深度解析华为NPU/GPU技术演进与进阶

01 术  语

CPU/GPU/NPU 等等都是硬件芯片，简单来说，晶体管既可以用来实现逻辑控制单元， 也可以用来实现运算单元（算力）。在芯片总面积一定的情况下，就看控制和算力怎么分。  

CPU：通用目的处理器，重逻辑控制；

GPU：通用目的并行处理器（GPGPU），图形处理器；

NPU：专用处理器，相比 CPU/GPU，擅长执行更具体的计算任务。

CPU

大部分芯片面积都用在了逻辑单元，因此逻辑控制能力强，算力弱（相对）。  

GPU

大部分芯片面积用在了计算单元，因此并行计算能力强，但逻辑控制弱。适合图像渲染、矩阵计算之类的并行计算场景。作为协处理器， 需要在 CPU 的指挥下工作。

Image Source [8]  

NPU / TPU

也是协处理器。在 wikipedia 中没有专门的 NPU (Neural Processing Unit) 页面，而是归到 AI Processors 大类里面， 指的是一类特殊目的硬件加速器，更接近 ASIC，硬件实现神经网络运算， 比如张量运算、卷积、点积、激活函数、多维矩阵运算等等[7]。   如果还不清楚什么是神经网络，可以看看 以图像识别为例，关于卷积神经网络（CNN）的直观解释（2016）。   在这些特殊任务上，比 CPU/GPU 这种通用处理器效率更高，功耗更小，响应更快 （比如一个时钟周期内可以完成几十万个乘法运算）， 因此适合用在手机、边缘计算、物联网等等场景。   TPU：这里特制 Google 的 Tensor Processing Unit，目的跟 NPU 差不多。[11] 对 TPU 和 GPU 的使用场景区别有一个非常形象的比喻：   如果外面下雨了，你其实并不需要知道每秒到底有多少滴雨， 而只要知道雨是大还是小。与此类似，神经网络通常不需要 16/32bit 浮点数做精确计算，可能 8bit 整型预测的精度就足以满足需求了。

Floor Plan of Google TPU die(yellow = compute, blue = data, green = I/O, red = control) [11]  

小  结

GPU 已经从最初的图像渲染和通用并行计算，逐步引入越来越多的神经网络功能 （比如 Tensor Cores、Transformer）；另一方面，NPU 也在神经网络的基础上，开始引入越来越强大的通用计算功能， 所以这俩有双向奔赴的趋势。     02 华为 DaVinci 架构：一种方案覆盖所有算力场景

场景、算力需求和解决方案

不同算力场景下，算力需求（TFLOPS）和内存大小（GB）的对应关系 [1]

华为的解决方案：一种架构（DaVinci），覆盖所有场景 [1]   用在几个不同产品方向上，手机处理器，自动驾驶芯片等等，专门的 AI 处理器，使用场景类似于 GPU。  

Ascend NPU 设计

2017 年发布了自己的 NPU 架构，[2] 详细介绍了 DaVinci 架构的设计。除了支持传统标量运算、矢量运行，还引入了 3D Cube 来加速矩阵运算。  

Image Source [2]   单位芯片面积或者单位功耗下，性能比 CPU/GPU 大幅提升：

Image Source [2]   下面看看实际使用场景和产品系列。     03 路线一：NPU 用在手机芯片（Mobile AP SoC）   现代手机芯片不再是单功能处理器，而是集成了多种芯片的一个 片上系统（SoC）， 华为 NPU 芯片就集成到麒麟手机芯片内部，随着华为 Mate 系列高端手机迭代。

Image Source [7]   比如，一些典型的功能划分 [7]：  

CPU 主处理器，运行 app；

GPU 渲染、游戏等；

NPU 图像识别、AI 应用加速。

Mate 系列手机基本上是跟 Kirin 系列芯片一起成长的，早期的手机不是叫 “Mate XX”， 而是 “Ascend Mate XX”，从中也可以看出跟昇腾（Ascend）的渊源。  

Kirin 970，2017, Mate 10 系列手机

据称是第一个手机内置的 AI 处理器（NPU）[3]。在 AI 任务上（比如手机上输入文字搜图片，涉及大批量图片识别）比 CPU 快 25~50 倍。  

10nm，台积电代工

CPU 8-core with a clockspeed of uP to 2.4GHz i.e. 4 x Cortex A73 at 2.4GHz + 4 x Cortex 53 at 1.8GHz

GPU 12-core Mali G72MP12 ARM GPU

NPU 1.92 TFLOPs FP16

Kirin 990 5G，2019, Mate 30 系列手机

Kirin 990 包含了 D-lite 版本的 NPU [1]：

World’s st 5G SoC Poweed by 7nm+ EUV

World’s 1st 5G NSA & SA Flagship SoC

Wolrd’s 1st 16-Core Mali-G76 GPU

World’s 1st Big-Tiny Core Architechture NPU

麒麟 990 5G 芯片逻辑拓扑 [1]   一些硬件参数 [1,4]：

台积电 7nm+ 工艺

CPU 8-Core

NPU 2+1 Core

GPU 16-core Mali-G76（ARM GPU）

GPU 16-core Mali-G76 (ARM GPU)

NPU

——HUAWEI Da Vinci Architecture, ——2x Ascend Lite + 1x Ascend Tiny

2G/3G/4G/5G Modem

LPDDR 4X

4K HDR Video

Kirin 9000 5G，2020，Mate 40 系列手机

Image Source  

台积电 5nm 工艺

GPU 24-core Mali-G78, Kirin Gaming+ 3.0

NPU

——HUAWEI Da Vinci Architecture 2.0 第二代架构 ——2x Ascend Lite + 1x Ascend Tiny   这个是台积电 5nm 工艺 [5]，然后就被***了。所以 Mate 50 系列用的高通处理器，Mate 60 系列重新回归麒麟处理器。  

Kirin 9000s，2023，Mate 60 系列手机

王者低调回归，官网没有资料。   据各路媒体分析，是中芯国际 7+nm 工艺，比上一代 9000 落后一些， 毕竟制程有差距，看看国外媒体的副标题 [6]：   It's tough to beat a 5nm processor with a 7nm chip.   Wikipedia 提供的参数 [10]：

SMIC 7nm FinFET

CPU HiSilicon Taishan microarchitecture Cortex-A510

GPU Maleoon 910 MP4

NPU 有，但是没提

小  结

手机芯片系列先到这里，接下来看看作为独立卡使用的 NPU 系列。     04 路线二：NPU 用作推理/训练芯片（Ascend AI Processor）

两个产品：301 低功耗；910 高算力。   设计见 paper [2]。  

产品：加速卡 Atlas 系列

型号 Atlas 200/300/500/…，包括了 NPU 在内的 SoC，用于 AI 推理和训练。  

Ascend 310，2019，推理

＞Spec 用的是 D-mini version：

纸面算力基本对标 NVIDIA T4 [9]。  

Ascend 910, 2019，训练

＞Spec & Performance, vs. Google TPU

Image Source [1]

Image Source [1]   ＞计算集群

Image Source [1]

审核编辑：黄飞