s，且可以通過 Google Cloud 訪問

今年 5 月 23 日 AlphaGo 重出江湖并且毫無懸念地戰(zhàn)勝了柯潔；24 日，DeepMind CEO 哈薩比斯和 AlphaGo 項目總負(fù)責(zé)人 David Silver 在新聞發(fā)布會上接受媒體采訪時表示，AlphaGo 實際上是在谷歌云端的單一一臺機器上運行的，此機器建立于二代 TPU 之上（據(jù)說這臺機器使用了 4 塊 TPU）

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

而我，也改變了自己悲觀的預(yù)期，相信在不遠(yuǎn)的將來，“摩爾定律結(jié)束之后，性能提升一萬倍”，將不會是科幻，而是發(fā)生在我們眼前的事實。

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

為什么 CPU 是低效的
在解釋憑什么能做到“摩爾定律之后一萬倍”之前，我們先聊聊為什么 CPU 和 GPU 無法擔(dān)此重任。

如果你問我，CPU 最大的特點是什么？我會說：它給程序員一個假象，讓你感覺訪問大容量的內(nèi)存任何一個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。簡單地說，由于某種底層的物理定律，Memory 產(chǎn)線無法實現(xiàn) CPU 所需要的高速度，Logic 產(chǎn)線無法實現(xiàn)內(nèi)存所需要的大容量。更糟糕的是，Memory 制程相對于 Logic 制程還越來越慢，從 1986 年到 2000 年，Logic 每年提速 55%，而 Memory 只有 10%。

何為“快”“慢”？口語中的“快”，可以指延遲小（從開始到結(jié)束間隔的時間短），也可以指帶寬大（單位時間內(nèi)通過的量大），說“高鐵快”，指前者，說“網(wǎng)速快”，指后者。內(nèi)存的帶寬其實增長得還湊合，486 時代 CPU 跑 100MHz，SDRAM 內(nèi)存帶寬為 100MT/s；如今 CPU 達到 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)出讀請求到內(nèi)存條返回數(shù)據(jù)的延遲，這二十年來只減小了兩倍多。

且不說外行人，很多初級程序員都不知道內(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)來隱藏內(nèi)存的延遲，例如：
CPU 使用非常大量的片上存儲來做 cache（緩存），把程序經(jīng)常訪問的數(shù)據(jù)放在片上，這樣就不必訪問內(nèi)存了。

CPU 用復(fù)雜的技術(shù)猜測程序即將訪問哪些數(shù)據(jù)，用預(yù)取的方式，提前把這些數(shù)據(jù)從內(nèi)存中搬運到片上，當(dāng)某一段程序由于等待內(nèi)存數(shù)據(jù)而卡住無法執(zhí)行時，CPU 用亂序的方式，執(zhí)行接下來的片段，使用超線程技術(shù)，當(dāng)一個程序因為等待內(nèi)存數(shù)據(jù)而卡住時，選擇另外一個程序來執(zhí)行，CPU 的硅片上，絕大多數(shù)面積都是用來制造“內(nèi)存訪問近乎零延遲”這一假象的，真正用來做運算的邏輯，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，那個時候，程序員就已經(jīng)習(xí)慣于假設(shè)“內(nèi)存訪問近乎零延遲”，為了保證對軟件的兼容，CPU 多年來不惜一切代價維持這一假象。積重難返，時至今日，軟件已經(jīng)無法通過 CPU 來充分利用集成電路制造工藝所提供的澎湃動力。

為什么 GPU 是低效的
再用一句話來總結(jié) GPU 最大的特點：它給程序員一個假象，讓你感覺 GPU 上面有數(shù)十萬個小程序在運行，彼此相安無事。

GPU 的架構(gòu)，簡單地說，就是把類似 CPU 超線程的技術(shù)用到極致來隱藏內(nèi)存訪問的超長延遲。GPU 里面有數(shù)千個小核心，每個都可以看成是個小 CPU，與此同時，它同時運行最多數(shù)十萬個小程序，大多數(shù)程序會因為等待訪存而卡住，真正在小 CPU 上執(zhí)行的程序只有數(shù)千個。

因為同時在工作的小核心有數(shù)千個，GPU 比起 CPU，單位時間內(nèi)完成的運算量大多了。但它也有軟肋，那就是：這數(shù)十萬個小程序，彼此之間根本不可能相安無事，它們會搶存儲帶寬，搶得很兇。GPU 要付出的管理代價相當(dāng)高：

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

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

訪存帶寬必須做得遠(yuǎn)高于 CPU，才能喂飽數(shù)千個小核心

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

相對于 CPU，GPU 制造假象的能力稍遜一籌，稍有經(jīng)驗的 GPU 程序員，都明白要盡可能讓 GPU 上并行跑的數(shù)十萬小程序在訪存時呈現(xiàn)一定的規(guī)律，否則 GPU 的效率會大打折扣。

GPU 的定位，不單單是圖形加速，而是所有的有海量數(shù)據(jù)并行運算的應(yīng)用，因此它必須非常通用，不能對其上運行的數(shù)十萬個小程序做限制。事實上，這數(shù)十萬的小程序每個都可以任意訪問到顯存的所有位置，而且訪問的位置各不相同，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)十萬個不受限制的小程序所付出的硅片面積代價和內(nèi)存帶寬的代價，是 GPU 低效的根源。

