文章来源：软硬件融合

原文作者：Chaobowx

编者按

随着ChatGPT的火爆，AGI（Artificial General Intelligence，通用人工智能）逐渐看到了爆发的曙光。短短一个月的时间，所有的巨头都快速反应，在AGI领域“重金投入，不计代价”。

AGI是基于大模型的通用智能；相对的，之前的各种基于中小模型的、用于特定应用场景的智能可以称之为专用智能。

那么，我们可以回归到一个大家经常讨论的话题：向左（专用）还是向右（通用）？在芯片领域，大家针对特定的场景开发了很多专用的芯片。是否可以类似AGI的发展，开发足够通用的芯片，既能够覆盖几乎所有场景，还能够功能和性能极度强大？

1 AGI发展综述

1.1 AGI的概念

AGI通用人工智能，也称强人工智能（Strong AI），指的是具备与人类同等甚至超越人类的智能，能表现出正常人类所具有的所有智能行为。

ChatGPT是大模型发展量变到质变的结果，ChatGPT具备了一定的AGI能力。随着ChatGPT的成功，AGI已经成为全球竞争的焦点。

与基于大模型发展的AGI对应的，传统的基于中小模型的人工智能，也可以称为弱人工智能。它聚焦某个相对具体的业务方面，采用相对中小参数规模的模型，中小规模的数据集，然后实现相对确定、相对简单的人工智能场景应用。

1.2 AGI特征之一：涌现

“涌现”，并不是一个新概念。凯文·凯利在他的《失控》中就提到了“涌现”，这里的“涌现”，指的是众多个体的集合会涌现出超越个体特征的某些更高级的特征。

在大模型领域，“涌现”指的是，当模型参数突破某个规模时，性能显著提升，并且表现出让人惊艳的、意想不到的能力，比如语言理解能力、生成能力、逻辑推理能力等等。

对外行（比如作者自己）来说，涌现能力，可以简单的用“量变引起质变”来解释：随着模型参数的不断增加，终于突破了某个临界值，从而引起了质的变化，让大模型产生了许多更加强大的、新的能力。

如果想详细了解大模型“涌现”能力的详细分析，可以参阅谷歌的论文《Emergent Abilities of Large Language Models》。

当然，目前，大模型发展还是非常新的领域，对“涌现”能力的看法，也有不同的声音。例如斯坦福大学的研究者对大语言模型“涌现”能力的说法提出了质疑，认为其是人为选择度量方式的结果。详见论文《Are Emergent Abilities of Large Language Models a Mirage?》。

1.3 AGI特征之二：多模态

每一种信息的来源或者形式，都可以称为一种模态。例如，人有触觉、听觉、视觉等；信息的媒介有文字、图像、语音、视频等；各种类型的传感器，如摄像头、雷达、激光雷达等。多模态，顾名思义，即从多个模态表达或感知事物。而多模态机器学习，指的是从多种模态的数据中学习并且提升自身的算法。

传统的中小规模AI模型，基本都是单模态的。比如专门研究语言识别、视频分析、图形识别以及文本分析等单个模态的算法模型。

基于Transformer的chatGPT出现之后，之后的AI大模型基本上都逐渐实现了对多模态的支持：

• 首先，可以通过文本、图像、语音、视频等多模态的数据学习；

• 并且，基于其中一个模态学习到的能力，可以应用在另一个模态的推理；

• 此外，不同模态数据学习到的能力还会融合，形成一些超出单个模态学习能力的新的能力。

多模态的划分是我们人为进行划分的，多种模态的数据里包含的信息，都可以被AGI统一理解，并转换成模型的能力。在中小模型中，我们人为割裂了很多信息，从而限制的AI算法的智能能力（此外，模型的参数规模和模型架构，也对智能能力有很大影响）。

1.4 AGI特征之三：通用性

从2012年深度学习走入我们的视野，用于各类特定应用场景的AI模型就如雨后春笋般的出现。比如车牌识别、人脸识别、语音识别等等，也包括一些综合性的场景，比如自动驾驶、元宇宙场景等。每个场景都有不同的模型，并且同一个场景，还有很多公司开发的各种算法和架构各异的模型。可以说，这一时期的AI模型，是极度碎片化的。

