什么是第三代通用计算？既通用又高性能的计算存在吗？

摘要：大家一直有个误解，觉得通用和专用，是对等的两个选择。例如，牧本波动（Makimoto's Wave），是一个与摩尔定律类似的电子行业发展规律，它认为集成电路有规律的在“通用”和“专用”之间变化，循环周期大约为10年。

大家一直有个误解，觉得通用和专用，是对等的两个选择。例如，牧本波动（Makimoto's Wave），是一个与摩尔定律类似的电子行业发展规律，它认为集成电路有规律的在“通用”和“专用”之间变化，循环周期大约为10年。

我们的观点则是：相比专用，通用是更高级的能力。集成电路等各种事物发展规律的常态是通用，“通用到专用”只是达到通用状态后的一些新的探索，是临时状态，最终还是要回归到通用。专用是事物表面的、临时的、局部的特征，而通用则是事物本质的、长期的、全面的特征。

对大芯片来说，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，还没有看到做专用芯片非常成功的案例。长期地看，专用是临时的，专用的芯片也是临时的，最终的结果只能是走向消亡。

今天这篇文章，我们聊聊通用和通用计算的话题。

1 相比专用，通用是更高级别的能力

1.1 牧本波动

1987年，原日立公司总工程师牧本次生(Tsugio Makimoto)提出，集成电路发展过程中，芯片产品总是在“标准化”与“定制化”之间交替摆动，大概每十年波动一次。牧本波动（Makimoto's Wave，也称为牧本定律）背后是性能、功耗和开发效率之间的一个平衡。

也因为同样的理解，芯片行业的很多人认为，“通用”和“专用”是对等的，是一个天平的两边。设计研发的产品，偏向通用或偏向专用，是基于客户场景需求，对产品实现的权衡。

1.2 专用是临时的，通用是永恒的

如果我们深入的分析牧本波动的规律，会发现：通用时代的产品都逐渐沉淀下来了，并且仍在发展壮大；而专用时代的产品，要么消失在历史长河里了，要么是也在变得越来越通用。

以GPU为例，最开始的GPU（Graphics Processing Unit）其实是专用的图形加速芯片。在上世纪90年代，有太多的公司做专用的GPU加速芯片或者其他各种专用类型的加速芯片。后来NVIDIA发现GPU中有非常多的并行计算部分，于是把GPU改造成由很多高效能的小CPU核（CUDA核）组成的通用GPU（GPGPU），最终才获得了成功。而其他仍然坚持做专用加速芯片的公司，都已经销声匿迹。

所以呢，牧本波动只是一个现象规律，而不是本质规律。透过现象看本质，我们会发现，集成电路等各种事物发展的常态是通用，“通用到专用”只是达到通用状态后，持续向前发展的一些新的探索，是临时状态，最终还是要回归到新的通用阶段、新的通用状态。专用是事物表面的、临时的、局部的特征，而通用则是事物本质的、长期的、全面的特征。

一言以蔽之：相比专用，通用是更高级的能力。

1.3 通用案例：智能手机

几乎我们每个人都拥有智能手机，但可能年轻一些的朋友没有见过这么多“古老”的电子设备。它们每个设备都有自己特定的功能，导航仪用于导航，电子词典用于查词和学习，MP3用于播放音乐等等。后来，随着智能手机的出现，这些专用的电子设备就都消失在了历史长河中。

智能手机，是通用的个人移动智能终端，在通用的硬件之上，通过各种不同的软件应用，实现各种各样丰富多彩的功能。

1.4 通用案例：AGI大模型

AGI通用人工智能，指的是具备与人类同等甚至超越人类的智能，能表现出正常人类所具有的所有智能行为。

传统的基于中小模型的人工智能，是专用AI，聚焦某个相对具体的业务方面。比如专门用于人脸识别的AI，专门用于检测某种特定行为的AI等等。“场景千千万，模型千千万”。传统AI是完全碎片化的一个局面，场景之间的数据和模型等信息无法传递，无法整合。传统AI是弱人工智能。

目前火爆的GPT，则是模型参数发展量变到质变的过程，也是从专用的临时态往通用的常态发展的过程。目前，GPT4具备了一定的AGI能力，随着GPT的成功，AGI已经成为全球竞争的焦点。GPT所在的OpenAI公司CEO奥特曼表示，AGI将于2030年之前到来。

随着GPT等具有通用能力的AI模型出现，之前的诸多专用AI模型已经在快速地萎缩，未来也必然走向消亡。

2 通用，是大芯片成功的必由之路

2.1 越来越复杂的系统需要通用

随着业务场景越来越复杂，场景的变化也就越来越快。即使同一领域同一场景，不同客户的业务之间仍然存在巨大差异，甚至在大客户内部，不同团队的业务之间也存在差异。此外，业务仍在快速地迭代。

