892
算力已经成为数字经济发展的核心驱动力。支撑宏观算力的微观计算架构，以及围绕着计算架构所形成的软硬件技术堆栈，还有由软硬件堆栈衍生的相关产业链，可以统称为（围绕某个计算架构的）计算生态。
随着计算架构由单构（CPU同构）到多构（异构、多异构甚至异构融合），计算形态由单机到集群再到跨集群，计算生态变得越来越重要（其重要性超过计算芯片本身多个数量级）。行业巨头以自身芯片和计算框架为核心，构建了一整套的封闭生态体系，其他芯片公司的破局之道在哪里？
是针尖对麦芒，构建一整套完整的新生态体系，以封闭对封闭？
还是以柔克刚，融入开源开放生态，润物细无声，以开放对封闭？
本文详细剖析。
1 计算生态的极端重要性
1.1 计算架构越来越复杂
随着算力需求越来越高，同构CPU的业务场景越来越少，基于GPU或AI等DSA处理器的异构计算已经成为主流。从发展的角度看，随着AI大模型等超高算力场景的持续挑战，未来会进一步从异构计算走向异构融合计算。
如果按照处理器类型的数量进行分类，可以分为三个大阶段：
第一大阶段，一个处理器类型，即CPU单核和多核同构计算阶段。
第二大阶段，两个处理器类型，即CPU+GPU和CPU+DSA（专用加速处理器）的异构计算阶段。
第三大阶段，三个或三个以上处理器类型，即多异构和异构融合计算阶段。
在第一个大的阶段，虽然仅仅只有一个处理器类型，但其计算生态已经是地狱级难度。Intel x86架构的优势，是在众多处理器架构的厮杀中逐步确立的。随着x86的优势地位确立，基于x86架构的软件生态逐渐成熟，即便是Intel自己，设计了更加优秀的安腾处理器架构，也无法撼动这一局面。
第二个大阶段，可以分为两个发展阶段：
首先是GPU确立其核心地位阶段。2006年，NVIDIA推出GPGPU，随后发布CUDA，再随着深度学习和大模型的兴起，逐渐确立了NVIDIA架构GPU+CUDA的强大生态。
然后是依托处理器之间的协同效应，逐渐往其他处理器架构和生态拓展。NVIDIA依据其NV-GPU的强大生态，开始往其他处理器生态拓展，如NVIDIA发布了ARM架构的Grace CPU，以及其收购的Mellanox随后发布的Bluefield DPU（DPU可以理解为多个DSA集成的芯片）。
第三个大的阶段，有三个甚至更多的处理器类型，处理器之间的协同效应更加显著，在接下来的1.2节详细介绍。
1.2 计算生态，比我们想象的更重要
2009年，黄仁勋宣布“NVIDIA是一家软件公司”，如今，NVIDIA已经发展成数万亿市值的超级公司，市值远超其他TOP5芯片公司市值之和。基于NVIDIA发展的标杆作用，大家能够理解生态的价值、重要性和构建计算生态的难度，之前我的理解和大家也是一样。
但最近几年，随着认识的进一步加深，我个人的想法得到了进一步修正：随着云计算等新的计算形态的发展，计算生态的作用，进一步提升，其作用比我们想象的要更加重要。计算生态的重要性，主要体现在如下几个方面：
单处理器的生态价值。这就是我们通常所理解的处理器架构和生态的价值，最典型的就是Intel x86生态和NVIDIA GPU生态。但除此之外，还有接下来介绍的几个跟外部资源协同产生的生态价值。
多类型处理器的协同效应。随着异构计算成为主流，并且计算架构未来会进一步从异构走向多异构甚至异构融合，处理器协同的效应进一步放大，处理器架构生态逐步形成融合的超级生态。
计算节点的协同效应。从单机走向集群/跨集群，一方面是不同计算节点工作任务之间的协同，另一方面是计算任务在集群内部不同计算节点之间可迁移，生态的作用进一步放大。
产业链的协同效应。技术栈形成产业链，产业链上下游依赖，生态惯性大。计算平台支撑的业务价值数以千亿万亿计，且业务快速迭代，开发依赖已有生态渐进式升级，很难迁移到新的平台和生态。
单处理器的生态价值，以及上述三个“协同”的价值，进一步强化了计算生态的“马太效应”，“强者更强，弱者更弱”。
我们定性分析一下（下面所有分析为定性分析，非定量分析）：
芯片的难度很高，但生态的难度更高。
