今天这篇文章的时候，我内心是焦虑的，甚至有点悲观。

中国的芯片界同仁，不可谓不努力：充满艰难险阻的工作，数十年如一日的煎熬，直面国际巨头的竞争。在芯片具体产品层面，别人有性能优势，我们有价格优势。不敢说能打个你来我往，但至少还有还手之力。

然而，在计算生态方面，我们则完全没有招架之力。计算生态就像一只无形的手，抹去了我们仅有的一点可能的机会，阻挡着我们前进的步伐，让我们距离世界先进越来越远。

更令人焦虑的是未来：一方面，计算生态的作用在不断地加强；另一方面，不同领域不同处理器的计算生态有进一步融合的趋势，逐渐形成新的超级生态。两相叠加，一旦超级生态逐步建立，后进者再无翻身的可能。

未来5-10年，大，将迎来终局之战。

1 计算架构的发展趋势

1.1 计算架构的发展阶段

随着算力需求越来越高，同构CPU的业务场景越来越少，基于GPU或AI等DSA处理器的异构计算已经成为主流。从发展的角度看，随着大模型等算力场景的持续挑战，未来会进一步从异构计算走向异构融合计算。

如果按照处理器类型的数量进行分类，可以分为三个阶段：

• 第一阶段，单个处理器，即CPU同构计算阶段。

• 第二阶段，两个处理器，即CPU+GPU或CPU+其他专用加速处理器的异构计算阶段。

• 第三阶段，三个或三个以上处理器，即多异构或异构融合计算阶段。

行业在创新处理器的设计和实现方面进行了很多探索，比如存算一体、重构计算、类脑计算、量子计算等等。这些新型的计算架构设计或实现方法，从系统指令复杂度的视角，可以归属到DSA或ASIC的范畴。因此，这些创新，没有跳脱异构融合计算的大框架。

以我目前浅薄的认识，个人觉得：异构融合计算，将是计算架构的终极形态。

1.2 CPU同构，单个处理器，单个生态

虽然仅仅只有一个处理器，但其计算生态已经是地狱级难度。

Intel x86架构的优势，是在众多处理器架构的厮杀中逐步确立的。随着x86的优势地位确立，基于x86架构的软件生态逐渐成熟，即便是Intel自己，也无法改变这一局面。

Intel的64位安腾（Itanium）处理器，是一个非常典型的失败的案例。安腾是Intel于2001年推出的64位架构的CPU处理器，Intel对之寄予厚望。虽然是Intel的亲儿子，虽然是功能强大的64位CPU架构，虽然安腾的架构和微架构设计非常优秀，但因为和x86的不兼容，完全一个新的生态，不可避免的走向了失败（2021年7月29日是安腾处理器最后的出货日期，英特尔正式告别了这款使用IA-64指令集的纯64位处理器）。

与此形成鲜明对比的，是AMD64的成功。2003年，AMD推出了业界首款 64 位处理器 Athlon 64，带来了AMD64（x86-64）指令集，即x86指令集的64位扩展超集，具备向下兼容的特点。因为向下兼容，继承性地往前发展，最终成就了AMD64的成功。

1.3 GPU异构，两个处理器，两个生态融合

相对于Intel的x86 CPU计算生态是百家争鸣的胜者，NVIDIA GPU的CUDA生态，则是数年孤独后的一鸣惊人。

在NVIDIA GPGPU之前，GPU真的就只是GPU，即专用于图形计算的加速卡。这一时期的GPU，符合DSA的定义规范，可以当作是专用于图像领域的G-DSA。直到NVIDIA GPGPU的出现。

2006年，NVIDIA发布GPGPU。NVIDIA发现，图像处理有很多并行处理的部件，于是决定将这些专用的处理完全改造成通用的高效能小CPU核，于是GPGPU诞生了。虽然此时，GPGPU已经足够通用，但其编程难度很高，于是NVIDIA又贴心地开发了CUDA计算框架。即便如此，早期的CUDA功能并不强大，开发仍然不够友好。很多开发者并不看好，认为CPU多核才是正确的发展道路。