而从GPT开始，让大家看到了通用AI的曙光。最理想的AI模型：可以输入任何形式、任何场景的训练数据，可以学习到几乎“所有”的能力，可以做任何需要做的决策。当然，最关键的，基于大模型的AGI的智能能力远高于传统的用于特定场合的AI中小模型。

完全通用的AI出现以后，一方面我们可以推而广之，实现AGI+各种场景；另一方面，由于算法逐渐确定，也给了AI加速持续优化的空间，从而可以持续不断的优化AI算力。算力持续提升，反过来又会推动模型向更大规模参数演进升级。

2 专用和通用的关系

牧本波动（Makimoto's Wave）是一个与摩尔定律类似的电子行业发展规律，它认为集成电路有规律的在“通用”和“专用”之间变化，循环周期大约为10年。也因此，芯片行业的很多人认为，“通用”和“专用”是对等的，是一个天平的两边。设计研发的产品，偏向通用或偏向专用，是基于客户场景需求，对产品实现的权衡。

但从AGI的发展来看，基于大模型的AGI和传统的基于中小模型的专用人工智能相比，并不是对等的两端左右权衡的问题，而是从低级智能升级到高级智能的问题。我们再用这个观点重新来审视一下计算芯片的发展历史：

• 专用集成电路ASIC是贯穿集成电路发展的一直存在的一种芯片架构形态；

• 在CPU出现之前，几乎所有的芯片都是ASIC；但在CPU出现之后，CPU迅速的取得了芯片的主导地位；CPU的ISA包含的是加减乘除等最基本的指令，也因此CPU是完全通用的处理器。

• GPU最开始的定位是专用的图形处理器；自从GPU改造成了定位并行计算平台的GP-GPU之后，辅以帮助用户开发的CUDA的加持，从而成就了GPU在异构时代的王者地位。

• 随着系统复杂度的增加，不同客户系统的差异性和客户系统的快速迭代，ASIC架构的芯片，越来越不适合。行业逐渐兴起了DSA的浪潮，DSA可以理解成ASIC向通用可编程能力的一个回调，DSA是具有一定编程能力的ASIC。ASIC面向具体场景和固化的业务逻辑，而DSA则面向一个领域的多种场景，其业务逻辑部分可编程。即便如此，在AI这种对性能极度敏感的场景，相比GPU，AI-DSA都不够成功，本质原因就在于AI场景快速变化，但AI-DSA芯片迭代周期过长。

从长期发展的角度看，专用芯片的发展，是在给通用芯片探路。通用芯片，会从各类专用计算中析取出更加本质的足够通用的计算指令或事务，然后把之融合到通用芯片的设计中去。比如：

• CPU完全通用，但性能较弱，所以就通过向量和张量等协处理器的方式，实现硬件加速和性能提升。

• CPU的加速能力有限，于是出现了GPU。GPU是通用并行加速平台。GPU仍然不是性能最高的加速方式，也因此，出现了Tensor Core加速的方式。

• Tensor Core的方式，仍然没有完全释放计算的性能。于是，完全独立的DSA处理器出现。

智能手机是通用和专用的一个经典案例：在智能手机出现之前，各种各样的手持设备，琳琅满目；智能手机出现之后，这些功能专用的设备，就逐渐消失在历史长河中。

通用和专用，并不是，供设计者权衡的，对等的两个方面；从专用到通用，是低级到高级的过程。短期来看，通用和专用是交替前行；但从更长期的发展来看，专用是暂时的，通用是永恒的。

3 通用处理器是否可行？

CPU是通用的处理器，但随着摩尔定律失效，CPU已经难堪大用。于是，又开始了一轮专用芯片设计的大潮：2017年，图灵奖获得者John Hennessy和David Patterson就提出“体系结构的黄金年代”，认为未来一定时期，是专有处理器DSA发展的重大机会。

但这5-6年的实践证明，以DSA为代表的专用芯片黄金年代的成色不足。反而在AI大模型的加持之下，成就了通用GPU的黄金年代。

当然，GPU也并不完美：GPU的性能即将，如CPU一样，到达上限。目前，支持GPT大模型的GPU集群需要上万颗GPU处理器，一方面整个集群的效率低下，另一方面集群的建设和运行成本都非常的高昂。