假设，在十多年前，2007年（NVIDIA开始构建CPU+GPU异构计算生态的时候）芯片的重要性和难度是1（以此为基准），计算生态的重要性和难度为10（以此为基准）。
假设，随着系统规模的增大，也就是2027年前后（CPU出现在1971年，GPU出现在1999年，异构融合处理器HCU将出现在2027年？），单个处理器芯片的重要性和难度上升到10，与之对应的，计算生态的重要性和难度上升到100。
随着异构的处理器越来越多，不同处理器计算生态的协同效应凸显，计算生态的重要性和计算难度再增加一个数量级，其值达到1,000。
再考虑集群/跨集群以及云网边端融合成为主流计算方式的影响下，计算生态的重要性和难度再增加一个数量级，其值进一步上升到10,000。
受上下游业务迭代越来越快的影响，计算生态的重要性和难度需要再增加一个数量级，其值增加到100,000。
最终，芯片和计算生态的重要性和难度比例变成10:100,000，或者变成1:10,000。也就是说，计算生态的重要性和难度是计算芯片的一万倍！
2 计算生态的现状：封闭为主，但开放的力量在迅速壮大
2.1 CPU计算生态
CPU计算生态，目前主要有三个：
x86封闭生态。x86 CPU主要是Intel和AMD，x86架构占据了CPU的绝大部分市场份额。x86的架构知识产权基本都在Intel和AMD手里，也只有他们能够设计和生产x86架构的CPU。因此，基于x86 CPU的整个生态是完全封闭的体系。
以ARM为代表的半开放生态。ARM从嵌入式小CPU出发，并且在移动互联网时代，占据了几乎百分百的智能手机和平板电脑处理器市场，目前在积极的向PC和数据中心市场拓展。ARM公司拥有ARM架构的知识产权，但ARM公司本身不生产芯片，仅提供架构或IP授权，芯片由其他公司生产并销售。因此，形成了以ARM公司为核心的、庞大的、相对开放的ARM生态体系。
以RISC-v为代表的开放生态。RISC-v相对年轻，其最大的差异性优势就在于其完全开放性，整个架构任何人和团体均可免费使用。目前，围绕着RISC-v的计算生态发展迅猛。我个人观点是，RISC-v会非常快速的走过ARM当年走过的道路：
MCU级别的小处理器，RISC-v已经占据很大一部分市场份额；
更高级的AP级别的RSIC-v处理器，已经逐渐开始商用；
并且，目前也有不少公司在面向数据中心领域开发RSIC-v架构的处理器，预计会在未来2年左右时间商业化落地。
由于RISC-v架构绝对开放的属性，RSIC-v计算生态未来可期。
2.2 GPU计算生态
GPU计算生态，主流都是完全封闭的生态。GPU领域，主要有两个玩家：NVIDIA和AMD。GPU公司经常提及的架构，如NVIDIA的Ampere、Hopper等，通常指的是芯片具体实现的微架构。因此，NVIDIA的各类GPU架构，我们统称为NVIDIA架构GPU，AMD的各类GPU架构也类似，统称为AMD架构GPU。
类似ARM在CPU领域的角色，GPU领域的架构和IP提供商主要有Imagination和ARM，但这两者的GPU主要是用于图形加速，并且主要是面向低功耗的移动设备。在数据中心级的通用计算加速方面，还有很长的路要走。
此外，行业也兴起了一些开放GPU架构的声音。
佐治亚理工学院基于开源RISC-V开发的GPGPU Vortex是一个开源硬件和软件项目，在FPGA 上运行，支持 OpenCL。Vortex具有高度的可定制性和可扩展性，拥有完整的开源编译器、驱动程序和运行时软件栈，可用于 GPU 架构研究。
清华大学“乘影”GPGPU开源项目于2024年1月26日正式启动，“乘影”是清华大学集成电路学院何虎老师研发团队历经多年研发，采用RISC-V部分指令和自定义指令构建的通用GPU指令集架构。
用何虎老师的原话来说明开源GPGPU的价值：
一是推动形成GPGPU指令集架构标准。形成统一软硬件生态，让企业不再重复造轮子，各自构建自己的体系，最终形成行业统一的技术标准和软硬件生态。GPGPU行业企业可以各自发挥所长，找到自己的价值。
二是利用开源社区探索先进的GPGPU设计技术，避免专利陷阱和技术壁垒。让企业可以放心在开源GPGPU基础上开发商用GPGPU。
