編者按

隨著ChatGPT的火爆，AGI（Artificial General Intelligence，通用人工智能）逐漸看到了爆發(fā)的曙光。短短一個(gè)月的時(shí)間，所有的巨頭都快速反應(yīng)，在AGI領(lǐng)域“重金投入，不計(jì)代價(jià)”。

AGI是基于大模型的通用智能；相對的，之前的各種基于中小模型的、用于特定應(yīng)用場景的智能可以稱之為專用智能。

那么，我們可以回歸到一個(gè)大家經(jīng)常討論的話題：向左（專用）還是向右（通用）？在芯片領(lǐng)域，大家針對特定的場景開發(fā)了很多專用的芯片。是否可以類似AGI的發(fā)展，開發(fā)足夠通用的芯片，既能夠覆蓋幾乎所有場景，還能夠功能和性能極度強(qiáng)大？

1 AGI發(fā)展綜述

1.1 AGI的概念

AGI通用人工智能，也稱強(qiáng)人工智能（Strong AI），指的是具備與人類同等甚至超越人類的智能，能表現(xiàn)出正常人類所具有的所有智能行為。

ChatGPT是大模型發(fā)展量變到質(zhì)變的結(jié)果，ChatGPT具備了一定的AGI能力。隨著ChatGPT的成功，AGI已經(jīng)成為全球競爭的焦點(diǎn)。

與基于大模型發(fā)展的AGI對應(yīng)的，傳統(tǒng)的基于中小模型的人工智能，也可以稱為弱人工智能。它聚焦某個(gè)相對具體的業(yè)務(wù)方面，采用相對中小參數(shù)規(guī)模的模型，中小規(guī)模的數(shù)據(jù)集，然后實(shí)現(xiàn)相對確定、相對簡單的人工智能場景應(yīng)用。

1.2 AGI特征之一：涌現(xiàn)

“涌現(xiàn)”，并不是一個(gè)新概念。凱文·凱利在他的《失控》中就提到了“涌現(xiàn)”，這里的“涌現(xiàn)”，指的是眾多個(gè)體的集合會涌現(xiàn)出超越個(gè)體特征的某些更高級的特征。

在大模型領(lǐng)域，“涌現(xiàn)”指的是，當(dāng)模型參數(shù)突破某個(gè)規(guī)模時(shí)，性能顯著提升，并且表現(xiàn)出讓人驚艷的、意想不到的能力，比如語言理解能力、生成能力、邏輯推理能力等等。

對外行（比如作者自己）來說，涌現(xiàn)能力，可以簡單的用“量變引起質(zhì)變”來解釋：隨著模型參數(shù)的不斷增加，終于突破了某個(gè)臨界值，從而引起了質(zhì)的變化，讓大模型產(chǎn)生了許多更加強(qiáng)大的、新的能力。

如果想詳細(xì)了解大模型“涌現(xiàn)”能力的詳細(xì)分析，可以參閱谷歌的論文《Emergent Abilities of Large Language Models》。

當(dāng)然，目前，大模型發(fā)展還是非常新的領(lǐng)域，對“涌現(xiàn)”能力的看法，也有不同的聲音。例如斯坦福大學(xué)的研究者對大語言模型“涌現(xiàn)”能力的說法提出了質(zhì)疑，認(rèn)為其是人為選擇度量方式的結(jié)果。詳見論文《Are Emergent Abilities of Large Language Models a Mirage?》。

1.3 AGI特征之二：多模態(tài)

每一種信息的來源或者形式，都可以稱為一種模態(tài)。例如，人有觸覺、聽覺、視覺等；信息的媒介有文字、圖像、語音、視頻等；各種類型的傳感器，如攝像頭、雷達(dá)、激光雷達(dá)等。多模態(tài)，顧名思義，即從多個(gè)模態(tài)表達(dá)或感知事物。而多模態(tài)機(jī)器學(xué)習(xí)，指的是從多種模態(tài)的數(shù)據(jù)中學(xué)習(xí)并且提升自身的算法。

傳統(tǒng)的中小規(guī)模AI模型，基本都是單模態(tài)的。比如專門研究語言識別、視頻分析、圖形識別以及文本分析等單個(gè)模態(tài)的算法模型。

