編者按

新華社北京2022年2月17日電，記者了解到，國家發(fā)展改革委、中央網(wǎng)信辦、工業(yè)和信息化部、國家能源局近日聯(lián)合印發(fā)文件，同意在京津冀、長三角、粵港澳大灣區(qū)、成渝、內蒙古、貴州、甘肅、寧夏啟動建設國家算力樞紐節(jié)點，并規(guī)劃了張家口集群等10個國家數(shù)據(jù)中心集群。至此，全國一體化大數(shù)據(jù)中心體系完成總體布局設計，“東數(shù)西算”工程正式全面啟動。

當前，算力已成為全球戰(zhàn)略競爭新焦點，是國民經濟發(fā)展的重要引擎，全球各國的算力水平與經濟發(fā)展水平呈現(xiàn)顯著的正相關。在2020年全球算力中，美國占36%，中國占31%，歐洲和日本分別占11%及6%。近年來，美國、歐洲、日本紛紛制定行動計劃，不斷運用算力助推經濟增長。

“數(shù)據(jù)、算法、算力”是數(shù)字經濟時代核心的三個要素，其中算力是數(shù)字經濟的物理承載。這里，我們通過“預見·第四代算力革命”系列文章（共四篇），從微觀到宏觀，詳細分析跟性能和算力相關的各個因素以及主流的算力平臺，盡可能地直面當前算力提升面臨的諸多挑戰(zhàn)和困難，展望面向未來的算力發(fā)展趨勢。這四篇文章為：

預見·第四代算力革命（一）：算力綜述；

預見·第四代算力革命（二）：三大主流計算平臺CPU、GPU和DSA；

預見·第四代算力革命（三）：面向未來十年的新一代計算架構；

預見·第四代算力革命（四）：宏觀算力建設。

本文為第三篇，歡迎關注公眾號，閱讀歷史以及后續(xù)精彩文章。

面向未來十年的新一代計算架構

算力，成為整個數(shù)字信息社會發(fā)展的關鍵。通過“東數(shù)西算”能緩解一些問題，但沒有根本解決問題：當前要想提升算力，更多的是靠“攤大餅”的方式構建更加規(guī)模龐大的現(xiàn)代化數(shù)據(jù)中心。

這是算力提升的Scale out（增大規(guī)模），那么，我們如何能夠做到算力的Scale up（提升單個計算節(jié)點的性能）？或者說，我們如何顯著（數(shù)量級）的提高單個處理器的性能？

1 性能，以靈活性為前提

1.1 復雜計算場景，需要更多的靈活性

云計算，是從IaaS、PaaS到SaaS的豐富多彩的分層服務體系。云計算具有很多本質的、顯著的特點，這些特點決定了云計算的內在發(fā)展規(guī)律：

超大的規(guī)模。AWS擁有超過400萬臺服務器，分布在全球22個地理區(qū)域和69個可用區(qū)。受規(guī)模的影響，數(shù)據(jù)中心需要自動化運維；因為VM/容器高可用，軟件實體需要在硬件平臺無縫遷移。這些需求，都需要軟硬件具有非常好的交互接口一致性。同樣，受規(guī)模的影響，任何一點細微的性能/成本優(yōu)化，在百萬級服務器的加持下，都會起到非常顯著的效果。例如，單個服務器系統(tǒng)優(yōu)化減少一個CPU核的消耗，對AWS來說，就意味著400萬個CPU核的成本降低，這會直接轉換成AWS的凈利潤。

大量的數(shù)據(jù)。2025年全球數(shù)據(jù)量175ZB，復合增長率27%，云端數(shù)據(jù)存儲占比超過50%。數(shù)據(jù)量爆炸式的增長，這么多數(shù)據(jù)的產生、傳輸、處理、存儲、分析、安全等等，都將對硬件的性能、帶寬、延時、空間、功耗、成本等構成龐大的挑戰(zhàn)。

