芯片架构设计有新思路吗？——从传统冯·诺依曼到存算一体与AI原生架构的演变
目录导读
- 芯片架构的“天花板”与“新出口”
- 冯·诺依曼瓶颈：为何必须变？
- 三大新思路详解
- 存算一体（Compute-in-Memory）
- 领域专用架构（DSA）
- AI原生/自适应架构
- 真实案例：谷歌TPU、苹果M系列、地平线征程
- 问答环节：新思路能否落地？
- 未来五年趋势：异构、光互连、Chiplet
芯片架构的“天花板”与“新出口”
当摩尔定律放缓，7nm、5nm、3nm工艺的每一次迭代都变得愈发昂贵且收益递减，业界开始将目光从单纯的“制程微缩”转向架构创新，芯片架构设计是否还有新思路？答案是肯定的——甚至可以说，架构变革正进入一个前所未有的活跃期，过去十年，CPU、GPU、NPU、DPU、TPU等专用加速器层出不穷，但真正能被称为“新思路”的，是那些颠覆传统冯·诺依曼结构、打破“存储墙”和“功耗墙”的设计哲学。
冯·诺依曼瓶颈：为何必须变？
传统冯·诺依曼架构将计算单元与存储单元分离，数据在二者之间反复搬运，随着AI模型参数从数百万增长到数万亿（如GPT-4、Gemini），数据搬运消耗的能量占比超过80%，而实际运算仅占不到20%，这就是著名的“存储墙”与“功耗墙”问题，任何“新思路”的核心目标都是：让计算靠近数据，减少不必要的搬运。
三大新思路详解
(1) 存算一体（Compute-in-Memory）
直接在存储单元（如SRAM、RRAM、MRAM）内部完成运算，数据无需离开存储阵列，典型代表：忆阻器（Memristor）交叉阵列，2024年，三星与MIT联合团队在《自然》杂志发布基于MRAM的存算一体芯片，能效比提升100倍以上，中国厂商如知存科技也推出WTM系列存算一体芯片,专注TWS耳机与可穿戴设备的低功耗AI推理。
(2) 领域专用架构（Domain-Specific Architecture, DSA）
不再追求“万能”,而是为特定领域深度定制。
- 图像处理：Google的TPU（Tensor Processing Unit）采用脉动阵列,专攻矩阵乘法；
- 自动驾驶：地平线的“征程”系列内置BPU（Brain Processing Unit）,支持稀疏计算与动态形状张量；
- 数据中心：Amazon的Graviton基于ARM架构,优化云原生工作负载。
(3) AI原生自适应架构
芯片能够根据运行时的负载特征动态重组计算路径。
- SambaNova的SN40：采用重组数据流架构,可在单个芯片上同时运行多个不同的AI模型；
- Intel的Loihi 2：类脑计算芯片，利用脉冲神经网络（SNN）实现事件驱动的异步计算,功耗仅为传统GPU的千分之一。
真实案例：从TPU到Apple M系列
- Google TPU v4：4096个TPU组成超级计算机，采用光互连与3D堆叠HBM，将“计算-存储”距离缩短至毫米级；
- Apple M3 Ultra：通过UltraFusion架构将两颗M3 Max拼接，实现超低延迟的芯片间通信，带宽高达2.5TB/s；
- 地平线征程6：采用“异构计算+可编程阵列”，支持从端侧到云侧的模型剪枝与量化，延迟降低40%。
问答环节：新思路能否落地？
Q1：存算一体芯片为什么现在才火？ A： 过去受限于非易失性存储器的可靠性、写入速度与寿命，随着RRAM、MRAM成熟，以及AI应用对“低功耗推理”的刚需，存算一体从实验室走向量产，台积电2025年将推出40nm RRAM平台,专为边缘AI存算一体芯片设计。
Q2：DSA架构会不会让芯片变得“死板”？
A： 这是关键矛盾，DSA牺牲通用性换取能效，但可通过“Chiplet”组合（将多个DSA模块封装在一起）实现灵活升级，AMD的MI300采用CPU+GPU+NPU的芯片组合,既能跑AI又能跑传统HPC。
Q3：未来五年最值得关注的架构趋势是什么？
A： 三点：①光互连（Intel与Ayar Labs合作的光收发器，功耗降低10倍）；②3D堆叠混合键合（Sony的CMOS图像传感器已实现108MP像素级堆叠）；③可重构存算阵列（如Tachyum的Prodigy CPU，可动态切换为通用计算与AI加速模式）。
未来五年趋势：异构、光互连、Chiplet
芯片架构设计的新思路并非单一技术突破，而是系统级、封装级、材料级的多层协同创新，存算一体解决了“存储墙”问题，DSA解决了“性能/功耗比”问题，而Chiplet与3D封装解决了“面积/良率”矛盾，对开发者而言，不必追求“万能芯”，而是学会用异构计算思维做芯片选型与模型优化，对于轻量级语音唤醒任务，一颗存算一体的MCU远比GPU高效；而对于万亿参数大模型训练，Google TPU v5与NVIDIA H100的“加速器农场”仍是最优解。
总结一句话：芯片架构设计的新思路，本质上是在“通用性-能效比-可编程性”这三角中寻找动态平衡，下一个十年，谁能在类脑计算、光计算或量子计算上实现根本性突破,谁就将定义下一代计算范式。