基于Transformer的chatGPT出現(xiàn)之后，之后的AI大模型基本上都逐漸實(shí)現(xiàn)了對多模態(tài)的支持：

首先，可以通過文本、圖像、語音、視頻等多模態(tài)的數(shù)據(jù)學(xué)習(xí)；

并且，基于其中一個(gè)模態(tài)學(xué)習(xí)到的能力，可以應(yīng)用在另一個(gè)模態(tài)的推理；

此外，不同模態(tài)數(shù)據(jù)學(xué)習(xí)到的能力還會融合，形成一些超出單個(gè)模態(tài)學(xué)習(xí)能力的新的能力。

多模態(tài)的劃分是我們?nèi)藶檫M(jìn)行劃分的，多種模態(tài)的數(shù)據(jù)里包含的信息，都可以被AGI統(tǒng)一理解，并轉(zhuǎn)換成模型的能力。在中小模型中，我們?nèi)藶楦盍蚜撕芏嘈畔ⅲ瑥亩拗频腁I算法的智能能力（此外，模型的參數(shù)規(guī)模和模型架構(gòu)，也對智能能力有很大影響）。

1.4 AGI特征之三：通用性

從2012年深度學(xué)習(xí)走入我們的視野，用于各類特定應(yīng)用場景的AI模型就如雨后春筍般的出現(xiàn)。比如車牌識別、人臉識別、語音識別等等，也包括一些綜合性的場景，比如自動駕駛、元宇宙場景等。每個(gè)場景都有不同的模型，并且同一個(gè)場景，還有很多公司開發(fā)的各種算法和架構(gòu)各異的模型。可以說，這一時(shí)期的AI模型，是極度碎片化的。

而從GPT開始，讓大家看到了通用AI的曙光。最理想的AI模型：可以輸入任何形式、任何場景的訓(xùn)練數(shù)據(jù)，可以學(xué)習(xí)到幾乎“所有”的能力，可以做任何需要做的決策。當(dāng)然，最關(guān)鍵的，基于大模型的AGI的智能能力遠(yuǎn)高于傳統(tǒng)的用于特定場合的AI中小模型。? ?

完全通用的AI出現(xiàn)以后，一方面我們可以推而廣之，實(shí)現(xiàn)AGI+各種場景；另一方面，由于算法逐漸確定，也給了AI加速持續(xù)優(yōu)化的空間，從而可以持續(xù)不斷的優(yōu)化AI算力。算力持續(xù)提升，反過來又會推動模型向更大規(guī)模參數(shù)演進(jìn)升級。

2 專用和通用的關(guān)系

牧本波動（Makimoto's Wave）是一個(gè)與摩爾定律類似的電子行業(yè)發(fā)展規(guī)律，它認(rèn)為集成電路有規(guī)律的在“通用”和“專用”之間變化，循環(huán)周期大約為10年。也因此，芯片行業(yè)的很多人認(rèn)為，“通用”和“專用”是對等的，是一個(gè)天平的兩邊。設(shè)計(jì)研發(fā)的產(chǎn)品，偏向通用或偏向?qū)Ｓ茫腔诳蛻魣鼍靶枨螅瑢Ξa(chǎn)品實(shí)現(xiàn)的權(quán)衡。

但從AGI的發(fā)展來看，基于大模型的AGI和傳統(tǒng)的基于中小模型的專用人工智能相比，并不是對等的兩端左右權(quán)衡的問題，而是從低級智能升級到高級智能的問題。我們再用這個(gè)觀點(diǎn)重新來審視一下計(jì)算芯片的發(fā)展歷史：

專用集成電路ASIC是貫穿集成電路發(fā)展的一直存在的一種芯片架構(gòu)形態(tài)；

在CPU出現(xiàn)之前，幾乎所有的芯片都是ASIC；但在CPU出現(xiàn)之后，CPU迅速的取得了芯片的主導(dǎo)地位；CPU的ISA包含的是加減乘除等最基本的指令，也因此CPU是完全通用的處理器。

GPU最開始的定位是專用的圖形處理器；自從GPU改造成了定位并行計(jì)算平臺的GP-GPU之后，輔以幫助用戶開發(fā)的CUDA的加持，從而成就了GPU在異構(gòu)時(shí)代的王者地位。