復雜的網(wǎng)絡。網(wǎng)絡最關鍵的參數(shù)是帶寬和延遲，但在超大規(guī)模的加持下，集中管理的快速網(wǎng)絡變更成為一個關鍵的需求。并且，域間隔離和跨域訪問等網(wǎng)絡處理，都對網(wǎng)絡處理的性能提出了更高的要求。

虛擬化和可遷移性。虛擬化是云計算的基礎，虛擬化包括主機虛擬化、容器虛擬化以及函數(shù)虛擬化。虛擬化的本質目的是為了更好地資源隔離，以及提高資源利用率。目前，處理器平臺只有CPU做到了足夠好的硬件虛擬化支持，GPU和DSA的虛擬化能力還比較弱。為了實現(xiàn)VM/容器/函數(shù)的高可用，系統(tǒng)需要支持可遷移性，軟件運行實體和硬件運行環(huán)境解耦。在性能要求極高的同時，要求硬件IO設備和加速器等的接口一致性。需要“抽象層”硬件加速技術來屏蔽硬件差異，使得VM高性能的同時，可在不同服務器間平滑遷移。

可擴展性和復雜系統(tǒng)解構。受限于單臺服務器的處理能力，云計算通常通過橫向擴展來提升系統(tǒng)的服務能力；并且各種云服務的架構逐漸微服務化，這些因素，都促使數(shù)據(jù)中心的東西向流量激增。云計算場景，是復雜系統(tǒng)解構的同時，多租戶的更多系統(tǒng)共存。這些服務之間、租戶之間、系統(tǒng)之間需要非常安全的隔離，避免相互干擾以及數(shù)據(jù)訪問泄露等風險。

上面列出的云計算的鮮明特點，可以明顯看出，云計算場景對軟件系統(tǒng)運行的硬件平臺，提出了非常多的高標準要求?？偨Y來說，就是：越是復雜的場景，對靈活性的要求越高。而當前，只有CPU能夠提供云場景所需的靈活性。CPU提供了靈活的軟件可編程能力、硬件級別的通用性、更好的虛擬化支持以及更好的軟硬件交互接口一致性等，這使得CPU成為了云計算等復雜計算場景的主力算力平臺。

然而，很不幸的是，算力需求依然在提升，而CPU卻遇到了摩爾定律失效。隨著CPU的性能瓶頸，我們不得不采用GPU、DSA等計算平臺，在這些計算平臺，如何提供如CPU一樣的軟件靈活性，是軟件和硬件的設計者需要核心關注的事情。

1.2 靈活性，代表了宏觀的規(guī)模

CPU是完全通用的處理器，通過最基本細分的簡單指令組成的程序，可以完成幾乎所有領域的任務處理。GPU，由于其并行計算的鮮明特點，在科學計算、圖形圖形處理、AI等領域具有非常大的優(yōu)勢。而DSA，則是要針對性能敏感場景，去定制處理器，只能覆蓋單一的領域。這樣，靈活性越高的處理器，其可以覆蓋的領域也就越多。而覆蓋的領域越多，也就意味著其可以實現(xiàn)更大規(guī)模的使用。

另一方面，即使在同一領域，不同用戶的差異化（橫向差異）以及用戶系統(tǒng)的長期快速迭代（縱向差異），都對硬件的靈活性提出了很高的要求。而芯片的研發(fā)周期2-3年，生命周期4-5年。在長達6-8年的周期里，要想覆蓋這么多的橫向和縱向的差異化功能需求，就必然需要相對靈活可編程的平臺。反過來說，要是提供了相對靈活可編程的平臺，就可以覆蓋盡可能多的用戶需求和用戶的長期迭代，這也就意味著處理芯片可以被更多的用戶使用，從而形成更大的規(guī)模。

因此，靈活性和規(guī)模是基本正比的關系。越高的靈活性，就意味著處理芯片可以得到更大規(guī)模的商業(yè)化落地。

1.3 性能和靈活性，魚和熊掌，必須全都要

 

