关于架构师要找到“生产”好想法的方法

引言

架构师的日常工作中，产生好的想法要占到我绝大多数精力。在两年前，我写过一篇《芯片架构方法学》的短文，目的是探索总结在芯片架构设计过程中，是不是有一些范式可以遵循，以提高过程中遇到的问题的解决速度。说白一点，就是能不能找到“灵感”发生的方法，进而用这个方法去生产方法。转眼两年又过去了，期间也一直在思考这个问题，偶有所得，跟大家聊聊。为了便于区别阅读，文中加粗字体的是2.0主要增改的内容。

第一篇:回到定义

让我们先从一个小游戏开始，

仔细观察上面的几个图形，其中哪些是直线呢？可能很多人会毫不犹豫的回答是”G”。其实，要回答这个问题，我们就要先弄清楚“直线”的定义，直线必须满足三个条件，第一，是直的；第二，是线，也就是必须是一维的，第三，直线没有端点。那么上面有哪个是同时满足这三个条件的图形呢？没有！A不是一维的，B/C不是直的，D/E/F有端点，G不是一维的，因为一维的直线是没有宽度的，而G之所以能够被我们人眼看到，说明它是有宽度的。

这里说这个小游戏的目的是为了引入一种非常重要的思维方式：回到定义。在我看来，我们平时遇到的很多问题，大部分可以通过“回到定义”来获得一个快速的模糊的答案。为了说明这种思维方式的强大之处，我们来看几个问题。

“这件衣服漂亮吗？”

“我做的饭好吃吗？”

“你觉得这个人勇敢吗？”

“你觉得这个事情好不好做？”

“这个解决方案的成本高不高？”

“这个方案和那个方案，哪个好？”

“从这里去公司，开车快还是做地铁快？”

“……”

无论是生活还是工作当中，我们无时无刻都会面临上面类似的问题，这些问题可能来自家人，可能来自同事，也可能来自路人。要回答这些问题，同样，也可以使用“回到定义”的思维方式，当我们弄明白定义之后，以上问题就迎刃而解了。

“什么是漂亮？”

“什么是好吃？”

“怎么定义勇敢？”

“怎么定义好做？”

“成本怎么定义？”

“怎么定义方案的好坏？”

“怎么定义快？”

你会发现，如果我们搞清楚了这几个定义，其实那些问题也就自有答案了。

我们平时的工作，其本质是选择，即，每时每刻要做出有利的选择。针对芯片行业来说，可具体化为我们要选择性能高（P），功耗低(P)，面积小(A)，复杂度低(C)的方案。一般情况下，大家在这个目标上是没有分歧的，分歧的产生在于每个人对PPAC的预估值不同，或者在于每个人所站的角度不同。然而，一个方案的好坏不止PPAC这四个指标，还有很多其它的参数，有时候也需要考虑进去。还有，上面的提到的“有利的选择”，对不同的人的含义也可能是不同的。最后，以上讨论大多都是基于人是理性的这个假设，然而事实并非如此，这就使事情变得越来越复杂，难以有显而易见的结论。

大道至简，面对这纷繁复杂的多彩世界，我认为“回到定义”是我们可以利用的一把利器，“回到定义”一般不是为了解决某个问题，而是过滤那些价值不大的问题。

关于“回到定义”，从另外一个角度看，可以理解为“第一性原理”，比如，我们要解决某个问题，这个问题的答案往往就藏在问题本身。比如，芯片架构设计中经常面临的问题：“如何提高芯片的powerefficiency”，解决这个问题，我们就可以尝试以“回到定义”的方式来探索。

首先，我们可以提问：power是什么？或者说power都有哪几部分组成？这个问题不难。Power一般可分为staticpower和dynamicpower。继续“回到定义”，staticpower主要是leakagepower，继续“回到定义”，根据MOS结构，leakagepower包含Drain->Well, Gate->Well，Source->Drain三部分。从前端设计的角度来看，这三部分主要受cell数量影响较大，所以，我们就可以尝试减少area来减少power。然后，我们根据“排列组合”思路，继续看dynamicpower，再次“回到定义”，dynamicpower=α·C · f · V^2