隨著系統(tǒng)復(fù)雜度的增加，不同客戶系統(tǒng)的差異性和客戶系統(tǒng)的快速迭代，ASIC架構(gòu)的芯片，越來越不適合。行業(yè)逐漸興起了DSA的浪潮，DSA可以理解成ASIC向通用可編程能力的一個(gè)回調(diào)，DSA是具有一定編程能力的ASIC。ASIC面向具體場景和固化的業(yè)務(wù)邏輯，而DSA則面向一個(gè)領(lǐng)域的多種場景，其業(yè)務(wù)邏輯部分可編程。即便如此，在AI這種對性能極度敏感的場景，相比GPU，AI-DSA都不夠成功，本質(zhì)原因就在于AI場景快速變化，但AI-DSA芯片迭代周期過長。

從長期發(fā)展的角度看，專用芯片的發(fā)展，是在給通用芯片探路。通用芯片，會從各類專用計(jì)算中析取出更加本質(zhì)的足夠通用的計(jì)算指令或事務(wù)，然后把之融合到通用芯片的設(shè)計(jì)中去。比如：

CPU完全通用，但性能較弱，所以就通過向量和張量等協(xié)處理器的方式，實(shí)現(xiàn)硬件加速和性能提升。

CPU的加速能力有限，于是出現(xiàn)了GPU。GPU是通用并行加速平臺。GPU仍然不是性能最高的加速方式，也因此，出現(xiàn)了Tensor Core加速的方式。

Tensor Core的方式，仍然沒有完全釋放計(jì)算的性能。于是，完全獨(dú)立的DSA處理器出現(xiàn)。

智能手機(jī)是通用和專用的一個(gè)經(jīng)典案例：在智能手機(jī)出現(xiàn)之前，各種各樣的手持設(shè)備，琳瑯滿目；智能手機(jī)出現(xiàn)之后，這些功能專用的設(shè)備，就逐漸消失在歷史長河中。

通用和專用，并不是，供設(shè)計(jì)者權(quán)衡的，對等的兩個(gè)方面；從專用到通用，是低級到高級的過程。短期來看，通用和專用是交替前行；但從更長期的發(fā)展來看，專用是暫時(shí)的，通用是永恒的。

3 通用處理器是否可行？

CPU是通用的處理器，但隨著摩爾定律失效，CPU已經(jīng)難堪大用。于是，又開始了一輪專用芯片設(shè)計(jì)的大潮：2017年，圖靈獎(jiǎng)獲得者John Hennessy和David Patterson就提出“體系結(jié)構(gòu)的黃金年代”，認(rèn)為未來一定時(shí)期，是專有處理器DSA發(fā)展的重大機(jī)會。

但這5-6年的實(shí)踐證明，以DSA為代表的專用芯片黃金年代的成色不足。反而在AI大模型的加持之下，成就了通用GPU的黃金年代。

當(dāng)然，GPU也并不完美：GPU的性能即將，如CPU一樣，到達(dá)上限。目前，支持GPT大模型的GPU集群需要上萬顆GPU處理器，一方面整個(gè)集群的效率低下，另一方面集群的建設(shè)和運(yùn)行成本都非常的高昂。

是否可以設(shè)計(jì)更加優(yōu)化的處理器，既具有通用處理器的特征，盡可能的“放之四海而皆準(zhǔn)”，又可以更高效率更高性能？這里我們給一些觀點(diǎn)：

我們可以把計(jì)算機(jī)上運(yùn)行的系統(tǒng)拆分為若干個(gè)工作任務(wù)，如一些軟件進(jìn)程或相近軟件進(jìn)程的組合可以看做是一個(gè)工作任務(wù)；

廣泛存在的二八定律：系統(tǒng)中的工作任務(wù)，并不是完全隨機(jī)的，很多工作業(yè)務(wù)是相對確定的，比如虛擬化、網(wǎng)絡(luò)、存儲、安全、數(shù)據(jù)庫、文件系統(tǒng)，甚至人工智能推理，等等；并且，即使應(yīng)用層的比較隨機(jī)的計(jì)算任務(wù)，仍然會包含大量確定性的計(jì)算成分，例如一些應(yīng)用包含安全、視頻圖形處理、人工智能等相對確定的計(jì)算部分。

