第 1 课学了 NVIDIA 路线,这里把三条路线并排放:通用性、专用性与软件生态的三角取舍。
| 维度 | GPGPU(NVIDIA) | TPU(Google) | NPU(昇腾等) |
|---|---|---|---|
| 设计哲学 | 通用并行 + Tensor Core 特化,兼顾图形/HPC/AI | 脉动阵列(Systolic Array)极致专用于矩阵乘 | Cube+Vector 分工,面向 AI 场景的专用加速 |
| 灵活性 | 最高(CUDA 生态什么都能写) | 低(围绕 XLA 编译器路线) | 中(Ascend C 可编程,但生态独立) |
| 软件生态 | CUDA——事实标准,护城河核心 | XLA/JAX,云内闭环 | CANN——对标 CUDA 的追赶者 |
| 能效方向 | 均衡 | 矩阵能效极致 | AI 场景能效优先 |
| 典型场景 | 训练+推理通吃、生态迁移成本低 | Google 内部大规模训练/推理 | 国产化合规场景、推理成本敏感负载 |
数据像流水线一样在阵列中"流动",每一步完成一次乘加——TPU 的核心设计,矩阵吞吐极高但只擅长这一件事。
🧠 流水线专机 vs 通用机床。
芯片性能可以追赶,十几年的 CUDA 软件生态最难追——这正是 NPU 路线的主战场(见 NPU 对照页)。
🧠 硬件是冰山,生态在水下。
Domain-Specific Architecture:通用芯片向专用让步是大方向(Ascend950 的 DSA 稀疏注意力即一例)。
🧠 "专用硬件吃掉确定性负载"的产业规律。
Q1 · TPU 的核心架构是什么?
Q2 · 三条路线里生态迁移成本最低的是?
Q3 · "DSA"指的是?