在国际范围内，对硅半导体的资料科学，制作工艺，有才能也有志愿继续的厂商可能只留下了Intel，Samsung，TSMC与Global Foundries。在近期或许在不久的将来，或许我国为了完结国际工厂的巨大转型，将接过半导体生产制作的旗号，使其愈加廉价，使其愈加缺少必要的盈余以支撑整个产业链的继续开展，维系也在完结这个职业。我继续悲观地维持在几年前的判断[3]，根据硅的半导体工业不可或缺，也不再重要。谈核算
缘起于上世纪四十年代的冯诺依曼系统正在等待着最终一根稻草。至今处理器的规划者再也无法依照自身的理念决议自己的规划方向，当这些处理器的规划者不知道做什么适宜，而回身专心于Cache、内存与I/O通路时，根据冯诺依曼系统的传统处理器现实上现已完毕。把握用户场景与运用的厂商现在是处理器真实的规划主导者。定制化时代不再是多年之前的预判[4]，而是已然降临，并操纵着处理器规划的方向。
硅半导体与传统处理器的停滞不前，不会完毕人类关于硅的依靠，在短期内尚无任何资料能够完全代替硅。运用关于硅的需求仍然清晰。在一分钟内，Youtube将至少接纳长达100个小时的视频文件[5]；在Facebook上，每天有40亿次视频点击播映[6]。这些运用需求将经过网络，抵达各类效劳器，并从存储器中获取或许写入数据，进行着各类数据的处理。在核算、网络与存储这些根底架构中，硅半导体仍然占有主导地位。
奇特的半导体硅改变了人类前史的开展轨道，也简直走到了尽头。近半个世纪以来，硅一向有互补品，如砷化镓GaAs与氮化镓GaN，这些在大功率与高频范畴已有着严重运用的半导体资料无法代替硅，根据二硫化钼MoS2和碳纳米管CNT (Carbon Nanotube)的晶体管乃至能够将Gate Length做到1nm[7]，可是仍然处于实验室阶段，用其代替硅只是停留在论文的纸面之上。至今硅工业的天花板制约了整个IT根底设施职业行进的脚步。
在核算范畴，被软银收买的ARM现已难以对x86处理器带来继续的压力。在手机处理器上取得了长足进步的苹果、高通、三星与华为，在近期难以在效劳器市场上对Intel带来实质性的应战。许多ARM效劳器在SPECInt的测验中声称已逐步接近了x86处理器，却在有意无意的疏忽着一个清楚明了的现实，这一代的效劳器，乃至是手机处理器，都不应该继续关注SPECInt与SPECfp这类单纯比拼核算功能的基准测验。
现在处理器的规划中心现已转向I/O与Memory Hierarchy通路的建设。在Intel的Broadwell-E处理器的Die Map[8]中，10个处理器微架构(Core)合在一起所占的份额现已不算太大，Memory Hierarchy与I/O占有了大多数的Die资源。
图12 Intel的Broadwell-E处理器的Die Map[8]
在一个处理器微架构中，运算单元所占的份额简直能够疏忽不计，在处理器微架构中，仍然是品种繁复，各类数据缓冲占有着主导方位。现实上，除了模仿器材以及与模仿器材强相关的芯片外，在多数芯片Die Map中，缓冲都占有着要害方位。迄今为止，核算范畴的多数运用对处理器的运用都是访存密集型。
处理器的规划初衷本是为核算效劳，可是在今天的许多运用场景中，处理器所承当更多的使命是经过各类I/O设备获取数据；这些数据在穿越Memory Hierarchy后抵达CPU的中心部件；CPU中心部件在准确核算着心跳的过程中，尽可能地快速处理这些数据，然后将其再次转发至远方。和密集核算相关的使命，现现已过各类硬件加快引擎，GPU或许专用ASIC完成。
咱们无法直面一个简略而令人懊丧的现实，在处理器运转着的各类协议栈的代码组成中，用于完成快速路径的代码可能不超越1%；99%以上的用于反常处理的代码，能够在超越99.9%以上的时间段内安然入眠，其存在只为等待着可能的反常呈现。