直到2012年，Alexnet的问世，深度学习时代的来临，NVIDIA GPU+CUDA才成了热门的计算平台，助推着NVIDIA市值超越一众竞争对手，成为全球市值第一的芯片公司。再紧接着，2018年，AI大模型逐渐流行。进一步把这股浪潮推向高潮，NVIDIA GPU一时间“洛阳纸贵”，同时，NVIDIA的市值突破了万亿美金大关。

我们再来看CPU和GPU的融合。

2022年初，NVIDIA正式宣布，收购ARM失败。假如，NVIDIA收购ARM成功，这场大的“战争”，基本上可以提前给出结果：NVIDIA获胜，其他家永无出头之日。好在这件事情没有成行，“战争”的结果，仍存在变数，这场“战争”仍在继续。

之后，NVIDIA退而求其次，与ARM的深度合作，开发了Grace系列高性能CPU，以及CPU+GPU整合的Grace Hopper系列超级芯片。

2 计算生态的极端重要性

在之前，我一直以为Transformer之所以能够脱颖而出的最大原因就是那篇论文的标题：“Attention is all you need”，优势来源于算法本身。最近一段时间，跟好几位AI领域的专家交流下来，他们的观点是：有很大一部分原因是因为，Transformer比较好的实现了并行处理，能够最大限度的利用GPU并行的算力，因此才能够实现更大参数规模的大模型，进而获得更好的智能体验。

这个案例可以得到这样一个结论：只有NVIDIA GPU+CUDA生态亲和的模型才能最终走出来；如果不是NVIDIA GPU+CUDA架构和生态友好的模型，哪怕实际效果再好，也受限于模型效率、参数规模和成本等方面的劣势，无法脱颖而出。

或者说，大模型发展，强依赖于NVIDIA的GPU+CUDA计算生态。

在我的个人观点里，一直以来，都是非常重视生态的难度和重要性的。但最近几年，随着认识的进一步加深，我的想法得到了进一步修正。计算生态很重要，但过去10年左右的发展，使得计算生态的重要性，比我们大家想象的要更加重要：

• 一方面，业务快速发展迭代的压力，使得大家更加依赖已有生态的持续优化，而很难迁移到新的平台和生态。

• 另一方面，计算从单机计算走向集群跨集群的分布式计算，计算生态的作用得到进一步放大。一是不同计算节点工作任务之间的协同，二是计算任务在集群内部不同计算节点之间可迁移，这些原因进一步强化了计算生态的“强者更强，弱者更弱”。

• 还有一方面，随着异构计算和异构融合计算的发展，处理器之间的协同效应逐渐产生并进一步增大。不同处理器的单个计算生态开始发生化学反应，逐步会形成融合的超级生态。

我们定性分析一下：

• 芯片的难度很高，但生态的难度更高。

• 假设，在十几年之前，2010年前后，芯片的重要性和难度是1，计算生态的重要性和难度则为10。

• 假设，随着系统规模的增大，未来5-10年，也就是2030年前后，单个处理器芯片的重要性和难度可能上升到10。受业务迭代越来越快的影响，计算生态的重要性和难度需要再增加一个数量级，其值约为1,000。

• 在考虑集群/跨集群以及云网边端融合成为主流计算方式的影响下，计算生态的重要性和难度再增加一个数量级，其值进一步上升到10,000。

• 再随着异构的处理器越来越多，不同处理器计算生态的协同效应凸显，计算生态的重要性和计算难度再增加一个数量级，其值达到100,000。

• 最终，芯片和计算生态的重要性和难度比例变成10:100,000，或者是1:10,000。

3 算力芯片，终局之战 

3.1 多异构融合，更多生态的融合

我们来分析一下Intel在多（超）异构和未来异构融合计算的布局：

• 首先是各类处理器。CPU生态，Intel首屈一指；GPU生态，Intel也有自己的产品，也在积极的布局；DSA类的生态，Intel有IPU和IPDK进一步整合和增强。

• 然后是Intel在多异构融合、跨平台，完全可编程和开放生态方面都进行了布局。Intel于2019年提出超异构计算概念，随后Intel布局了OneAPI框架、OpenVINO计算套件、IPDK计算框架，还发起了OPI开放计算联盟等。目前，Intel的多异构或异构融合的芯片解决方案还没有公开发布，拭目以待。