從“指令”復雜度的觀點，我們可以得到：CPU最靈活但性能差，DSA相對固定但性能最好，GPU則位于兩者之間。單個處理引擎，其性能和靈活性是矛盾的兩面。獲得了性能就會失去靈活性，獲得了靈活性，就不得不損失性能。如上圖，我們進行詳細的說明：

需要特別強調的是，這里說的性能指的是同等資源規(guī)模情況下的相對性能。

Baseline，最低要求。Baseline的兩條虛線代表了復雜計算場景對性能和靈活性的最低要求。這意味著，CPU能滿足靈活性的要求，但無法滿足性能的要求。而DSA/ASIC能夠滿足性能的要求，但無法滿足靈活性的要求。GPU，相對均衡的設計，其性能和靈活性都無法滿足復雜計算場景的需要。

Ideal，理想化的（可以接近，但難以完全達到）要求。最理想的結果是魚和熊掌我們都要，既要CPU般極致的靈活性，又要DSA/ASIC般極致的性能。

CASH（Converged Architecture of Software and Hardware，軟硬件融合架構）。這里我們定義軟硬件融合架構CASH，其目標是實現(xiàn)接近于CPU一樣靈活性的同時，又能夠實現(xiàn)DSA/ASIC一樣極致的性能。其基本原理是“物盡其用”，通過把CPU、GPU、FPGA、DSA、ASIC等多種計算引擎混合集成在一起，讓“專業(yè)的人做專業(yè)的事”，分工協(xié)作，從而實現(xiàn)性能和靈活性的統(tǒng)一。

2 沿著摩爾定律的指引，持續(xù)不斷的提升性能

2.1 性能/算力的渴求無止境

算力，是數(shù)字經濟時代的核心生產力，是支撐數(shù)字經濟發(fā)展的堅實基礎。算力對推動科技進步、促進行業(yè)數(shù)字化轉型以及支撐經濟社會發(fā)展發(fā)揮重要的作用。算力與國家經濟發(fā)展緊密相關，《2020全球計算力指數(shù)評估報告》中指出，算力指數(shù)平均提高1個點，數(shù)字經濟和GDP將分布增長0.33%和0.18%。

根據(jù)IDC的報告，2018年中國產生的數(shù)據(jù)占全球23%，美國占21%。根據(jù)OpenAI的報告，全球AI訓練對算力的需求擴大了30萬倍。大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)、區(qū)塊鏈、元宇宙等新興技術應用，是未來算力發(fā)展的核心推動力。正是因為數(shù)字經濟時代，上層越來越豐富的應用場景，對算力源源不斷的渴求，這樣就需要：

持續(xù)不斷的增加單個計算芯片/設備的性能（Scale up）；

持續(xù)不斷地增加云計算、邊緣計算、自動駕駛車輛、智能終端等多層次計算設備的部署規(guī)模（Scale out和算力分層體系Hierarchy）。

2.2 極致性能需要盡可能采用DSA

前面我們提到，DSA的性能最好，雖然其靈活性差一些。但為了極致的性能，就不得不盡可能地選擇DSA架構處理引擎。當然，為了確保靈活性，我們需要針對性地把系統(tǒng)進行拆解。

復雜的系統(tǒng)通常是個分層的體系。其底層工作任務相對固定，上層工作任務相對靈活?？梢园训讓拥墓ぷ魅蝿毡M可能的運行在DSA，然后把上層的工作任務運行在CPU/GPU。

不過，把一些底層任務放在DSA，需要針對性地設計DSA引擎或芯片。而數(shù)據(jù)中心等場景超大的規(guī)模，使得任何一點細微的優(yōu)化，在規(guī)模的影響下，都會產生非常大的效益。因此，這種針對性的DSA設計是值得的。

