加州大學教授、 Google 工程師和RISC先驅(qū)David Patterson說，現(xiàn)在是做一名計算機架構師的最好時機。

　　這是因為摩爾定律 時代已經(jīng) 結束了，他說 ： “如果摩爾定律仍然有效，我們現(xiàn)在就不會比我們 應該達到的水平落后15倍。我們處在后摩爾定律時代。 ”

　　Patterson對參加上周在圣何塞舉行的2018年@Scale會議的工程師們說，“我們已經(jīng)習以為常的 性能擴展 速度現(xiàn)在已經(jīng)難以為繼 。 過去， 性能每隔18個月翻一番， 在性能每次翻番時， 人們就會扔掉那些 還 運行良好的臺式 計算機 ，因為某個朋友的新電腦要快得多。 ”

　　但在去年，他說，“單個項目的性能只提升了3%，所以要每20年 才會翻一番 。如果你只是坐在那里等待芯片變得更快，你將不得不等待很長時間。 ”

　　對于像Patterson這樣的計算機架構師來說，這實際上是個好消息。他指出，這對創(chuàng)新軟件工程師來說也是好消息。“專為處理特定類型的計算問題而設計 的 革命性的新硬件架構和新軟件語言，正 在 等待 著被開發(fā)出來 ， ” 他說 ，“ 如果 有人 愿意致力于這些事情，那么圖靈獎就等著 他來 拿 了 。 ”

　　Patterson 舉了 軟件方面的一個例子 。他指出，將Python重寫為C可以使性能提高50倍。加上各種優(yōu)化技術， 性能提升 會 更加 顯著。他 表示 ，“ 通過改寫 Python ，實現(xiàn) 1000倍的 性能提升也 并 非天方夜譚 ?！?/p>

　　在硬件方面，Patterson認為特定領域 架構 （domain-specific architectures）表現(xiàn)更好，他說：“這不是魔術， 那剛好是我們能做的一些事情。 ”例如，并非所有的應用都要求計算達到相同的精確度水平。他說，對于某些 應用 ，你可以使用比常用的IEEE 754標準更低精度的浮點運算。

　　Patterson說， 目前 應用這 樣的 新架構和 新 語言的最大機會 領域 是機器學習。“如果你是做硬件的，”他說，“你會想要迫切需要更多電腦的朋友?！睓C器學習 “ 對計算 是 貪婪的， 我們愛它這一點 ”。

　　他說，如今圍繞哪種類型的計算機架構最適合機器學習展開了激烈的爭論，許多公司都下了注。 Google 有張量 處理器（ TPU ） ， 它 每個芯片一個核 ，使用 軟件控制 的 內(nèi)存 而非 緩存 ； Nvidia的GPU有80多個核 ；而Microsoft 正在 采用 FPGA 方法 。

　　他說， Intel“ 正試圖 在所有籃子里下注” ， 向 機器學習營銷傳統(tǒng)的 CPU ，收購Altera （ 向 Microsoft 提供FPGA的公司 ） ，以及收購 擁有其專門的神經(jīng)網(wǎng)絡處理器的 Nervana （此處理器 類似于 Google 的TPU ） 。

　　Patterson 說， 除了這些為機器學習提供不同架構的 大 公司外，至少有45家硬件初創(chuàng)公司正在解決這個問題。他說， 最終將由 市場決定 什么會留下來 。

　　他說 ： “這是計算機架構的黃金時代。”