我們把處理器（引擎）按照性能效率和靈活性能力，簡單的分為三個(gè)類型：CPU、GPU和DSA。

類似“塔防游戲”，依據(jù)二八定律，把80%的計(jì)算任務(wù)交給DSA完成，把16%的工作任務(wù)交給GPU來完成，CPU負(fù)責(zé)剩余4%的其他工作。CPU很重要的工作是兜底。

依據(jù)性能/靈活性的特征，匹配到最合適的處理器計(jì)算引擎，可以在實(shí)現(xiàn)足夠通用的情況下，實(shí)現(xiàn)最極致的性能。

4 通用處理器的歷史和發(fā)展

如果我們以通用計(jì)算為準(zhǔn)，計(jì)算架構(gòu)的演進(jìn)，可以簡單的劃分為三個(gè)階段，即從同構(gòu)走向超異構(gòu)，再持續(xù)不斷的走向超異構(gòu)：

第一代通用計(jì)算：CPU同構(gòu)。

第二代通用計(jì)算：CPU+GPU異構(gòu)。

第三代（新一代）通用計(jì)算：CPU+GPU+DSAs的超異構(gòu)。

4.1 第一代通用計(jì)算：CPU同構(gòu)

Intel發(fā)明了CPU，這是第一代的通用計(jì)算。第一代通用計(jì)算，成就了Intel在2000前后持續(xù)近30年的霸主地位。

CPU標(biāo)量計(jì)算的性能非常弱，也因此，CPU逐漸引入向量指令集處理的AVX協(xié)處理器以及矩陣指令集的AMX協(xié)處理器等復(fù)雜指令集，不斷的優(yōu)化CPU的性能和計(jì)算效率，不斷的拓展CPU的生存空間。

4.2 第二代通用計(jì)算：CPU+GPU異構(gòu)

CPU協(xié)處理器的做法，本身受CPU原有架構(gòu)的約束，其性能存在上限。在一些相對較小規(guī)模的加速計(jì)算場景，勉強(qiáng)可用。但在AI等大規(guī)模加速計(jì)算場景，因?yàn)槠湫阅苌舷掭^低并且性能效率不高，不是很合適。因此，需要完全獨(dú)立的、更加重量的加速處理器。

GPU是通用并行計(jì)算平臺，是最典型的加速處理器。GPU計(jì)算需要有Host CPU來控制和協(xié)同，因此具體的實(shí)現(xiàn)形態(tài)是CPU+GPU的異構(gòu)計(jì)算架構(gòu)。

NVIDIA發(fā)明了GP-GPU，以及提供了CUDA框架，促進(jìn)了第二代通用計(jì)算的廣泛應(yīng)用。隨著AI深度學(xué)習(xí)和大模型的發(fā)展，GPU成為最炙手可熱的硬件平臺，也成就了NVIDIA萬億市值（超過Intel、AMD和高通等芯片巨頭的市值總和）。

當(dāng)然，GPU內(nèi)部的數(shù)以千計(jì)的CUDA core，本質(zhì)上是更高效的CPU小核，因此，其性能效率仍然存在上升的空間。于是，NVIDIA開發(fā)了Tensor加速核心來進(jìn)一步優(yōu)化張量計(jì)算的性能和效率。

4.3 第三代（面向未來的）通用計(jì)算：CPU+GPU+DSAs超異構(gòu)

技術(shù)發(fā)展，永無止境。第三代通用計(jì)算，即多種異構(gòu)融合的超異構(gòu)計(jì)算，面向未來更大算力需求場景的挑戰(zhàn)：

首先，有三個(gè)層次的獨(dú)立處理引擎。即CPU、GPU和DSA。（相應(yīng)的，第一代CPU只有一個(gè)，第二代異構(gòu)計(jì)算有兩個(gè)。）

多種加速處理引擎，都是和CPU組成CPU+XPU的異構(gòu)計(jì)算架構(gòu)。

超異構(gòu)不是簡單的多種異構(gòu)計(jì)算的集成，而是多種異構(gòu)計(jì)算系統(tǒng)的，從軟件到硬件層次的，深度融合。

超異構(gòu)計(jì)算，要想成功，必須要實(shí)現(xiàn)足夠好的通用性。如果不考慮通用性，超異構(gòu)架構(gòu)里的相比以往更多的計(jì)算引擎，會使得架構(gòu)碎片化問題更加嚴(yán)重。軟件人員無所適從，超異構(gòu)就不會成功。

編輯：黃飛

?