比較理想的狀況，就是通過系統(tǒng)軟硬件架構的優(yōu)化設計，把90%以上（算力占比）的基礎層工作任務都運行在DSA（DSA負責性能敏感但功能確定的任務），而把應用層少于10%的工作任務運行在CPU/GPU（CPU負責更高價值，性能不那么敏感，但需要更多靈活可編程性的任務）。這樣，整個系統(tǒng)就可以很好地實現(xiàn)性能和靈活性的兼顧。

3 系統(tǒng)架構，整合各類性能優(yōu)化措施

3.1 架構設計概述

在《預見·第四代算力革命》的第一篇的時候，我們就已經提到了跟性能相關的四個因素（“指令復雜度”、運行頻率、并行度和I/O），也講到了通過工藝、存算一體、以及架構創(chuàng)新三類主要的手段來提升性能。三類手段和四個因素是垂直交叉的關系，通過多個不同視角，綜合地闡述如何提升芯片的性能。

站在架構設計的角度：

我們要考慮整個系統(tǒng)的輸入和輸出，通過什么樣的硬件接口，接口傳輸什么樣的內容，以及通過什么樣的上層接口協(xié)議；

還要考慮整個系統(tǒng)的分層分塊，以及每個任務/模塊間的交互；

還要考慮每個任務/模塊的軟硬件劃分以及這些任務的運行平臺；

并且要考慮內部總線互聯(lián)和軟件之間的接口調用。

業(yè)務需求、系統(tǒng)架構設計和半導體工藝/封裝進步是相互驅動和影響的：

半導體工藝進步的價值，需要通過架構設計來“變現(xiàn)”。以CPU多核設計為例，一開始，多核只有2/4個，通過（相對）簡單的Crossbar總線即可連接。當工藝進步，可以有很多的晶體管資源可以使用時，我們可以集成16甚至32核的時候，這個時候，CPU芯片的內部互聯(lián)就通過Ring或者Mesh總線。

為了滿足業(yè)務場景更高的要求，我們需要構建更大規(guī)模的系統(tǒng)架構設計；Chiplet封裝技術的進步，這也使得我們有能力構建更大規(guī)模的系統(tǒng)架構設計。我們不但要定義Chiplet之間的互聯(lián)總線，如何更好地實現(xiàn)把多個Chiplet芯粒連接成一個更大的芯片系統(tǒng)，還需要重新定義全新的系統(tǒng)架構。

因為存儲分層體系越來越冗繁，訪問數(shù)據(jù)的代價越來越高。不得不對存儲分層進行優(yōu)化，從而產生了存算一體化，存算一體化通過工藝、封裝、架構設計等方式全方位的優(yōu)化處理的性能以及處理和I/O的匹配。

等等。

總結一下，我們有很多性能優(yōu)化的手段，但大多只能優(yōu)化性能相關的部分因素。并且這些優(yōu)化手段跟我們提供給軟件開發(fā)者所可以用的更高性能的計算平臺還有很大的距離。而系統(tǒng)架構則處于兩者之間，負責統(tǒng)籌這些措施，把各種各樣的性能優(yōu)化措施，整合成用戶可以方便使用的計算平臺，從而實現(xiàn)計算平臺的大規(guī)?；涞?。

3.2 復雜系統(tǒng)，必須要軟硬件融合

計算機發(fā)展到現(xiàn)在，其架構已經是非常的成熟。軟件和硬件基本上是完全解耦，甚至形成了清晰而穩(wěn)定的交互邊界：

• CPU是通過ISA來解耦軟件和硬件，并且把軟硬件之間的“接口”ISA標準化，所以才有x86、ARM和RISC-v三大架構之說；GPU通過CUDA解耦了GPU軟件開發(fā)和硬件設計，并且GPU和CUDA能夠實現(xiàn)向前兼容。因為GPU CUDA的強大生態(tài)，NVIDIA才有了AI時代全球市值最高IC公司的成就。而ASIC則幾乎是一個純硬件的設計，只是通過控制面實現(xiàn)簡單的控制，并且這個控制面的接口還難以形成標準?？梢哉J為ASIC設計沒有做到軟硬件劃分的標準化。