不是由于这些数不胜数的反常需求处理，或许咱们这个国际现已不再需求通用处理器了。从纯核算的角度上剖析，各类硬件加快引擎，GPU、FPGA或许专用ASIC，远胜今天的处理器，可是这些加快引擎在面临不计其数种反常时力不从心。在移动互联网厂商的数据中心中，处理器存在的最首要意图是对各类数据流进行剖析、拼装、打包后发往下一站。
在这些运用场景中，处理器存在的首要原因仍然不是其高效的报文转发才能，而是能够应对在报文处理过程中呈现的各类反常。在数据中心中，处理器存在的首要效果是能够相对高效地处理数据报文，一起还能对各类反常进行查漏补缺。不仅在核算范畴，在IT根底设施的网络与存储范畴，通用处理器的运用方法仍然如此。
能够对通用处理器带来应战的GPU，远景没有想象中乐观。从规划战略上看，GPU与通用处理器的最大差异在于对反常的处理。GPU专心极致核算，尽最大的可能提高TLP (Thread-Level Parallelism)，而疏忽反常处理；通用处理器需求考虑反常状态的处理，以追求更大的适用性。
在不同规划战略的引导下，GPU走出了一条与通用处理器悬殊的路途。Nvidia的Pascal GP100由最多可达6个的一组GPC (Graphics Processing Clusters)构建；这些GPC共享同一个4096 KB的L2 Cache；经过8个512位的Memory Controller对外交流数据；运用高速的NVLink接口与其他GP100互联；最终经过PCIe 3.0总线与通用处理器进行衔接[9]。
图13 Nvidia Pascal GP100 GPU组成结构[9]
在每一个GPC中，最多能够包容5个TPC (Texture Processing Clusters)；每个TPC中集成两个SM (Streaming Multiprocessors)；每一个SM包括64个CUDA和4个TU (Texture Unit)。其间最基本的CUDA中心和TU数目别离可达3840与个240个。GPU的Die Size可达610mm2，所能包容的晶体管数目可达153亿个[9]。
GPU与通用处理器，是规划者在面临有限的Die Size资源，做出的不同挑选，以适用于不同的运用场景。由数目繁复的运算单元所组成的GPU，其组成结构不比通用处理器杂乱，反而更为简略。可是这无法解释，Intel能够做出更为杂乱的通用处理器，却在高端GPU范畴上重复折戟沉沙；也无法解释，效劳器级处理器的规划难度超越手机处理器，Intel仍然百战百胜。
通用处理器需求处理各类已知与不知道的反常，在进行核算的一起，不断地处理各类分支跳转语句；随时预备应对各类中止事情；与此一起需求具有大规划的数据吞吐才能；也因此通用处理器需求一个规划庞大的通用操作系统。至今，核算已是通用处理器中的一个微小组成模块，通用处理器中最大的模块，是各类Cache和与其紧密联系在一起的Memory Hierarchy。
GPU聚焦的核算国际相对单纯；所处理的数据规整；数据间简直没有太多的依靠；不需求办理外部设备，不需求处理各类中止与反常，也不需求一个操作系统。从GPU的开展前史上，能够发现，GPU所处理的图画数据并不具有十分强的Locality特性。在GPU中，Cache存在的首要效果不是为了保存需求重复运用的数据，而是为了补偿GPU内部运算部件与外部DRAM之间的拜访推迟，然后没有如通用处理器那样的，杂乱程度令人拍案叫绝的Cache Hierarchy结构。
在GPU中，存在与通用处理器相似的流水线，Nvidia的GP100中的基本组成模块SM，自身就是也是一个流水线，这个流水线也被称为Graphics Pipeline，在不考虑光栅化处理的场景下，Graphics Pipeline也被称为Rendering Pipeline。
注：文章内容和图片均来源于网络，只起到信息的传递，不是用于商业，如有侵权请联系删除！