為什么 FPGA 只是過渡方案
CPU 和 GPU 的架構(gòu)都有非常沉重的歷史包袱，體現(xiàn)在：

它們都有很強的通用性，不能僅僅只針對某個領(lǐng)域做優(yōu)化

它們都有很強的兼容性，過去編寫的程序必須能夠運行

它們都有穩(wěn)定而龐大的程序員隊伍，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，正因為背負(fù)著它們，CPU 和 GPU 廠商才能在它們既有的市場里呼風(fēng)喚雨，并且把競爭者擋在門外。

如果扔掉這些包袱，設(shè)計全新的架構(gòu)，就可以做到：

僅僅針對某個領(lǐng)域做優(yōu)化

不考慮對過去軟件的兼容

用全新的方式對其編程，不拘泥于之前的思維定勢

這樣設(shè)計出的架構(gòu)，對其目標(biāo)領(lǐng)域，性能指標(biāo)會大幅度超越 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)化無法兩全。歷史上已有先例，當(dāng)計算化學(xué)領(lǐng)域和天體物理領(lǐng)域?qū)τ嬎阈阅艿男枨鬅o法被滿足時，分別有科學(xué)家們?yōu)樗鼈冮_發(fā)出了專用的 Anton 和 Grape-DR 計算機。只不過它們的專業(yè)性太強，不為大眾所知。

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

FPGA 是什么？如果說 CPU 和 GPU 是在架構(gòu)級別做到“通用”的話，F(xiàn)PGA 就是在更低一級的電路級做到了“通用”。通過硬件描述語言對 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，F(xiàn)PGA 是一種可編程的“萬能芯片”。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 依然無法擺脫“通用就無法最優(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，是因為在一個軟硬件系統(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——在電路級別做“通用”付出的代價，比起在架構(gòu)級別做“通用”的代價，還是小得多了。

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

TPU 代表了未來的方向
這次同柯潔對陣的 AlphaGo，采用了 Google 自研的第二代 TPU。TPU 的特點是：

僅僅針對線性代數(shù)做優(yōu)化

不兼容 CPU 或 GPU 的程序

用全新的方式對其編程

用 ASIC 而非 FPGA 的方式來實現(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)運算有兩大特點：Tensor 的流動非常規(guī)整且可預(yù)期；計算密度很高，即每個數(shù)據(jù)都會歷經(jīng)非常多次的計算。這兩大特點使得線性代數(shù)運算特別適合做硬件加速——所有用來制造“假象”的邏輯都不再必要，每個晶體管都可以用做有意義的運算或存儲。

TPU 上無法運行 CPU 上跑的 Java 或 C++程序，也無法運行 GPU 上的 CUDA 程序。雖然尚未有公開信息，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，然后這種中間格式被編譯器轉(zhuǎn)換為 TPU 上獨特的程序。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，與其說是它的眼光好，不如說是它的魄力強。內(nèi)行人都知道 ASIC 效能遠(yuǎn)超 FPGA，但仍然有很多人不敢選擇 ASIC，為什么？自己做 ASIC 的風(fēng)險太大：周期長，投入多，門檻高。一旦芯片做錯，就和石頭無異，落個血本無歸。當(dāng)年 Apple 決定自己做芯片時，并沒有直接組建隊伍，而是收購了 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 來淘汰 Intel 的芯片。而 Google 在短短幾年內(nèi)，組建了隊伍，設(shè)計了合理的架構(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七八分?，F(xiàn)在大家應(yīng)該相信，在一個足夠重要應(yīng)用領(lǐng)域中，完全可以把優(yōu)化和定制做到晶體管級別，而不是只做到某種現(xiàn)成的芯片架構(gòu)的級別。這不但可行，而且必要，因為你不這么做，競爭對手也會這么做。

硬件的開源時代
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 個月翻一倍以上。過去三十年，拜摩爾定律所賜，我們見證了超過百萬倍的性價比提升。未來我們所能看到的這一萬倍，也應(yīng)該按照“單位成本所能買到的電腦性能”來計算。

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)化難以開展，還導(dǎo)致了：一、壟斷導(dǎo)致的超額利潤；二、過度復(fù)雜所帶來的研發(fā)成本上升。于是，芯片的價格居高不下。

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

硬件開源過去有過嘗試，但無大成，原因是多種多樣的。但從長遠(yuǎn)角度看，所有的基礎(chǔ)設(shè)施，被廣大廠商共享的，最終都會走向開源的路子。如果說 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，它們是開源的；如果說 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，它們也都是開源的。如果未來晶體管是大地，那么毫無疑問芯片的架構(gòu)也會出現(xiàn)各種開源方案。

這一切才剛剛開始。這個月 NVidia 做了兩件有趣的事：贊助了開源 CPU 架構(gòu) RISCV 在上海舉辦的 workshop；宣布 Xavier 自動駕駛芯片中的針對線性代數(shù)的硬件加速模塊 DLA 將開源。大廠支持開源，絕不是搞慈善，而是為了扼殺競爭對手，贏得業(yè)界事實標(biāo)準(zhǔn)的控制權(quán)。但開源的后果，必然是降低設(shè)計門檻，降低整個行業(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
對于從事計算機體系結(jié)構(gòu)專業(yè)的同仁而言，這是最好的時代，半導(dǎo)體制造的先進工藝進展緩慢，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，做深入到晶體管級的全棧優(yōu)化成為一個現(xiàn)實的選項。只要正確地設(shè)計專用架構(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的制造工藝。

這是一個全新的世界，以往的利益格局和設(shè)計思想都將被打破，誰也無法預(yù)知將會發(fā)生怎樣的興衰變遷。但這就是我們的星辰大海，一起來探索和歷險吧！

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

更多最新行業(yè)資訊，歡迎點擊與非網(wǎng)《今日大事要聞》！