有了先進工藝和先進封裝，有了AI對算力的極度渴求，有了元宇宙整合虛擬和現(xiàn)實的各種先進的技術，等等。隨著技術和需求的發(fā)展，使得整個系統(tǒng)變得更加的復雜，以元宇宙為例，其系統(tǒng)復雜度會是當前系統(tǒng)的千倍萬倍。量變引起質變，如此高復雜度的系統(tǒng)，當前已有的軟硬件體系肯定難以滿足要求。要做的，就是打破已有的體系和邊界，重新定義系統(tǒng)軟硬件，通過再一次的軟硬件相互“博弈”，形成新的架構和軟硬件劃分。并且，形成的新的架構和軟硬件劃分，依然有可能會快速地演進。

這個新的系統(tǒng)，一定是由很多個子系統(tǒng)構成的宏系統(tǒng)，一定是多種處理引擎混合共存。軟件里有硬件，硬件里有軟件，軟硬件組成的子系統(tǒng)再整合成一個更大的宏系統(tǒng)。我們把這種情況定義為軟硬件“融合”。

軟硬件融合，不改變系統(tǒng)層次結構和組件交互關系，但打破軟硬件的界限，通過系統(tǒng)級的協(xié)同，達到整體最優(yōu)。

復雜的系統(tǒng)分層，越上層越靈活軟件成分越多，越下層越固定硬件成分越多。為了持續(xù)的提升性能，則需要把系統(tǒng)中的任務盡可能的從CPU軟件運行，轉移到基于DSA更高效的硬件加速方式運行。復雜系統(tǒng)的底層任務逐漸穩(wěn)定，并且宏觀的超大規(guī)模，使得系統(tǒng)底層的任務適合逐步轉移到硬件DSA。通過軟硬件融合的優(yōu)化設計，可以使得“硬件”更加靈活，功能也更加強大，可以讓更多的層次功能加速向底層“硬件”轉移。

3.3 系統(tǒng)持續(xù)復雜，量變引起質變，從同構到異構再到超異構

(a) CPU組成的同構并行

(b) CPU + GPU/FPGA/DSA的異構并行

當前，并行計算的主流架構上圖所示，上圖(a)為CPU同構并行：

常見的多核CPU和多路CPU通過板級互聯(lián)組成的服務器，即是同構并行計算。CPU由于其靈活通用性好，是最常見的并行計算架構。但由于單個CPU核的性能已經到達瓶頸，并且單顆芯片所能容納的CPU核數(shù)也逐漸到頭。CPU同構并行已經沒有多少性能挖潛的空間。

上圖(b)為CPU+xPU的異構加速并行架構。一般情況下，GPU、FPGA及DSA加速器都是作為CPU的協(xié)處理加速器的形態(tài)存在，不是圖靈完備的。因此，這些加速器都需要CPU的控制，CPU+xPU成為了典型架構。

芯片工藝帶來的資源規(guī)模越來越大，所能支撐的設計規(guī)模也越來越大，這給架構創(chuàng)新提供了非常堅實的基礎。我們可以采用多種處理引擎共存，“專業(yè)的人做專業(yè)的事情”，來共同協(xié)作的完成復雜系統(tǒng)的計算任務。并且，CPU、GPU、FPGA、一些特定的算法引擎，都可以作為IP，被集成到更大的系統(tǒng)中。這樣，構建一個更大規(guī)模的芯片設計成為了可能。這里，我們稱之為“超異構計算”。如上圖所示，超異構指的是由CPU、GPU、FPGA、DSA、ASIC以及其他各種形態(tài)的處理器引擎共同組成的超大規(guī)模的復雜芯片系統(tǒng)。

