前言：

半導(dǎo)體產(chǎn)品未來可能將沿著標(biāo)準(zhǔn)化與定制化交替發(fā)展的路線前進(jìn)，每十年波動(dòng)一次，半導(dǎo)體技術(shù)未來要依靠上述定律維持其高增長的創(chuàng)新速度。

過去數(shù)年我們一直在呼喚AI 芯片和高性能計(jì)算芯片，那么下一個(gè)波峰將是超高靈活度集成的芯片GPGPU。

時(shí)代召喚：從GPU到GPGPU

早年的GPU專用于圖形計(jì)算加速，在不斷的發(fā)展和演進(jìn)之中，逐漸進(jìn)化出越來越多的通用屬性，也即可編程性。

CUDA是英偉達(dá)在GPU應(yīng)用于高性能異構(gòu)計(jì)算領(lǐng)域在編程方面的一大創(chuàng)舉，CUDA可以基于C語言、C＋＋和Fortran、Python等語言直接開發(fā)應(yīng)用程序，并構(gòu)建起極為龐大的開發(fā)用戶群，這奠定了GPU可以廣泛應(yīng)用的技術(shù)基礎(chǔ)和生態(tài)力量。CUDA的推出，也開啟了英偉達(dá)的GPGPU戰(zhàn)略。

GPGPU，也有人稱之為GP2U（GP的兩次方U）。兩個(gè)GP代表著不同的含義：后邊的GP表示圖形處理（Graphic Process），和U組合一起是我們熟知的GPU（圖形處理器）；前一個(gè)GP則表示“通用目的”（General Purpose）。

GPGPU不是一款具體的芯片，而是一種概念，即利用圖形處理器進(jìn)行一些非圖形渲染的高性能計(jì)算。

從狹義上來講，GPGPU在GPU的基礎(chǔ)上進(jìn)行了優(yōu)化設(shè)計(jì)，使之更適合高性能并行計(jì)算，并能使用更高級(jí)別的編程語言，在性能、易用性和通用性上更加強(qiáng)大。

GPU應(yīng)用于AI計(jì)算，無論是云端訓(xùn)練還是終端推理，其本質(zhì)都是GPU通用屬性的一個(gè)方向。

根據(jù)算法的不同，GPU的運(yùn)行速度可以比CPU快10倍到100倍以上。目前世界上最先進(jìn)的超級(jí)計(jì)算機(jī)多數(shù)是基于GPGPU技術(shù)來實(shí)現(xiàn)的。

小眾玩家：GPGPU領(lǐng)域的玩家

·英偉達(dá)是GPU帶到通用計(jì)算領(lǐng)域的先驅(qū)，其GPGPU憑借并行計(jì)算的優(yōu)勢(shì)和完整強(qiáng)大的通用并行計(jì)算架構(gòu)CUDA幾乎壟斷云端訓(xùn)練芯片市場。

·AMD就發(fā)布過一款“流處理器”，算是AMD最早的GPGPU的嘗試。但當(dāng)時(shí)那款“流處理器”只是GPGPU的一個(gè)“雛形”，遠(yuǎn)未發(fā)揮出GPGPU的真正威力。

·英特爾也在加緊布局通用GPU，從開始對(duì)GPU的不屑，到基于自家的x86架構(gòu)開發(fā)獨(dú)立顯卡，英特爾折騰了十年之久仍然沒做出來一款像樣的GPU。

壓力山大：現(xiàn)階段都要面對(duì)的挑戰(zhàn)

①盡管將GPU大規(guī)模部署到電子戰(zhàn)等嵌入式系統(tǒng)中會(huì)面臨諸多困難，會(huì)需要若干年的努力，但同樣的，要引入其它技術(shù)路線也非常困難。

②處理器技術(shù)的快速更新與迭代，這使得任何電子戰(zhàn)系統(tǒng)承包商都幾乎不可能將其技術(shù)路線依托于單一處理器架構(gòu)，尤其是當(dāng)前存在諸多可選項(xiàng)的情況下。

③將GPU應(yīng)用于各種電子戰(zhàn)平臺(tái)所必須承受的惡劣工作環(huán)境的全面的、充分的驗(yàn)證，包括地面、海上、空中甚至是太空環(huán)境，這需要數(shù)十年的時(shí)間。

無論如何，將定點(diǎn)和浮點(diǎn)處理結(jié)合在同一個(gè)芯片上為提高電子戰(zhàn)系統(tǒng)性能的提升提供了誘人的前景，減少時(shí)延也是一個(gè)無休止的目標(biāo)和挑戰(zhàn)。

困難重重：研發(fā)GPGPU的難點(diǎn)

從硬件角度看，最核心的是指令集。指令集的覆蓋面、顆粒度、效率等決定一款芯片能否覆蓋到足夠?qū)挼膽?yīng)用領(lǐng)域，對(duì)軟件開發(fā)和產(chǎn)品迭代是否足夠友好。

無論英偉達(dá)還是AMD的GPGPU，指令集都在千條量級(jí)，對(duì)比目前國內(nèi)的AI芯片指令集大多都在百條以內(nèi)。類型與數(shù)量的差別映射到硬件高效實(shí)現(xiàn)的復(fù)雜程度，差距是巨大的，在這方面國內(nèi)的團(tuán)隊(duì)還存在著一定的差距。