三是可以培养GPGPU产业所需的各类人才。目前乘影开源GPGPU已经被国内外高校老师应用于教学和科研。
参考文献：https://mp.weixin.qq.com/s/q8Y_DjDukiXjqSShWO1glw，开源GPU，能否弯道超车英伟达？，作者：杜芹，半导体行业观察。
2.3 DSA计算生态
通过上图，介绍一下DSA计算生态的整体情况：
DSA，依据其面向的计算领域，可以分为很多个DSA(1)、DSA(2)、……、DSA(m)。DSA主流的领域（Domain）包括AI（大模型）、网络、存储、安全、视频等，这些领域都有一个共同的特点：市场规模足够庞大。
不同的公司，其所提供的DSA架构不太一样DSA(x)-Vendor(1)、DSA(x)-Vendor(2)、……、DSA(x) -Vendor(n)。各个公司，依据公司的具体情况，其产品可能涉及DSA的一个或多个领域，也可能会全涉及。
一般来说，面向某个特定领域，某个具体公司的生产的芯片架构通常是一致的，并且是向前兼容的。但受限于具体行业的发展，也受限于具体企业内部的各种情况，在同一领域，有些公司的芯片架构会出现前后不兼容的情况。因此，会有DSA(x)-Vendor(y)-Arch(1,2,3,…)的情况出现。
DSA计算生态，目前是完全的封闭：不同领域的DSA之间没有协同，同一领域不同厂家的DSA之间也没有协同。
DSA目前最火热的领域是AI，AI领域有众多的DSA芯片存在，如谷歌的TPU、AWS Trainium和Inferentia、SambaNova RDU、Tenstorrent AI处理器等。于是出现了谷歌OpenXLA框架，OpenXLA是一种面向AI领域的中间件框架。其设计理念类似于LLVM和TVM，上面对接主流的应用框架，如TensorFlow和Pytorch，下面可以映射到不同架构的芯片上。
不管是哪个领域，DSA形态的处理器要想发展的好，势必需要如OpenXLA一样，有一个中间层的框架来统筹软件和硬件，需要构建领域加速计算的生态，上接各类业务应用（或应用框架），下接各类架构处理器。最终，DSA的架构和生态逐渐收敛，形成统一的、开放的架构和生态。
参考文献：https://mp.weixin.qq.com/s/p8daMLluTQAEuj_HNzRA6Q，AI开发大一统：谷歌OpenXLA开源，整合所有框架和AI芯片，机器之心。
3 硬件定义软件和软件定义硬件
“软件定义”一个重要的领域是软件定义网络。我们的网络芯片都是ASIC，功能都是确定的，芯片提供什么功能，应用才能使用什么功能。但随着云计算等许多复杂网络场景的出现，网络协议的更新换代非常的快，客户亟需摆脱硬件的束缚，能够自由的根据自身业务场景的需求，快速的自主定义网络功能，因此才出现了软件定义网络。
硬件定义软件和软件定义硬件的区别在于“谁依赖于谁，谁约束谁”：
硬件定义软件模式，框架依赖于硬件而存在，而软件又依赖于框架而存在。软件在硬件所规划的一个功能界限内，可以自由变化，但无法跳脱出这个功能界限的约束。
CPU是一个特殊的硬件。CPU是一个“全能”的“无约束”的计算平台，客户可以通过软件编程的方式，实现“任何”想要的功能。
那么软件定义硬件的方式，则是硬件依赖于软件存在。既然存在CPU这样“特殊”的硬件平台，我们可以“随心所欲”的定义功能：
如果性能满足要求，CPU平台足够，那就不需要继续优化；
如果性能不足，则需要把应用逐步优化到GPU或DSA平台进行加速，这也就是大家常说的CPU卸载（CPU offload）。
4 破局之道之一：硬件定义软件，以封闭对封闭
4.1 硬件定义软件发展模式
对一个芯片公司来说，其发展阶段通常是这样的：
首先，研发出自己的算力芯片。
然后，开发出跟自己芯片紧密配合的计算框架。
再然后，针对不同的行业或业务场景，提供更加完成的行业或场景解决方案。
做好这三部分工作，才能比较好的支撑客户的具体软件应用和业务场景。
