简单认识高级处理器

除了传统的处理器 (CPU、MPU/MCU、DSP 和 GPU)，面向当代各种应用的高级处理器（Advanced Processors）层出不穷，例如加速处理单元 (Accelerated Processing Unit, APU) 、采用异构系统架构 ( Heterogeneous System Architecture,HSA) 特征设计的集成电路、基于人工神经网络(Artificial Neural Networks,ANN) 深度学习 (Deep Learning)的高级处理器等。

1. 加速处理单元

AMD 公司于2006 年收购了 ATI 公司，从设计传统的串行计算处理器 CPU过渡到并行图形处理器 GPU；经过研发升级，再将 CPU 和GPU 合为一体成为APU，集成为单个芯片，使得微处理器的性能得到改进，处理能力得以提高。APU 为随后被扩展为 HSA 走出了一条新路。AMD 公司的三代 APU 架构开发项目见表 2-15。

2.采用异构系统架构特征设计的集成电路

HSA 最早是由 AMD 公司开发的 APU 概念扩展而来的。HSA 定义了一套计算机硬件规范，其核心为 CPU 标量处理和 GPU (或者 DSP）并行处理的结合。与此相应的有开源软件的开发与应用，包括系统级 C/C++高级语言、用于异构系统的开放计算语言 (Open Computing Language, OpenCL)结构、针对三维图形（例如 GPU）的开放图形库 (Open Graphics Library, OpenGL)、开放多进程(Open Multi-Processing, OpenMP)应用程序接口、NVIDIA 公司开发的平行计算与应用接口 ( Compute Unified Device Architecture, CUDA) 的模型、支持多种操作系统的Python 等语言。2012年6月由 AMD、ARM、Imagination、联发科(MediaTek)、高通和三星成立了非营利组织 HSA 协会。HSA 协会着重于开发和定义各种处理器（包括 CPU、GPU、DSP）以及存储器的特点和接口；之后，该协会又添加了 ASIC 设计公司成员，从而建立起新型的并行计算异构系统架构，如图2-31 所示。HSA 包括软件和硬件两大部分。软件包括 OpenCL、OpenMP、CUDA 模型等。图2-31中 CPU 和其专用存储器 DDR，以及 GPU 和其专用存储器 GDDR， 使用指针 （Pointer）功能传递，在HSA 系统中形成了共享的系统虚拟存储器 (System Virtual Memory, SVM)。

3.基于人工神经网络深度学习的高级处理量

约翰•麦卡锡（John McCarthy）在1956年最早使用了人工智能 (Artificial Intelligence， AI)这个词，他也因此被称为 “人工智能之父”。AI通过使用机器学习 （Machine Learning）而设计的产品应用广泛，发展迅速。1986 年 Geffrey Hinton 等人发表了神经网络中反向传播算法（Back-Propagation Algorithm）的文章。2006 年Hinton 的这一研究有了新的突破，并提出了深度学习(Deep Learning）的概念。近年来，深度神经网络 (Deep Neural Network, DNN)、卷积神经网络 ( Convolutional Neural Network, CNN)、循环神经网络 (Recurrent Neural Network，RNN，例如时间递归神经网络，即 Long Short - Term Memory,LSTM)等深度学习方法大大推动了各种芯片的设计进程。

Intel 公司 2017 年推出了 Nervana 平台，利用其 APU 产品 LakeCrest， 采用CPU 与FPGA 重组架构设计，用在深度学习的分析算法领域中。另外，Intel 于2016-2017 年发布的高级CPU 都可以用在深度学习的相关领域。例如，2016年第一季度发布了 14nm 工艺制造的 Atom x5-Z8330 处理器，含有4 核4线程，L2缓存（Cache）为 2MB， 最高工作频率为 1.92GHz。 Intel 于 2016 年第四季度发布了至强（Xeon Phi）系列处理器 7290，含72核，采用14nm 工艺，集成16GB 缓存，工作频率为 1.5GHz。Intel 于 2017 年发布了第七代4核处理器 Intel Core-i7 系列，工作频率为 3.5~4.5GHz。

IBM 公司承担美国 DARPA 的 SyNAPSE 项目，基于 CNN 设计了认知计算机(Cognitive Computer)，从而于 2014 年设计出备受关注的具有 4096 个 CPU 众核的真北（TrueNorth) 神经网络芯片，它有54 亿个晶体管，功耗只有70mW。它模拟2.68 亿个神经轴突（Synapse），每个 CPU 核可以模仿 256 个可编程的神经元 (Neuron），总共等效于 100 万个神经元。‍‍

中国科学院计算所2016年报道了结合 GPU 和 CPU 的深度学习专用处理器寒武纪（Cambrian）芯片，计算速度大为提高，为其虛拟现实研究建立了基础。寒武纪1号（DianNao）芯片采用 65nm 工艺．芯片面积为 3.02mm²，主频为0.98GHz，功耗为 0.485W，峰值性能达每秘 4520 亿次神经网络基本运算。寒武纪2 号（DaDianNao）芯片包含 16个处理器核，采用28nm 工艺，面积为67.7mm²，主频为 606MHz，功耗约为 16W。据称与主流 GPU 相比，寒武纪2号单芯片性能超过若干倍，能耗极低，高效能计算系统性能提升数百倍。寒武纪3号（PuDianNao）芯片采用 65nm 工艺，面积为 3.51mm²，主频为 1GHz，功耗为0.596W，峰值性能达每秒10 560 亿次基本操作。PuDianNao 运行机器学习算法时的平均性能与主流 GPGPU （通用GPU）相当，但面积和功耗仅为主流GPGPU 百分之一量级。‍‍‍

谷歌公司于 2013 年9月从惠普实验室聘请了计算机体系结构领域专家 Norm Jouppi，参与开发被称作张量处理器 （Tensor Processing Unit， TPU)的集成电路设计，使用时通过 PCle插口去优化 CPU 和 GPU 芯片组的运行。该TPU 专为深度学习平台 TensorFlow 打造，运用高层次机器深度学习与计算，可以将复杂的数据结构传输至人工智能神经网络中进行分析和处理，可以用于语音识别或图像识别等多项机器深度学习。谷歌于 2014 年合并了英国 DeepMind 公司，其具有神经智能学习功能的阿尔法围棋（AlphaGo）于2016 年5月打败了世界顶级围棋棋手李世石。AlphaGo 2.0于2017 年6月打败个人围棋大赛四冠王柯洁。阿尔法围棋是在 TPU 之上运行的，在人机比赛时最多使用了 1920 个 CPU 和 280个GPU。谷歌公司于 2017 年4月5 日公开发表官方博客，介绍TPU 的架构，其处理 AI 事务速度比其他 GPU 与 CPU 结合模式快 15~30倍，计算能效高 50~80倍。这些进展为未来各种新型的高级处理器产品设计带来新的激励。

　　审核编辑：汤梓红