文章翻譯自EEnews Europe

人工智能（AI）不僅是一項(xiàng)技術(shù)突破，它更是軟件編寫、理解和執(zhí)行方式的一次永久性變革。傳統(tǒng)的軟件開(kāi)發(fā)基于確定性邏輯和大多是順序執(zhí)行的流程，而如今這一范式正在讓位于概率模型、訓(xùn)練行為以及數(shù)據(jù)驅(qū)動(dòng)的計(jì)算。這并不是一時(shí)的潮流。AI代表了計(jì)算機(jī)科學(xué)的一次根本性、不可逆的轉(zhuǎn)變——從基于規(guī)則的編程，邁向自適應(yīng)的、基于學(xué)習(xí)的系統(tǒng)，這些系統(tǒng)正逐步被集成到越來(lái)越廣泛的計(jì)算問(wèn)題與能力中。

這一轉(zhuǎn)變也對(duì)硬件提出了相應(yīng)的變革需求。在AI架構(gòu)和算法不斷演進(jìn)（并將持續(xù)演進(jìn)）的時(shí)代，為狹窄定義任務(wù)而打造的高度專用芯片的舊模式已不再適用。為了滿足不斷變化的AI需求（尤其是在邊緣側(cè))，我們需要具備與工作負(fù)載同樣動(dòng)態(tài)、適應(yīng)能力強(qiáng)的計(jì)算平臺(tái)。

這正是為什么通用并行處理器（即GPU）正在成為邊緣AI的未來(lái)，并開(kāi)始取代諸如神經(jīng)網(wǎng)絡(luò)處理器（NPU）這樣的專用處理器。這不僅僅是性能的問(wèn)題——更是關(guān)于靈活性、可擴(kuò)展性，以及與未來(lái)軟件發(fā)展方向保持一致的問(wèn)題。

Makimoto波動(dòng)理論與“靈活性”的回歸

要理解這一轉(zhuǎn)變，我們只需回顧“Makimoto波動(dòng)理論”：這是由日本工程師牧本次雄（Tsugio Makimoto）提出的一個(gè)概念，描述了計(jì)算產(chǎn)業(yè)在不同階段不斷在“標(biāo)準(zhǔn)化”與“定制化”之間擺動(dòng)的趨勢(shì)，其背后是市場(chǎng)需求、技術(shù)創(chuàng)新和軟件復(fù)雜性等因素的持續(xù)變化。

（Makimoto波動(dòng)理論展現(xiàn)了計(jì)算產(chǎn)業(yè)在“靈活性”與“專用性”之間的歷史擺動(dòng)。而當(dāng)前AI的發(fā)展軌跡，標(biāo)志著計(jì)算正再次呈現(xiàn)出在“靈活性”和“通用平臺(tái)”之間的擺動(dòng)。）

這一模型與AI硬件的演變過(guò)程高度契合。在AI發(fā)展的早期階段，工作負(fù)載較為明確且穩(wěn)定，此時(shí)采用NPU等固定功能加速器是合理的。這類處理器對(duì)特定任務(wù)（例如使用CNN進(jìn)行圖像分類或目標(biāo)檢測(cè)）進(jìn)行了深度優(yōu)化。

但如今AI已進(jìn)入高速演進(jìn)階段。我們已走出簡(jiǎn)單、靜態(tài)模型的時(shí)代，邁入混合網(wǎng)絡(luò)、Transformer架構(gòu)、基礎(chǔ)模型和持續(xù)創(chuàng)新的浪潮之中。為去年AI打造的定制硬件，根本無(wú)法跟上當(dāng)今的發(fā)展節(jié)奏。