超異構計算本質上是系統(tǒng)芯片SOC（System on Chip），但準確的定義應該是宏系統(tǒng)芯片MSOC（Macro-System on Chip）。站在系統(tǒng)的角度，傳統(tǒng)SOC是單系統(tǒng)，而超異構宏系統(tǒng)，即多個系統(tǒng)整合到一起的大系統(tǒng)。傳統(tǒng)SOC和超異構系統(tǒng)芯片的區(qū)別和聯(lián)系：

單系統(tǒng)還是多系統(tǒng)。傳統(tǒng)的SOC，有一個基于CPU的核心控制程序，來驅動CPU、GPU、外圍其他模塊以及接口數(shù)據(jù)IO等的工作，整個系統(tǒng)的運行是集中式管理和控制的。而超異構DPU由于其規(guī)模和復雜度，每個子系統(tǒng)其實就是一個傳統(tǒng)SOC級別的系統(tǒng)，整個系統(tǒng)呈現(xiàn)出分布式的特點。

以計算為中心還是以數(shù)據(jù)為中心。傳統(tǒng)SOC是計算為中心，CPU是由指令流（程序）來驅動運行的，然后CPU作為一切的“主管”再驅動外圍的GPU、其他加速模塊、IO模塊運行。而在超異構芯片系統(tǒng)中，由于數(shù)據(jù)處理帶寬性能的影響，必須是以數(shù)據(jù)為中心，靠數(shù)據(jù)驅動計算。

4 需要形成開放融合的軟件生態(tài)

4.1 從硬件定義軟件到軟件定義硬件

GPU和CUDA都是硬件定義軟件時代的產物。GPU平臺，硬件的GPGPU提供接口給CUDA，CUDA再提供接口給應用。CUDA框架有特定的驅動和HAL屏蔽不同GPU的實現(xiàn)細節(jié)；并且CUDA為了向前兼容和維護生態(tài)，最終映射到標準的庫。這些標準的庫，提供了標準的接口給上層的CUDA應用程序。

 

當前，進入了軟件定義硬件的時代。以云計算場景為例，許多用戶場景的服務已經存在，只是這些服務以軟件的形式運行在CPU。受限于CPU的性能瓶頸，使得軟件的性能無法進一步提升，因此需要通過硬件加速的方式來繼續(xù)提升性能。

但是，服務已經穩(wěn)定運行很久的時間，并且已經服務成千上萬的上層用戶。云計算提供商肯定很難把整個服務從CPU遷移到DSA等加速處理引擎。另外一方面，不同廠家的DSA呈現(xiàn)的都是不同的訪問接口，如果遷移，這也會導致對芯片供應商的依賴。因此，需要硬件通過軟件（或者硬件）的方式，給云計算提供商提供一致的標準訪問接口。

4.2 案例：Intel OneAPI，支持跨平臺的開發(fā)框架

 

英特爾oneAPI是一個開放、可訪問且基于標準的編程系統(tǒng)，支持開發(fā)人員跨多種硬件架構參與和創(chuàng)新，包括 CPU、GPU、FPGA、AI 加速器等。這些處理引擎具有非常不同的屬性，因此用于各種不同的處理——oneAPI試圖通過將它們統(tǒng)一在同一個模型下來簡化這些操作。

即使在今天，開發(fā)人員面臨的一個持續(xù)問題是我們日益數(shù)字化的世界提供的編程環(huán)境的數(shù)量。不同的編程環(huán)境使代碼重用等節(jié)省時間的策略失效，并成為軟件開發(fā)人員的真正障礙。作為其軟件優(yōu)先戰(zhàn)略的一部分，英特爾在 2019 年的超級計算活動中推出了oneAPI。該模型標志著英特爾的雄心是擁有統(tǒng)一的編程框架作為限制專有編程平臺的解決方案。oneAPI 使開發(fā)人員能夠在不厭倦使用不同語言、工具、庫和不同硬件的情況下工作。

