硬件主导的算力提升难以满足海量增长的计算需求　　

在供给端，摩尔定律带来的计算性能提升空间有限。摩尔定律自1965年提出以来，一直驱动着半导体产业向更高性能、更低成本方向前进。然而，随着半导体技术逐渐逼近硅工艺尺寸的极限，摩尔定律显示的“IC集成度约每隔18个月翻一倍，性能提升一倍”的规律将不再适用。研究表明，通用CPU性能的持续提升呈整体性加速放缓趋势，通用CPU性能平均每年的提升效率在1985~2003年间为52%，在2003~2010年间减缓到23%，在2010~2015年间进一步减缓到12%，而2015年以后，通用CPU性能平均每年仅能提升3%的效率。

在需求端，AI加速应用带来的计算量呈指数级增长态势。在IT领域有一个著名的安迪-比尔定律，应用软件会快速消耗掉硬件提升的性能，该定律概括了IT产业中软件和硬件升级换代的关系。当前的计算行业正是如此，硬件厂商生产多少服务器，都会被算力厂商拿走，而下游应用市场对算力的需求永无止境，特别是AI技术大规模应用以来，数据和计算需求量更是呈爆发式增长。IDC发布的《数据时代2025》报告显示，2018年全球产生的数据量为33ZB (1ZB=1万亿GB)，到2025年将增长到175ZB。英特尔的研究也表明，AI模型的计算量每年增长10倍，这一趋势随着未来IT与传统产业的深度融合会进一步加快。2012年后，驱动AI的底层机器学习技术计算量呈指数级增长，远超摩尔定律带来的算力提升速度。

“软硬协同”成为推动计算产业发展重要力量　　

程序执行效率提升潜力巨大。编程语言从诞生起，其开发效率和执行效率就是一对矛盾。所有编程语言最终都要转换为机器语言，语言越低级，越接近机器，执行效率越高，越高级越接近人类，开发效率越高。伴随IT产业的快速发展，硬件算力按照摩尔定律揭示的速度在飞速增长，凭借强大的算力支撑，程序开发者为了快速迭代，发明了许多高开发效率的高级程序语言，而程序自身执行效率却在逐步降低。从汇编语言到C、C﹢﹢、Java等高级语言，编程语言越来越好用，开发效率越来越高，同时执行效率却越来越低。比如，今天使用的Python、Java比C﹢﹢执行效率低很多，而C ﹢﹢又比40年前的C效率低。相关实验表明，通过程序语言、计算和存储优化可以大幅提高程序执行效率。用C替代Python编写程序可以将程序性能提高47倍；通过处理器和存储布局优化，程序性能可以继续提高140倍；当前基于冯诺依曼体系架构的硬件算力提升日渐乏力，而程序执行效率的提升空间还很大，计算性能的提升将从依赖硬件算力逐步演进到由“软硬协同”来驱动。

基于“软硬协同”的架构优化成为计算性能提升的重要探索方向。图灵奖得主David Patterson提出未来十年是计算架构“新黄金十年”，他指出，未来10年将看到比过去50年有更多的架构优化和提升。芯片和设备厂商纷纷通过软硬联合优化提升整体计算性能。英特尔推出全新架构，联合优化CPU、GPU、FPGA以及专用AI芯片在内存和互连领域的性能，可以更好地提高整体计算效率。英特尔表示，硬件架构的每一个数量级的性能提升潜力，通过“软硬协同”能带来两个数量级的整体性能提升。高通通过采用全新的处理器框架，芯片整体计算性能得到大幅提升。根据官方的数据，骁龙855 CPU性能比骁龙845提升了40%，GPU性能提升了20%。华为的云异构计算服务，硬件基于Atlas平台，通过优化硬件直通能力，能够显著降低因计算资源虚拟化造成的性能损耗。实验显示，同等规格的双GPU，华为云GPU互联网带宽是其他厂家的2.5倍。

*                 *                 *

过去半个世纪，集成电路产业在摩尔定律的指引下飞速发展，计算力一直保持着大跨度提升。2018年世界上最快的计算机IBM Summit比1945年世界第一台电子计算机ENIAC计算速度提高了近30万亿倍。然而，随着摩尔定律接近物理极限，芯片研发和生产成本大幅上升，未来依靠算力提升计算性能的空间有限。在硬件主导算力快速提升的时代，计算过分依赖底层算力，忽视了架构和代码优化，高级语言不断出现，程序执行效率越来越低，而这恰恰为今后从“软硬协同”层面提升计算性能留下了空间。未来，传统芯片制造商、终端厂商、软件开发商等将更多通过软件优化、架构整合、软硬件协同来提升计算整体性能，为大数据、人工智能等新应用提供计算支撑，赋能全社会数字化转型。