是否可以设计更加优化的处理器，既具有通用处理器的特征，尽可能的“放之四海而皆准”，又可以更高效率更高性能？这里我们给一些观点：

• 我们可以把计算机上运行的系统拆分为若干个工作任务，如一些软件进程或相近软件进程的组合可以看做是一个工作任务；

• 广泛存在的二八定律：系统中的工作任务，并不是完全随机的，很多工作业务是相对确定的，比如虚拟化、网络、存储、安全、数据库、文件系统，甚至人工智能推理，等等；并且，即使应用层的比较随机的计算任务，仍然会包含大量确定性的计算成分，例如一些应用包含安全、视频图形处理、人工智能等相对确定的计算部分。

• 我们把处理器（引擎）按照性能效率和灵活性能力，简单的分为三个类型：CPU、GPU和DSA。

• 类似“塔防游戏”，依据二八定律，把80%的计算任务交给DSA完成，把16%的工作任务交给GPU来完成，CPU负责剩余4%的其他工作。CPU很重要的工作是兜底。

• 依据性能/灵活性的特征，匹配到最合适的处理器计算引擎，可以在实现足够通用的情况下，实现最极致的性能。

4 通用处理器的历史和发展

如果我们以通用计算为准，计算架构的演进，可以简单的划分为三个阶段，即从同构走向超异构，再持续不断的走向超异构：

• 第一代通用计算：CPU同构。

• 第二代通用计算：CPU+GPU异构。

• 第三代（新一代）通用计算：CPU+GPU+DSAs的超异构。

4.1 第一代通用计算：CPU同构

Intel发明了CPU，这是第一代的通用计算。第一代通用计算，成就了Intel在2000前后持续近30年的霸主地位。

CPU标量计算的性能非常弱，也因此，CPU逐渐引入向量指令集处理的AVX协处理器以及矩阵指令集的AMX协处理器等复杂指令集，不断的优化CPU的性能和计算效率，不断的拓展CPU的生存空间。

4.2 第二代通用计算：CPU+GPU异构

CPU协处理器的做法，本身受CPU原有架构的约束，其性能存在上限。在一些相对较小规模的加速计算场景，勉强可用。但在AI等大规模加速计算场景，因为其性能上限较低并且性能效率不高，不是很合适。因此，需要完全独立的、更加重量的加速处理器。

GPU是通用并行计算平台，是最典型的加速处理器。GPU计算需要有Host CPU来控制和协同，因此具体的实现形态是CPU+GPU的异构计算架构。

NVIDIA发明了GP-GPU，以及提供了CUDA框架，促进了第二代通用计算的广泛应用。随着AI深度学习和大模型的发展，GPU成为最炙手可热的硬件平台，也成就了NVIDIA万亿市值（超过Intel、AMD和高通等芯片巨头的市值总和）。

当然，GPU内部的数以千计的CUDA core，本质上是更高效的CPU小核，因此，其性能效率仍然存在上升的空间。于是，NVIDIA开发了Tensor加速核心来进一步优化张量计算的性能和效率。

4.3 第三代（面向未来的）通用计算：CPU+GPU+DSAs超异构

技术发展，永无止境。第三代通用计算，即多种异构融合的超异构计算，面向未来更大算力需求场景的挑战：

• 首先，有三个层次的独立处理引擎。即CPU、GPU和DSA。（相应的，第一代CPU只有一个，第二代异构计算有两个。）

• 多种加速处理引擎，都是和CPU组成CPU+XPU的异构计算架构。

• 超异构不是简单的多种异构计算的集成，而是多种异构计算系统的，从软件到硬件层次的，深度融合。

• 超异构计算，要想成功，必须要实现足够好的通用性。如果不考虑通用性，超异构架构里的相比以往更多的计算引擎，会使得架构碎片化问题更加严重。软件人员无所适从，超异构就不会成功。

  
  

转载内容仅代表作者观点

不代表中科院半导体所立场

编辑：千鸟