Intel oneAPI可以實現(xiàn)：設計一套應用，根據(jù)需要，非常方便地把程序映射到CPU、GPU、FPGA或者AI-DSA/其他DSA等不同的處理器平臺。

4.3 開放融合，更好地實現(xiàn)跨平臺

 

我們把oneAPI模型框架再增強一下，如上圖所示。這樣，跨平臺，不僅僅是在CPU、GPU、FPGA和DSA的跨平臺，更在于是不同Vendor的不同處理器的跨平臺。

在終端場景，軟件通常附著在硬件之上，兩者是綁定的。我們可以通過如HAL一樣的抽象層來實現(xiàn)平臺的標準化，然后再部署操作系統(tǒng)和應用軟件。而在云端，VM、容器和函數(shù)都是一個個軟件運行實體，可以在不同的硬件上遷移，這就使得軟件和硬件是完全分開的。這也就需要硬件提供非常好的平臺一致性。

不同廠家，不同處理引擎，給軟件抽象出一致的接口，使得軟件可以非常方便地在不同處理引擎之間遷移。從而，大家合作，共建出標準的、開放的一整套軟硬件生態(tài)。

5 新一代算力革命的目標

在《預見·第四代算力革命》的第二篇里，我們從性能、資源效率、靈活性和軟件生態(tài)四個方面，分析總結了CPU、GPU和DSA的優(yōu)劣勢。在本篇里，我們經過上述各種分析之后，我們給出面向未來十年的新一代計算架構的一些設計目標——基于軟硬件融合架構（CASH，Converged Architecture of Software and Hardware）的超異構計算：

性能。讓摩爾定律繼續(xù)，性能持續(xù)不斷地提升。相比GPGPU，性能再提升100+倍；相比DSA，性能再提升10+倍。

資源效率。實現(xiàn)單位晶體管資源消耗下的最極致的性能，極限接近于DSA/ASIC架構的資源效率。

靈活性。給開發(fā)者呈現(xiàn)出的，是極限接近于CPU的靈活性、通用性及軟件可編程性。

設計規(guī)模。通過軟硬件融合的設計理念和系統(tǒng)架構，駕馭10+倍并且仍持續(xù)擴大的更大規(guī)模設計。

架構?；谲浻布诤系某悩嬘嬎悖篊PU + GPU + DSA + 其他各類可能的處理引擎。

生態(tài)。開放的平臺及生態(tài)，開放、標準的編程模型和訪問接口，融合主流開源軟件。

6 總結：第四代計算架構，基于軟硬件融合的超異構計算

計算 范式	核心 器件	算力 比較	通用性 比較	優(yōu)勢	問題
第一代	CPU	x1	100	極度靈活可編程。	效率最低，性能已經瓶頸。
第二代	GPU	x10+	10	相比CPU的性能優(yōu)勢，相比DSA/ASIC的通用靈活性，應用領域更加廣泛。	效率相比DSA/ASIC不高，性能即將到頂。
——	ASIC	x100+	1	極致性能	靈活性最低，完全定制的方案，用戶難以差異化，難以大規(guī)模。
第三代	DSA	x100+	5	接近于ASIC的極致性能，并且具有一定的可編程能力。	同一領域，應用的算法依然多種多樣，并且快速迭代，應用層（如AI）DSA難以大規(guī)模落地。
第四代	CASH	x1000+	100	l超異構：CPU+GPU+DSA+其他；更大規(guī)模，更大算力。 l軟硬件融合架構：CPU軟件一樣靈活可編程，DSA/ASIC硬件一樣極致的性能。 l開放的平臺及生態(tài)：開放、標準的編程模型和訪問接口，融合主流開源軟件。

（正文完）

參考文獻：

http://www.xinhuanet.com/tech/20220218/ca65a9090bb64c1a8ab9b004f290b17d/c.html，正式啟動！“東數(shù)西算”工程全面實施

1. 《2020全球計算力指數(shù)評估報告》，IDC & 浪潮