01.成熟賽道，后進趕超先進，很難

1.1 CPU的江湖恩仇

上世紀70年代，Intel發明了CPU。通過對CPU的持續投入，Intel逐漸獲得了市場的優勢，并逐漸構建起了自己的x86生態，這包括外圍的硬件合作伙伴、BIOS等固件開發、操作系統軟件、工具鏈以及應用軟件生態等等。

RISC是一個失敗的例子。X86是CISC架構，隨著CISC指令的復雜度越來越高，越來越難以控制，RISC架構逐漸興起。RISC架構處理器提倡簡化指令集設計、固定指令長度、統一指令編碼格式、加速常用指令。RISC架構成為很多處理器的首選，并且也成為了許多計算機教材的經典CPU設計案例。但即便如此，在市場競爭上，RISC架構仍然輸給了CISC。

安騰是Intel自己的一個失敗的例子。安騰是Intel于2001年推出的64位架構的CPU處理器。雖然是Intel的親兒子，雖然是功能強大的64位CPU架構，雖然安騰的架構和微架構設計非常優秀，但因為安騰和x86的不兼容，完全一個新的生態，也不可避免的走向了失敗。最后成就了AMD64的成功。

ARM的成功，更多源于商業模式。最開始，ARM自研的處理器性能都非常差，其自研的處理器性能通常是低于一些巨頭客戶自研的ARM架構CPU。但因為ARM是一個中立的CPU架構和IP供應商，很多巨頭愿意扶持著它向前邁進。最后在智能手機時代，ARM大獲成功。有了資金實力之后，ARM后續CPU的性能才逐漸趕上并且部分超越了自己的巨頭客戶。

RISC-V，后起之秀，明日之星，未來可能的成功也是依賴于更優的商業模式。跟ARM當年的處境類似，目前的RISCv性能和生態都要弱于x86和ARM，但因為更優的商業模式（完全開源開放的，并且得到廣泛共識的免費的處理器），其發展也是相當迅猛。

1.2 NVIDIA，從十年磨一劍到市值萬億

傳統的GPU是圖形加速卡，本質上是眾多各種領域各種場景加速卡中的一員。除了GPU之外，其他眾多的各類加速卡，幾乎沒有成功的案例。GPU之所以最終成功，來自于00年代NVIDIA的轉型：一方面，是GPU從傳統的圖像加速卡，改造成面向并行計算的GPGPU；此外，為了降低開發的門檻，把更多的資源投向了CUDA，并且對外宣稱自己是一家軟件公司。

即便策略正確，最終的成功驗證也差不多是十年之后。CUDA的最早期版本是在2005年前后發布的，直到2012年深度學習的崛起，GPU才開始真正脫穎而出，也直到2018年大模型興起，以及2013年ChatGPT的火爆，才把NVIDIA推上了最高的神壇。

1.3 簡單總結

經常有企業喊出口號是“要做中國的xxx”，但“學我者生，像我者死”，芯片是一個國際化的市場，全球競爭，這樣亦步亦趨的學習巨頭企業的做法，無異于“邯鄲學步”。

在成熟的賽道，后進如果靠模仿先進前進，那必然無法成功。后進需要有差異化，有創新，有優勢，才有可能成功。并且，后進要想成功，其難度遠高于先進者當年的難度。

02.技術的變革，是最后進趕超先進的關鍵時機

國產新能源汽車，是后進趕超先進的經典案例。據中國汽車工業協會整理的海關總署數據顯示，2023年上半年，汽車整車出口234.1萬輛，同比增長76.9%；1～7月，汽車出口總值3837.3億元，增長118.5%。中國汽車出口首次超過日本，躍居世界首位。新能源汽車是中國汽車出口的核心增長點。2023年1～6月出口新能源車80萬輛，同比增長105%。

在成熟賽道，先進具有技術優勢、市場優勢、專利優勢、品牌優勢等等，后進趕超先進很難。但如果是技術的變革期，后進就可以在新的技術領域提前布局，讓雙方站在同一個起跑線，以此來獲得“公平”競技的機會，從而有可能實現超越。國產汽車，就是抓住了新能源和智能汽車這一波浪潮，迅速地達到了汽車出口量全球第一。