Intel目前面临的挑战是：上面列出的很多内容，Intel提出之后，并没有非常有竞争力的产品去承载。

（注：图片为Altan结构框图，Thor和Altan一致）

NVIDIA在汽车CCU方面，已经布局了Thor超级芯片，其核心计算部分由数据中心架构的Grace CPU、Ampere GPU、Bluefield DPU组成。一方面算力强劲，把汽车变成了一台超级计算机；另一方面，其架构跟数据中心处理器架构完全一致，为未来云边端融合提供了坚实的物理基础。

据说，NVIDIA在数据中心的CPU、GPU和DPU三芯片集成的、多种异构融合计算架构的超级芯片，已经在研发中。

3.2 异构融合，最后一场战役

在GPU领域，NVIDIA构建了牢不可破的CUDA计算生态；在DPU领域，NVIDIA拥有全球最好的DPU芯片，以及功能强大的DOCA计算框架；高性能网络可以看做DPU的一个重要的功能子集，NVIDIA拥有全球最好的高性能网络RDMA和独一无二的Infiniband技术，高性能网络是AI大模型训练集群的核心技术；在CPU领域，NVIDIA和ARM深度合作，抢占了比较有利的生态位。

一根筷子，轻轻地就会被折断；十双筷子，则牢牢地抱成一团，几乎牢不可破：

• 同构计算的时代，面临的仅仅是一个计算生态的挑战；生态劣势的厂家，仍然有翻盘的可能。

• 异构计算的时代，面临的则有两个计算生态的挑战，还有两个处理器协同生态的挑战；这个时候，生态劣势的厂家，面对计算生态的无形之手，已经有点力不从心。

• 异构融合计算时代，计算平台预计会多达5-10个处理器，面临的不仅仅是5-10个计算生态的挑战，更要面临这些处理器组成的融合计算超级计算生态的挑战；这个时候，会进一步放大计算生态的“强者恒强，弱者恒弱”效应，生态劣势的厂家，不但无法翻盘，甚至连微小的一点市场份额都很难维持。

在未来5-10年，随着生态的极端重要性进一步凸显，大算力芯片，即将迎来“终局之战”。

4 唯一可能的破局之道：开放

回到现实，大算力芯片的计算生态之争，“唯一可能”的破局之道：开放。“唯一”是说，有且仅有这一个办法；“可能”指的是，这个方法虽然存在赢的几率，但几率很低很低。

4.1 异构融合计算，架构必须收敛

指令复杂度越高，单个处理器引擎覆盖的场景就会越小，全场景覆盖所需的引擎种类就会越多。从CPU到ASIC，处理器引擎越来越碎片化，构建生态越来越困难。

异构融合计算时代，集成的处理引擎类型和数量越来越多，处理引擎架构越来越多，芯片平台的数量也越来越多，所处的位置（云网边端）也越来越丰富。

解决办法只有一个：让架构收敛。每一个类型或子类型的处理器，全球全行业能够形成标准的架构和接口。

不确定的是，未来是走向封闭的一家通吃？还是行业形成共识，大家基于开放架构做产品，行业走向基于产品竞争力的、真正的“公平”竞争？

4.2 除了最强者，开放是其他家的唯一选择

只要你不是第一，第二名能做的也只能是开放。

开放阵营，不仅仅会包括行业里的二线、三线芯片公司，以及广大的Startup公司，还会包括目前仍处于一线大厂的众多知名公司。

从目前看可见的未来，NVIDIA会是最后赢者通吃最有优势的那个。那么，这个阵营包括Intel、AMD、高通、博通、Marvell等知名芯片公司，也包括互联网巨头等芯片的大客户，如苹果、谷歌、微软、华为、阿里、腾讯等，也包括OpenAI等AI/AGI新贵。对抗巨头的唯一做法，唯有凝聚共识，开源开放。

4.3 开放，让大家回到同一起跑线

我们设想一个乌托邦的时代，在这个时代里：

• CPU领域，已经是形成共识的开放架构成为主流，比如RISCv占据90%以上市场份额；

• GPU领域，也出现了全行业形成共识的开放架构和相应的开源的开发框架；

• AI、网络、存储等领域也是如此，均形成了各自开放的架构和行业生态。

• 并且，进一步的，行业形成了开源开放的统一的异构融合计算框架。

那么，这个时候，大家会回到同一个起跑线：靠产品能力说话，而不是依靠无形的手——生态的力量。