我們?cè)俅握驹诹恕癕akimoto拐點(diǎn)”上——從專用硬件，回歸到可擴(kuò)展、可適配的通用計(jì)算平臺(tái)。

AI是一個(gè)并行計(jì)算問(wèn)題，而非專用計(jì)算問(wèn)題

AI的本質(zhì)在于并行計(jì)算。深度學(xué)習(xí)嚴(yán)重依賴并發(fā)操作——矩陣運(yùn)算、張量乘法、向量計(jì)算——這些正是GPU天生擅長(zhǎng)的工作負(fù)載。能夠同時(shí)渲染數(shù)百萬(wàn)像素的架構(gòu)，如今正好可以處理數(shù)百萬(wàn)神經(jīng)元的激活。

如今的通用GPU早已不僅僅用于圖形處理。它們擁有可編程管線、計(jì)算著色器，以及日益增強(qiáng)的AI中心化設(shè)計(jì)，不僅能加速傳統(tǒng)負(fù)載，也能支持新興的AI工作負(fù)載，是邊緣AI中強(qiáng)大而靈活的計(jì)算引擎。

相比之下，像NPU這樣的專用處理器則難以應(yīng)對(duì)持續(xù)的變革。它們對(duì)特定操作進(jìn)行了優(yōu)化，而當(dāng)AI領(lǐng)域快速演進(jìn)時(shí)，這些芯片便迅速被淘汰。顯然，面對(duì)這種全新的軟件范式，我們需要的是一種通用的、并行的、靈活的硬件平臺(tái)—— GPU。

為什么通用平臺(tái)在邊緣側(cè)更具優(yōu)勢(shì)

邊緣AI不僅需要性能，更需要適應(yīng)性、可重用性與較長(zhǎng)的生命周期?，F(xiàn)代GPU等通用并行處理器在這幾個(gè)方面均具備明顯優(yōu)勢(shì)：

靈活性：可編程，能夠支持新的模型類型而無(wú)需更換硬件；

可擴(kuò)展性：可適配從IoT傳感器到智能攝像頭再到自動(dòng)駕駛汽車等各種邊緣設(shè)備；

軟件生態(tài)成熟：擁有豐富的開(kāi)源工具與開(kāi)發(fā)標(biāo)準(zhǔn)（如OpenCL、LiteRT、TVM）；

可持續(xù)性：延長(zhǎng)產(chǎn)品生命周期，減少不斷重新設(shè)計(jì)芯片的需求。

簡(jiǎn)而言之，GPU的通用并行計(jì)算從架構(gòu)層面就為AI的持續(xù)演進(jìn)而設(shè)計(jì)。

展望未來(lái)

盡管有越來(lái)越多的證據(jù)說(shuō)明GPU具備的優(yōu)勢(shì)，市場(chǎng)仍然習(xí)慣將AI加速與NPU或定制芯片劃等號(hào)。但正如圖形行業(yè)早年發(fā)現(xiàn)，固定功能的圖形管線無(wú)法跟上游戲創(chuàng)新的節(jié)奏，如今AI行業(yè)也發(fā)現(xiàn)：固定硬件無(wú)法匹配快速變化的軟件需求。

是時(shí)候重新教育整個(gè)生態(tài)了。邊緣AI的未來(lái)不屬于那些高度優(yōu)化但功能狹窄的芯片，而是屬于可編程的、可適配的并行計(jì)算平臺(tái)，它們能與智能軟件共同成長(zhǎng)并擴(kuò)展。

幾十年前，Makimoto就洞察了這一趨勢(shì)。如今，我們正在親身經(jīng)歷他的遠(yuǎn)見(jiàn)——順應(yīng)著通用性和靈活性的浪潮前行。GPU不再是追趕者，它已處于領(lǐng)先位置。

Dennis Laudick是Imagination Technologies的產(chǎn)品管理副總裁。在加入公司之前，Dennis曾在Arm任職超過(guò)13年，擔(dān)任汽車、AI和GPU相關(guān)業(yè)務(wù)的產(chǎn)品與市場(chǎng)領(lǐng)導(dǎo)職務(wù)。在此之前，他還曾在多家半導(dǎo)體與OEM巨頭企業(yè)擔(dān)任高級(jí)管理崗位。