按照“排列组合”的思路，我们可以尝试降低α、C、f、V。这里我们着重看一下f和V。直接降低freq，一般perf会成比例的降低，但有的时候不一定，比如，freq的降低，意味着clockperiod的增加，即，时序约束的放松，而时序约束的放松，一般会伴随着area的降低，当area降低的程度超过perf降低的程度时（类比香农第三定理），就可以采用降低freq的方式提高powerefficiency。此外，我们可以将“freq”的本意做一些引申，比如freq可以认为是datareuse frequency,这样一想，我们就可以尝试从算法，memoryhierarchy等角度，提高datareuse rate,以降低“freq”，进而达到降低power的目的。我们再继续看“Voltage”，可以通过采用更先进的process来降低Voltage，进而降低power。关于Voltage，这里有个细节，实际上，dynamicswitchpower的产生，主要是因为表示“0、1”逻辑的电压差导致的，所以，从这个意义上讲，借用物理学名词，我们真正想降低的不是“绝对速度”，而是“相对速度”。

我们继续“回到定义”，dynamicpower一般包含clocktree、missionfunction。所以做clockgating和datagating是降低power的非常重要的方法。当然，这里我们可以考虑“第一性原理”，能不能直接把clocktree去掉呢？因为clocktree去掉之后，自然也就不存在clocktree power了。答案是可以，即异步电路。

我们继续“回到定义”，missionfunction上的power难道就是我们必须要买单的power吗？不是，因为glitchpower就不是我们愿意付出的power代价。所以，我们可以尝试降低glitch来降低power消耗，比如采用gray-code，调整clockskew。

我们已经“回到定义”很多次了，还可以继续“回到定义”。。。

上面我们通过一个小例子，展示了“回到定义”这种思路的能力。我想表达的是，在具体的芯片设计过程中，遇到问题时，如果一时难以解决，可以尝试“回到定义”，从问题本身寻找答案。

第二篇:排列组合

排列组合的本质是降维。

面对一个复杂的问题，当这个问题的复杂性已经超出我们解决问题的能力时，就会变得很棘手。一般情况下，出现这种情况是因为这个问题的维度超过了我们认知的维度，这时，我们可以采用“排列组合”的思维方式来尝试解决。

比如“如何设计一个AI加速器”，这是一个很大的问题，我们可能很难在短时间内得到答案，因为这个问题的复杂性已经超出了很多人的认知范围。这时，我们可以将这个问题进行降维处理，变成多个较简单的，维度低一些的子问题：

“如何设计AI加速器的memoryhierarchy？”

“如何设计AI加速器的datapath？”

“如何设计AI加速器的controlpath？”

“如何设计AI加速器的运算单元？”

“如何使以上几个子系统协同工作？”

我们仔细观察发现，以上几个问题是最开始问题的子问题，以及这些子问题之间的关系的问题。也就是原始的问题被降低到了更低的维度。如果发现个别子问题仍然不能解决，那么，可以采用同样的方式，将这个子问题采用“排列组合”进行拆解。这里，我们假设“如何设计AI加速器的运算单元”这个子问题还是太复杂，超出了我们的能力，那么，我们可以进一步将其降维：

“如何设计AI加速器的Tensorprocessor？”

“如何设计AI加速器的Vectorprocessor？”

“如何设计AI加速器的Scalerprocessor？”

同样，我们也可以继续拆解：“如何设计AI加速器的Tensorprocessor？”

“AI加速器的Tensorprocessor负责完成哪些功能？”

“AI加速器的Tensorprocessor的sequence如何选择？”

“AI加速器的TensorprocessorPPAbudget是怎样的？”

“AI加速器的Tensorprocessor带宽需求是怎样的？”

“AI加速器的Tensorprocessor需要的dataformat是怎样的？”

“……”

每个人解决问题的能力不同，所需要拆解到的问题的维度也不同，能力强的人，需要拆解的层数少一些，能力弱一些的人，可能需要将问题拆解到较低的维度时才能解决。

排列组合，除了可以将问题降维之外，还可以弥补脑容量不足所带来的问题。平时工作当中，有一类问题难度太高，一时无法下手，可以采用排列组合来解决，正如上面刚刚提到的例子；还有另外一类问题，其本身难度并不高，在我们解决问题能力范围之内，但问题比较繁杂，怎奈脑容量有限，一时难以将所有情况都考虑周全。对于这样的问题，也可以采用“排列组合”来防止遗漏。这个时候，“好记性不如烂笔头”就会发挥作用，当我们列出所有排列组合之后，然后用大脑依次分析，就能得出结论了。