不管是CPU、GPU、AI-DSA，还是DPU等等，凡是算力芯片，基本上都是如此。Intel、NVIDIA等行业巨头，是按照这个发展模式走过来的；其他芯片公司，也是按照这个模式在发展。我们给这个发展模式起一个名字：（私有的、封闭的）硬件定义（受约束的、依赖于特定平台的）软件的模式。
在Intel和NVIDIA发展的时候，采用硬件定义软件的发展模式，是可行的。那时候，行业没有其他成熟的计算架构和生态，Intel、NVIDIA和其他竞争对手是“公平”竞争，最终Intel和NVIDIA脱颖而出，各自占据了CPU和GPU的生态首位。
在Intel和NVIDIA成功之后，其强大的生态惯性，会对其他芯片生态形成抑制作用，从而使得其他芯片架构和生态的发展举步维艰。其他芯片公司要想成功，势必付出相比Intel和NVIDIA超出很多的努力，事倍功半。
4.2 以封闭对封闭，可以成功吗？
系统越来越复杂，芯片工艺越来越先进。其他芯片公司（CPU领域Intel之外，GPU领域NVIDIA之外）按照硬件定义软件的模式，其发展的门槛非常高：
一代芯片的研发投入在数十亿；从开始到功能稳定，通常需要至少三代芯片。
开发框架的投入需要持之以恒，投入通常需要一百亿以上。
构建（并经营）一个新的计算生态，同时让行业接受，并且能够占据一定的市场规模，投入通常在五百亿以上。
计算生态，赢者通吃。即使获得了一定的市场规模，在更长期的发展中，会走向两个结局：
结局一，持续更多的投入（逆水行舟，事倍功半），持续赶超先进，并最终获得胜利。
结局二，投入跟不上，慢慢的生态萎缩，之前的巨量投入都烟消云散。
第一个结局：一方面，对一个企业来说，这么多的投入几乎不可能；另一方面，即使成功了，也是一个新的封闭生态，对行业、对客户来说，都和之前一样。
第二个结局：从几率上来说，第二个结局的可能性更大一些。因为马太效应：领先者有生态优势，顺水行舟，可以从市场获得非常多的资源，进行再投入；追赶者逆水行舟，市场上能获取的收入少，但需要的资源投入反而更多。
5 破局之道之二：软件定义硬件，以开放对封闭
“山重水复疑无路，柳暗花明又一村。”陆游的这句诗，蕴含着深刻的人生哲理，即绝境之中蕴含着希望与转机，计算生态也是一样。
业务应用脱胎于计算芯片、框架和生态；当业务应用逐渐成熟，并且发展壮大以后，业务应用会逐渐“摆脱”了硬件而存在，形成自己的“生态”：
初始的业务应用，构建于某个确定的计算芯片平台。
但业务应用成熟后，仍需要快速迭代。业务应用需要完全自主的定义自己想要的功能，也就是快速业务创新，而不应受硬件平台的约束。
与此同时，业务应用成熟后，需要扩大规模。规模化对成本更敏感，于是就有了寻找新的更低成本计算平台的诉求。
实际上，业务应用已经形成了一个（相比芯片生态）更加庞大的生态：开源软件生态。全球绝大部分互联网公司的业务应用，都是基于开源软件系统而构建的。典型的开源软件如Linux、OpenStack、Kubernetes、Pytorch、Tensorflow等。
业务应用形成自己的业务生态之后，接下来做的事情，就是逐渐重构底层的软硬件堆栈，我们把这种新的模式称为：（开源）软件定义（开放）硬件模式。新的模式可以分解为三个发展阶段：
第一阶段，重构开源开放的业务场景解决方案。此阶段，基于已有的成熟的芯片和计算框架，利用已有的成熟的行业和场景结局方案进行改造，因此门槛相对较低。
第二阶段，重构开放的计算框架。在已有开源开放的场景解决方案完成后，可以逐渐优化计算框架。类似谷歌OpenXLA，可以逐渐形成开放的计算框架。开放，意味着接口形成标准，并且任何企业均可使用；但开放并不等同于开源，开放是必选项，开源是可选项。
第三阶段，重构开放的芯片。解决方案开源开放，计算框架接口开放，基于标准的接口，来设计开放架构（架构，即软硬件接口）的芯片。芯片微架构（具体的芯片实现）各家公司可以不同，但芯片架构（接口）必须兼容计算框架。
软件定义硬件的方式，是一个渐进式的发展路径。全行业整体投入是巨量的，但单个企业的投入相对有限。每家企业可以根据自己的资源和技术优势，拥抱开源，融入开源，在开源生态里找准自己的定位，实现自身的成功。
下方表格是软件定义硬件模式和硬件定义软件模式的区别。
