摩爾定律將要謝幕 未來將是FPGA的天下

整整50年來，計算機的底層元件都遵從著“摩爾定律”：在價格不變的情況下，集成在芯片上的晶體管數(shù)量每隔18到24個月將增加一倍，計算成本呈指數(shù)型下降。摩爾定律成就了各種技術變革，例如互聯(lián)網、基因組測序等等。

然而現(xiàn)在，摩爾定律的趨勢第一次放緩了。芯片行業(yè)進入了一個不確定的時代，在同樣的投入下，收益變得越來越低。我認為有兩個原因。一是芯片制造商面臨的一個經濟問題：相比與芯片體積，大多數(shù)人對芯片的價格更敏感，要求芯片要做到經濟實用；二是我所認為的真正原因，隨著晶體管尺寸的不斷縮小，我們遇到了原子極限，先前標準、規(guī)則結構的晶體管結構已經無法維系。

在CPU時代，我們一直沿用的范式是在CPU上運行編寫好的程序。這一范式的優(yōu)點在于整個計算系統(tǒng)所有層級都是確定的，它們有限但功能強大。芯片的原理非常簡單，無非就是開關、邏輯門、二進制系統(tǒng)等等。但是現(xiàn)在，計算需求正變得越來越復雜和艱難，導致計算機結構也越來越復雜，在一塊芯片上集成的電路越來越龐大。

Simon Peyton Jones曾說，計算機軟件和體系架構是人們迄今為止所創(chuàng)造的最令人驚嘆的結構。在計算機體系架構領域，任何一個接口的設計都需要調整芯片底層的架構。做芯片與做軟件差別很大。編寫軟件時的自由度非常高，但在設計硬件時卻會面臨各種各樣的限制：在一塊尺寸有限的硅芯片上要集成各種不同功能的組件，并且要保證以正確的方式相互連接，而且要根據預算在通用性、高效性、速度、軟件適配等多個維度中做出權衡。

FPGA：現(xiàn)場可編程門陣列

在加入微軟前，我曾和我的一名博士生Hadi Esmaeilzadeh做過一項關于“暗硅”（Dark Silicon）的研究。當時，業(yè)界正朝著多核芯片的方向發(fā)展，有人認為，只要能編寫并行軟件，就能將計算機芯片架構擴展到數(shù)千核。

我們在2011年發(fā)表的研究中發(fā)現(xiàn)，由于功耗的限制，一個多核處理器在同一時刻只能有很少的一部分晶體管能夠工作，而其余部分則處于休眠狀態(tài)。這項研究獲得了相當高的關注度。

受到這一研究的啟發(fā)，我們認為可以針對特定的工作使用定制硬件來加速計算，解決“暗硅”問題。但是對于普通用戶來說，定制芯片的經濟成本以及大量功能不同芯片的管理成本都很高。為了幫助用戶解決這個問題，微軟在Azure云平臺上部署了FPGA（現(xiàn)場可編程門陣列）。

FPGA全稱為“現(xiàn)場可編程門陣列”，之所以稱為“現(xiàn)場可編程”，是因為在做完芯片硬件設計和算法映射之后，我們仍然可以對FPGA芯片進行實時、動態(tài)地修改。我們可以隨時把它改寫成其它用途的芯片，甚至可以每隔幾秒修改一次。為了同時滿足性能、成本和靈活性的要求，我們可以使用定制芯片來處理部分長期穩(wěn)定的計算需求，而使用FPGA來處理剩余計算需求。

FPGA此前就已經廣泛應用于通信領域，在處理高速數(shù)據流以及測試即將投產的芯片時的表現(xiàn)出色。但在云計算中，F(xiàn)PGA尚未真正成功地大規(guī)模使用。

CPU和GPU適合于處理不同的任務。CPU是一種通用處理器，適合處理少量數(shù)據；而GPU是一種單指令、多數(shù)據（Single Instruction Multiple Data，SIMD）的并行處理器，即一條指令對不同的幾組數(shù)據執(zhí)行相同的操作。FPGA實際上是CPU模型的“倒置”。在FPGA上，我們不再固定數(shù)據、運行指令，而是固定一些指令、運行整批數(shù)據。我稱之為“結構化計算”，其理念為固定一種計算結構，讓數(shù)據不斷從其中流過。FPGA非常適合這類工作負載，在云中， FPGA可以很好地完成這一使命，對CPU來說也是一種很好的補充。

FPGA每秒能夠處理50GB的數(shù)據包，同時也可以確保用戶的信息安全和網絡私密性。面對同樣的計算任務，多塊CPU才能接近一塊FPGA的處理速度。

于是，從2015年底開始，微軟通過Project Catapult項目在微軟Azure云中對FPGA進行了超大規(guī)模的部署，不管與之前相比還是跟競爭對手相比，Azure云的數(shù)據處理速度都有明顯的提升。目前，微軟是全球最大的FPGA使用者之一，各個團隊都在使用FPGA強化自己的服務。

Brainwave：為深度神經網絡“定制”處理器

在人工智能領域，目前大熱的深度學習對計算機硬件和架構都提出了更高的要求，只有更好、更快的硬件和架構才能處理日益龐大的訓練數(shù)據和越來越復雜的深度神經網絡模型。機器翻譯、語音理解、計算機視覺等經典人工智能領域的不斷發(fā)展給硅芯產業(yè)帶來了很大的壓力?，F(xiàn)在，許多公司都為打造人工智能、機器學習，特別是深度學習的定制架構投入了大量的資金。

Project Brainwave硬件模型

因此，我們團隊打造了自己的深度神經網絡處理器Brainwave。我們正與微軟必應和Azure團隊通力合作，為微軟的各項服務提供有力的硬件與架構支持。利用Brainwave，必應團隊可以擺脫計算資源的制約，能夠部署體量更大的模型，從而為用戶提供更好、更快、更高質量的搜索內容。

在今年的微軟Build大會上，微軟宣布了Project Brainwave預覽版，并將其整合到Azure機器學習服務中供用戶使用。同時，用戶也可以自行購買微軟推出的Catapult架構主板將之嵌入到生產設備上，這樣就可以在邊緣設備上直接運行已經在Azure上訓練好的模型，從而節(jié)省時間成本。

Brainwave非常適合處理推理運算任務，對于此類任務，目前大量技術都采用“批處理”的方式。批處理能夠提升計算機的處理能力，但卻容易增加網絡延遲。Project Brainwave可以將實時AI計算的延遲時間降到最小。不同的任務對于“實時”的要求并不相同，對于通過收集網絡信息預告緊急情況的任務來說，幾分鐘的“實時”處理是可以接受的，但對于實時語音互動或者類似于HoloLens這種增強現(xiàn)實任務，“實時”處理則要求做到毫秒級。

在實際的計算任務中，除了處理速度，成本也是需要考慮的一個關鍵因素。Brainwave系統(tǒng)做到了兩者兼顧，在處理速度和成本控制方面都有非常好的表現(xiàn)。

自從馮·諾依曼結構在上世界四十年代被提出之后，我們一直圍繞著馮·諾依曼計算機和各種各樣的計算機異構加速器進行研究，摩爾定律將要謝幕，我們正處于硅基和馮·諾伊曼時代的尾聲。所以，我們應該考慮更深遠的東西，為計算機的新的架構探索更深層次的理論。