上面最开始提到“排列组合的本质是降维”，降维，即，将问题拆解，是解决问题重要的手段。从相反的方向看，“排列组合的本质也可以是升维”。我发现“升维”竟然也可能利于问题的解决。比如，我们在武侠电影里经常看到以下场景。两个武侠高手最开始在地上打几个回合，几个回合过后，如果胜负未分，就会跳到房顶上，或者飞在空中，继续打。此外，我们也知道，在战争中，制空权一旦丧失，地面部队会变得非常被动。还有，在芯片封装时，如果芯片面积太大，可以做多层mask，甚至用3Dstacking。我们发现，“飞到空中”、“制空权”、“3Dstacking”的共同点是提高了问题解决的维度。在芯片架构时，这种思路有的时候也非常有用。比如，我们遇到一个问题，这个问题长时间都没有解决，采用“排列组合”的降维方式，发现tradeoff的点非常难受，顾此失彼，按下葫芦浮起瓢。如果面临这种情况，很可能是在目前的维度上，已经不存在明显的矛盾，真正的矛盾已经转移到了更高的维度上。这个时候，我们可以尝试“升维”，比如前面提到的clocktreepower优化问题，如果我们已经采用了很多方法来降低clocktree power，但是距离目标还是很远，这个时候，去掉clock就是一种升维，跳出原来优化clocktree power的维度，“飞到空中”。从这个角度看，当“山重水复疑无路”时，采用“升维”，说不定可以“柳暗花明又一村”。

这里需要澄清的是，“升维”不一定是维度的增加，也可以是维度的转换。比如，问题如果在空间上难以解决，就可以考虑将问题在时间上解决，反之亦然。比如，我们可以通过增加area来解决timing问题，也可以通过增加timing来解决area问题，可以通过增加area来降低power，也可以牺牲power来节省area，总之，PPAC四个维度都可以相互转换，就好像,area和M对应，timing和C对应，而power，很显然可以和E对应。

第三篇论数据

当今时代是一个信息爆炸的时代，天量的数据无时无刻的被生产，收集，传播开来，数据分析与筛选技能已经是一个人最基本的技能之一了，经过常年的学习与训练，关于数据的能力很多都已经变成了我们的前意识记忆，甚至是在非意识范围内影响着我们。这一点对于IT从业者尤其明显，在平时的工作中，无论是谁，每天都会面临很多“选择题”，而我们要做出选择，大多是出于理性的，而理性本身需要数据支撑。

“为什么采用这个方案，有什么好处吗？”

“这个方案的PPAC怎么样？”

“如果采用这个方案，会有什么代价？”

“……”

在做出以上选择之前，大多需要准备一些数据，而一个没有任何数据支撑的问题的决定能力是一个人重要的技能，对两个或者多个方案，数据上难分伯仲时的决策能力也是一个人重要的技能。

另外，数据有结论之前的数据和结论之后的数据之分。前者使我们自信，后者使我们开心。全面的数据使我们柳暗花明又一村，走出泥潭，片面的数据使我们不识庐山真面目，误入歧途。“实事求是，不先入为主”是SOL,“求全责备，所有决定都要有数据支撑”也是SOL，需要知道的是SOL我们人类做不到的。

给纷繁的世界建模以获取数据是困难的，在天量的数据中做出正确的决定也是不易的。数据不会骗人，骗人的是使用数据的人而已。我建议的是，工作中80%的决定要基于收集到的数据，20%的决定要基于内心。生活中20%的决定要基于收集到的数据，80%的决定要基于内心。类似模拟退火。理性是可贵的，但感性也不是一文不值。智慧是好的，但我们也不能倚靠自己的聪明。追求完美，大多数情况是褒义词，但有时候也可以是贬义词。

第四篇正反合（A=A=!A）

A=A=!A这个式子可以先拆成两个简单一点的式子来看：

A=A 和A=!A，为了便于描述，我称第一个式子为“A向左运动”，第二个叫“A向右运动”。

无论是在工作还是在生活中，我们的核心工作就是解决这样或那样的问题。以上提到的几种方法之所以有用，很大程度上是因为我们发现了问题的矛盾点。如果把“A向左运动”看成是“证明方案A是对的（矛）”的话，那么“A向右运动”就是“证明方案A是错的（盾）”。矛与盾相互否定，推动盾与矛互相肯定，这个过程反复出现，实现了问题的瓦解，即，问题的解决，达到了新的稳态，新的合理，新的存在。

比如，我们要新加一个具体的feature，最开始，我们会提出一个方案，假设就叫方案A，方案A的提出过程，其实就是“A向左运动”，这个过程中，最重要的是要确定“方案A确实可以解决这个问题”，就是A的肯定。一旦方案A提出之后，随之而来的是“为什么方案A有这个缺点”或者“为什么不选择方案B”，这个过程就是“A向右运动”的过程，即方案A的否定。接下来，就又是“A的肯定”过程，即，要完善最开始的方案A，完善之后可能还有反对者提出问题，如此往复，经过几个回合的拉锯之后，方案A渐趋成熟，而这时方案A还是方案A，方案A也是方案A的否定了。“追求无我，成就自我”，“无知者是不自由的”，每一次的否定自我，就是一次自我的肯定，每一次的自我肯定，都是向对立陌生的一次前进。