作为芯片，无法做到为每一个场景定制开发专用芯片，一方面是专用芯片覆盖场景太少，此外专用芯片的生命周期较短。通用芯片，是唯一解决之道。

并且，越来越复杂的场景及场景的差异化，对芯片的通用性设计也提出了更高的要求。芯片的通用性设计，难度越来越高，需要更多的创新思路和更多的投入。

2.2 大芯片的高门槛需要通用

大芯片系统越来越庞大，设计规模越来越大，研发成本越来越成天文数字，门槛越来越高。芯片只有更大规模地落地，才能有效摊薄研发成本。

更大的落地规模，意味着需要更多的场景和领域覆盖，意味着更高的通用性能力。

2.3 云边端融合需要通用

云边端融合，需要架构生态的整合，而不是碎片化：

最开始，当我们的设备是孤岛的时候，设备间相互约束较少，设备可以是任意架构，任意开发和运行环境，相互之间影响较小。

随着互联网和物联网的发展，万物互联，设备和设备之间开始有了通信。这个时候，我们需要双方按照既定的规范进行通信。

更进一步，更多的设备连接到一块了，我们的计算可以跳脱单机的约束，分布式计算逐渐流行。分布式计算，需要考虑不同设备工作之间的工作划分和协同。因为工作的划分和协同，于是有了云边端。

随着发展，仅考虑协同也会有问题。哪些工作应该在终端做，哪些工作应该在云端做，哪些工作应该在边缘做，都是提前规划好的，此刻的协同是静态的。但随着协同的工作越来越多、越来越复杂，我们发现实际上很难在早期就做好准确而仔细的任务划分，这样就需要在运行阶段动态地调整云边端的工作划分和协同。于是，融合产生了。在融合阶段，云边端的架构和环境是一致的，某种程度上，从协同阶段的数以万计的设备单系统，升级成了融合阶段的数以万计设备组成的宏观的单个超级大系统。这个阶段，软件可以动态地、自由地在不同的平台上调度和运行。

要想实现云边端融合，具有高可扩展性的，架构和生态一致的通用计算芯片，是必选项。

3 既通用又高性能的计算存在吗？

很多朋友会提出疑问，性能和通用灵活性是矛盾，鱼和熊掌不可兼得。我们的答案是：有办法做到鱼和熊掌兼得。

接下来是我们对这个问题的解答。

3.1 系统存在“二八定律”

二八定律是一个非常有意思的存在：

RISC和CISC之争，是因为二八定律。人们发现，80%时间里，运行的常见指令只占指令数量的20%，而另外80%的指令较少使用。

存储分层，Cache的存在，也是因为二八定律。程序局部性原理，用二八定律来解释，就是在某个时间段内，80%的大部分时间里，只是在访问20%的区域。

云计算，也是二八定律的一个典型的案例。我们从自建数据中心，到云计算IaaS、PaaS和SaaS，其实就是整个计算系统逐渐由供应商接管的过程。系统是符合二八定律的：就是系统中存在80%相对确定且共性的工作，而20%的工作是相对多变且个性的工作。这80%的工作供应商可以接管，而另外20%的工作则由用户自己把握较好。

并且，二八定律还存在嵌套的情况。基于此，我们可以对系统做如下三个层次的划分：

从系统中，分离出来80%共性的工作，这部分划分到系统的基础设施层。

系统中另外20%的个性的工作，可以再细分，也就是16%（20%*80%）的工作相对共性，而另外4%（20%*20%）的工作是极度个性的：

‍16%相对共性的工作，归属于系统的弹性加速层。

4%极度个性的工作，归属于系统的应用层。

‍3.2 团队分工协同，既通用又高效

DSA是专家，做专业的事情非常高效，但劣势在于过于专用；CPU是通才，啥都能干，但干啥都不够高效；而GPU的能力介于两者之间。

作为单兵，DSA、GPU、GPU都是有长有短。但作为团队，发挥各自的优势，可以形成各自能力的高效整合：

80%共性的基础设施层，因为工作任务相对确定，因此可以采用相对确定且高效的DSA处理器。

16%相对共性的弹性加速层，因为工作任务具有一定的灵活弹性，但也不是无章可循，因此采用相对弹性的GPU处理器比较合适。

4%极度个性的应用层。则采用最通用灵活的CPU处理器。

或者我们换个思路分析。系统中的各项工作，让各类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来兜底完成。这样就可以达到通用：通过CPU+GPU+DSAs的异构融合系统可以处理所有系统的工作。