那么，芯片的變革機會在哪里？

03.AGI大模型的挑戰

2023年初的AI大模型，“不約而同”的參數規模停留在千億級，為什么？

核心的原因在于，這是目前的GPU計算集群所能支撐的算力上限：

一方面，單芯片算力已經瓶頸，算力增長極度緩慢。

另一方面，受限于目前的服務器以CPU為中心的架構約束，以及網絡的交互效率所限，集群規模也已經達到了上限。

還有一個很重要的原因，就是算力的建設和運營成本，也已經達到了一個天文數字。

目前CPU性能早已瓶頸，GPU性能即將見頂并且成本高昂，而AI芯片太過于專用，不適用于快速變化的模型算法/算子和業務邏輯。

如何解決？我們也可以給一個簡單的答案：

一方面，持續不斷的Scale up，通過更多的處理器內聚，數量級的提升單芯片的性能；

另一方面，持續不斷地增強芯片的內部交互（打破已有的以CPU為中心的架構）和外部交互（增強高性能網絡）。數量級的提升集群中服務器的數量。

此外，大芯片需要通用。能否實現足夠的通用性，是大芯片能夠大規模落地的最重要因素。

還有一個很重要的，要通過一些機制，數量級的降低算力的成本。

04.芯片工藝的快速進步

工藝持續進步，Chiplet先進封裝也越來越成熟。從2D的工藝到3D的封裝再到Chiplet的4D封裝，芯片的底層實現技術仍在快速發展。

目前的大算力芯片，通常在500億晶體管左右。Intel的規劃是在2030年，達到1萬億晶體管。這意味著，相比目前的芯片，計算規模再提升20倍。

如此大規模的晶體管資源，我們該如何更好地利用？

05.算力芯片變革的歷史機遇

5.1 系統架構創新

一方面是需求牽引，一方面是工藝支撐，兩方面的因素，都需要我們在系統架構層次，做更多的創新。

從單核到多核、從同構到異構，從單異構到多異構，再從多異構到異構融合，是一個計算架構從簡單到復雜的繼承并發展的過程。

芯片設計規模越來越大，單芯片集成更多架構的處理器成為一種非常常見的設計。這種多異構混合計算架構，Intel稱為超異構計算。在2023年9月份發布的《異構融合計算技術白皮書》中，采用了更嚴謹更準確的一種叫法，“異構融合計算”。深刻揭示了多異構混合計算的關鍵，在于異構處理器之間的協同和融合。

5.2 大芯片如何能夠通用？

系統規模越來越大，變化越來越快，從而使得在大算力芯片，通用性比性能更重要。而定制的加速算力芯片覆蓋場景少，生命周期短，難以大規模落地。

此外，相比專用，通用是更高級的能力。通用計算，需要從眾多需求中提煉和拆解出通用的部分和組件，通過軟件編程，靈活地組合出用戶所需的形形色色的功能。并且還要實現性能和靈活性的兼顧。

那么，如何實現通用？能夠通用的本質原因是什么？

系統規模越大，“二八定律”特征越明顯。這樣，我們可以把確定性的共性的部分硬件加速實現，相對不確定的個性的部分通過軟件編程實現。

在六代計算架構的基礎上，增加“通用”約束，變成三代通用計算架構：

第一代單核和第二代多核合并成CPU同構。

取消專用的DSA異構計算階段，異構計算僅保留GPU的通用異構。

多異構要想成功，就需要融合；異構融合要想成功，就需要通用。因此，從終局思維思考，最終可落地的方案，會是通用的異構融合計算。

5.3從單兵作戰到團隊協作

受限于先進工藝，我們無法實現最強算力的芯片。但我們可以通過更多資源的協作，來實現更強的群體智能：

方法一，異構融合。通過異構融合的計算架構創新，實現更多處理器核心的協同和融合。可以在工藝落后1-2代的情況下，實現單個芯片的算力更優。

方法二，算力網絡。通過算力網絡、東數西算，實現跨集群的算力調度和算力協同，可以實現算力資源的高效利用。

方法三，智能網聯。通過終端的智能網聯，實現云端協同。清華的***院士提出的智能網聯汽車中國方案，強調車（終端）、路（MEC接入）、邊、云的深度協同，在單體算力有限的情況下，可以實現更智能化的用戶服務體驗。

方法四，云網邊端融合。更龐大算力節點，更高性能更低延遲的網絡，更強大的算力基礎設施，實現更強大的宏觀數字系統。

5.4 總結

從異構到異構融合計算，計算架構的變革，給了我們“彎道超車”的時機；歷史機遇稍縱即逝，需要快馬加鞭，加大投入。

抓住計算架構變革的歷史時機，實現算力芯片的彎道超車！

編輯：黃飛