A=A=!A就是“正”，“反”，过程是螺旋上升的，目的是“合”。然而，世界是复杂的，我们偶尔也会遇到一时没有矛盾，但仍然需要我们解决的问题，这个时候，用我们人类最柔软的内心与这个问题握手。

第五篇虚与实

相对于上一版，本篇的虚与实是新加的内容。

经过观察，我发现很多工程师，包括我自己在内，有的时候，在遇到问题后，最开始，第一步，就是尝试各种方法，我称之为“试错调试法”，期望通过多次的尝试，只要syndromeisgone，就算问题解决了。在解决比较简单的问题时，这种方法或许会奏效，但如果要解决比较困难的问题，“试错调试法”的效率就可能变得很低，这个时候我们该怎么办呢？我感觉，可以分成以下几个阶段：

Problem->modeling->SOL(First-principles)->reference->actual/solution->correction

首先，我们要认清问题，即，我们要先定义问题(problem definition)，所谓“知己知彼”中的“知彼”。

在认清问题后，我们要对这个问题建模(modeling)，最好用抽象的数学模型。

确定好数学模型之后，我们就可以求解这个模型，得到理想解，这里称为SOL（speedof light），这个理想解是尽量不考虑边界条件下的解。最好从前面我们提到的“第一性原理”出发。这个理想解非常重要，类似于我们的“希望”，设想，在没有希望的情况下工作，会是多么的不安。

理想是美好的，现实可能是残酷的。在拥有理想解之后，下一步，我们要低头看看，面对现实。这个阶段，可以查一些资料，看看已有的解决方案，分析自己的实际，即，边界条件，或约束条件。

理想与现实都有之后，我们就可以坐下来，考虑制定从现实到理想的行进路径，提出当前状况下的解决方案（solution）。

最开始的solution不用完美，根据前面提到的“正反合”思路，不断迭代，优化，即自我修正（correction），在修正的时候，就会再次发现新的problem。对于新的problem，从第一步开始。

这样就形成了问题解决的闭环。仔细观察，上面几个阶段是虚实交替的。类似于真空的磁场与电场，相互激发，共同传播，与光同行。

这里想着重提一下“SOL”,先抬头看天，再低头看路，要过有“希望”的日子。比如，我们IT领域，处理的是各种各样的数据，其中，数据的压缩，是非常常见的，普遍使用的技术，那么，给定一段数据，假设压缩方法不限（无损压缩），那么有没有一个理论上的最小值？如果有，我们压缩之后的最小数据量是多少呢？其实，答案是Yes，这个最小值可以通过香农定理给出：

一旦知道了这个理论下限，我们就有了希望，有了开始的希望，也有了结束的希望。

有意思的是，这个定理可以给我们很多启示。比如，我们经常说的“信息”是什么？从定理中可以看出，“信息”可以理解为“概率”，并且概率越小，信息量越大。即，一成不变的东西，本身没有任何信息，因为其，简单计算可知H=0。进而说明，“千篇一律”，“人云亦云”等，并不会增加这个世界的熵，世界需要“鹤立鸡群” 、“一鸣惊人”。

番外篇关于芯片架构

以上讨论了几种个人解决实际问题的方式方法，接下来说一下对芯片架构工作的体会。

芯片架构，大体上可分为三个事情：Architecture, Algorithm和Association。显然，架构工作，是要生产一些架构（Architecture）作为产品的，作为设计人员的参考与指导。架构本身并不是无根之木，是需要一些数据支撑的，而这数据的来源，主要是算法分析，所以架构工作还应包括一些算法分析的内容，此外，为了发挥所做架构的效力，应该提供一些基本的工具来帮助用户。三者之间，相辅相成，不同阶段，不同情况，重要程度不同。算法分析者可以提供必要的信息，比如算法发展趋势，所关心领域算法特点等重要内容，架构者基于这些内容，可以提出合适的硬件架构来，而另外一些人可以提供合适的工具来弥补架构和客户之间的gap。三者之间不是单向影响的，是互相关联的，架构者可以提出在做架构时的痛点，以影响算法发展和工具提供者。

芯片架构工作，很像是玩打地鼠游戏，目的不是把从某个洞里出来的地鼠全部打死，而是能够权衡，使总体得分最高，而权衡中的原则是，如果自己与非自己有冲突时，或者正义与利益有冲突时，尽量使非自己开心。

开始工作的前几年，要先建立自己的知识体系，而后，要慢慢建立自己的哲学体系。

审核编辑 ：李倩