②基于硬件層的任務(wù)管理和智能調(diào)度。這是讓芯片從硬件層即提高算力的利用率，也就是大家常說的實(shí)際算力。

大多數(shù)AI芯片依賴于軟件層的調(diào)度實(shí)現(xiàn)，這種方式有三個(gè)短板：第一增加了軟件開發(fā)的復(fù)雜度，第二降低了硬件算力的利用率，第三減緩了軟件棧迭代更新的速度。在AI領(lǐng)域，算法模型、開發(fā)環(huán)境、應(yīng)用場景都在加速更新，這無疑大大增加了產(chǎn)品落地與工程化的難度。

③軟件層面最重要的是開發(fā)生態(tài)。GPGPU通過英偉達(dá)十多年的耕耘，已經(jīng)建立起了一個(gè)超過160萬開發(fā)用戶的龐大而成熟的生態(tài)——CUDA。

④AI芯片若需要搭建全新的生態(tài)，會(huì)帶來兩個(gè)維度的問題：第一，客戶需要冗長的適配期，從原有的開發(fā)環(huán)境切換到新的軟件生態(tài)，這不僅需要資源投入，還要推遲業(yè)務(wù)部署時(shí)間窗口，同時(shí)增加了業(yè)務(wù)的不確定性。

值得一戰(zhàn)：國內(nèi)企業(yè)挑戰(zhàn)與機(jī)遇

過去一年，AI芯片創(chuàng)企們從秘密造芯的狀態(tài)走出，多數(shù)創(chuàng)企選擇切入的是終端市場，少數(shù)玩家選擇進(jìn)軍被美國半導(dǎo)體巨頭們蠶食掉大半江山的云端，而選擇做GPGPU芯片的玩家更是寥寥無幾。

NVIDIA早早憑借強(qiáng)大的GPU＋CUDA方案切入深度學(xué)習(xí)領(lǐng)域，用大筆研發(fā)投入和時(shí)間堆積起堅(jiān)不可摧的生態(tài)城墻，而這恰恰是國內(nèi)外其他玩家都相對(duì)薄弱的環(huán)節(jié)。

GPGPU創(chuàng)企們還需在CUDA生態(tài)的基礎(chǔ)上來推廣自己的芯片，但隨著初代芯片陸續(xù)順利落地，若想真正實(shí)現(xiàn)自主可控，打造完整的國產(chǎn)核心技術(shù)生態(tài)體系是必經(jīng)之路。

CPU因?yàn)橛兄ㄓ眯缘男枨螅酝厦鎲蝹€(gè)核心會(huì)設(shè)計(jì)的非常大而全面，并且由于CPU計(jì)算的特性，核心中很大一部分面積用來構(gòu)建緩存（一個(gè)核心中往往有L1和L2兩級(jí)緩存）和控制單元（解碼器與分支預(yù)測(cè)等前端單元），而實(shí)際用來運(yùn)算的單元面積可能僅僅只占整個(gè)核心的一半甚至不到。

種種原因使得CPU沒有辦法做非常大的規(guī)模，一個(gè)核心中能塞入的東西有限，而總體的核心數(shù)需要控制在一個(gè)合理范圍中，多了就可能會(huì)發(fā)生各種各樣的問題。

明面上，現(xiàn)在是異構(gòu)計(jì)算的天下，近年來傳統(tǒng)以CPU為核心的服務(wù)器市場增長比較平緩，而GPU服務(wù)器的增速迅猛，年增長率據(jù)稱超60％。

只不過在現(xiàn)階段，國產(chǎn)替代方案還要在CUDA生態(tài)的基礎(chǔ)上推廣自己的芯片產(chǎn)品，在兼容CUDA的同時(shí)，建設(shè)新生態(tài)。在這個(gè)過程中，每一步都關(guān)鍵且充滿挑戰(zhàn)。

潛在因素則在于5G時(shí)代的到來推動(dòng)了物聯(lián)網(wǎng)的迅猛發(fā)展，應(yīng)用場景更加豐富多元，這要求云端的計(jì)算資源能應(yīng)對(duì)各種復(fù)雜場景的需求提供豐富靈活的計(jì)算支撐，工程師們肯定更愿意將能“通吃”的芯片焊在服務(wù)器上。

圍繞GPGPU，國外已是龍爭虎斗，反觀國內(nèi)，能夠洞悉GPGPU發(fā)展機(jī)遇并付諸行動(dòng)的芯片廠商少之又少。

華為是為數(shù)不多看到通用GPU趨勢(shì)的芯片廠商之一，而且看起來正在嘗試兩條腿走路通往GPGPU的路上。

結(jié)尾：

GPGPU這個(gè)相對(duì)于PC整個(gè)歷史還算是比較新的概念，經(jīng)過十余年的發(fā)展已經(jīng)不僅局限于PC，還走向了其他領(lǐng)域，扎根于我們生活的每個(gè)角落。

GPGPU已經(jīng)在許多云計(jì)算平臺(tái)上得到了應(yīng)用，相信在以后，GPU會(huì)更加深入我們電子生活的方方面面，在那里默默地發(fā)熱。