人工智能(AI)在邊緣計(jì)算領(lǐng)域正經(jīng)歷著突飛猛進(jìn)的高速發(fā)展，根據(jù)IDC的最新數(shù)據(jù)，全球邊緣計(jì)算支出將從2024年的2280億美元快速增長到2028年的3780億美元*。這種需求的增長速度，以及在智能制造、智慧城市等數(shù)十個(gè)行業(yè)中越來越多的應(yīng)用場景中出現(xiàn)的滲透率快速提升，也為執(zhí)行計(jì)算任務(wù)的硬件設(shè)計(jì)以及面對(duì)多樣化場景的模型迭代的速度帶來了挑戰(zhàn)。

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越廣泛的計(jì)算問題與能力中。

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)。

這正是通用并行處理器(即GPU)成為邊緣AI未來的關(guān)鍵所在，并開始取代專門的處理器，如神經(jīng)網(wǎng)絡(luò)處理器(NPU)。這不僅僅是性能上的考量——它關(guān)乎靈活性、可擴(kuò)展性，以及與未來軟件發(fā)展趨勢(shì)的同步。

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)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，根本無法跟上當(dāng)今的發(fā)展節(jié)奏。

正如我們?cè)诒疚囊婚_始所介紹的那樣，當(dāng)一個(gè)行業(yè)不得不去面對(duì)超高的增長率，以及每天都在不斷出現(xiàn)的新應(yīng)用場景和為此而快速迭代的模型，使我們?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)算問題，而非專用計(jì)算問題

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天生擅長的工作負(fù)載。能夠同時(shí)渲染數(shù)百萬像素的架構(gòu)，如今正好可以處理數(shù)百萬神經(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、可重用性與較長的生命周期;隨著AI處理器的設(shè)計(jì)越來越復(fù)雜，且隨著市場規(guī)模的擴(kuò)大會(huì)吸引更多的玩家，大家都爭相采用更先進(jìn)的工藝來實(shí)現(xiàn)性價(jià)比和功耗的優(yōu)化，以及在生態(tài)建設(shè)方面的大量花費(fèi)，使得每個(gè)芯片項(xiàng)目的投入正變得越來越高。針對(duì)這些技術(shù)經(jīng)濟(jì)學(xué)挑戰(zhàn)，現(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需更換硬件;

可擴(kuò)展性：可適配從物聯(lián)網(wǎng)(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：擁有豐富的開源工具與開發(fā)標(biāo)準(zhǔn)(如OpenCL、LiteRT和TVM);

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

簡而言之，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)。而GPU領(lǐng)域內(nèi)的本身創(chuàng)新也在快速驗(yàn)證這一趨勢(shì)，例如Imagination在不久前發(fā)布的E系列GPU就具有突破性的高效并行處理架構(gòu)，在提供卓越圖形性能的同時(shí)，針對(duì)人工智能工作負(fù)載，其 INT8/FP8 算力可在 2 到 200 TOPS 之間擴(kuò)展。

展望未來

盡管有越來越多的證據(jù)說明GPU具備的優(yōu)勢(shì)，市場仍然習(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并擴(kuò)展。諸如Imagination全新的E系列GPU，它為未來的邊緣應(yīng)用提供了一種通用且可編程的解決方案，涵蓋圖形渲染、桌面和智能手機(jī)等領(lǐng)域，可實(shí)現(xiàn)自然語言處理、工業(yè)計(jì)算機(jī)視覺以及自動(dòng)駕駛等應(yīng)用。

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 —— 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。