介绍一种基于超异构计算的通用处理器GP-HPU

本文章主要介绍综合的、融合的基于超异构计算的通用处理器GP-HPU（General Purpose Hyper-heterogeneous Processing Unit）。

1 不同处理器类型的分类和协同

我目前有个基本的思考框架，来把各种PU进行划分：系统是由分层分块的模块组成的，这样我们可以大致上把系统分为三部分，如上图所示。

各类PU分析如下：

CPU，中央处理器，是最核心的处理器。目前其他各种处理器，号称取代CPU的核心地位，这些表述是不对的：你只是代替CPU干脏活累活，一切的控制和管理依然是CPU来完成。

各类加速器芯片。通过CPU+xPU的异构计算架构，如GPU、FPGA加速器、各类AI芯片（谷歌TPU、graphcore IPU、NPU、BPU等）以及其他各种加速芯片，这类芯片没法单独运行，需要有CPU的协作，构成CPU+xPU的异构计算的方式运行。

DPU。目前，大家对DPU的理解是，DPU主要负责系统I/O的处理。不管是网络I/O还是远程存储I/O，都需要走网络，因为DPU被不少人认为是I/O加速的处理器。更深一层的理解，是DPU是作为基础设施处理器的存在，负责整个系统底层工作的处理。

SOC，系统级芯片。把整个系统的所有处理放在一个芯片里，有各种加速引擎负责性能敏感的工作任务，CPU负责一些基本任务的处理和整个系统的控制和管理。

不管叫什么PU，逃不开这四个类型。

2 场景特点：综合、通用以及资源预备

许多AI芯片或系统落地面临的一个主要问题是“我好不容易做了一盘饺子，可用户需要的是一桌菜肴”。也即是说，客户需要的是综合性的系统解决方案，而AI只是其中的一部分，甚至非常小的一部分。

具体的终端应用场景包罗万象，但云端和边缘端，却都是清一色的服务器来提供服务端的运行以及和终端的协同。这些服务器，可以服务各行各业、各种不同类型的场景的服务端工作任务的处理。云和边缘服务器场景，需要考虑服务端系统的特点（微服务化功能持续解构，并且还和多租户、多系统共存），对系统的灵活性的要求远高于对性能的要求，需要提供的是综合性的通用解决方案。

在云和边缘数据中心，当CSP投入数以亿计资金，上架数以万计的各种型号、各种配置的服务器的时候，严格来说，它并不知道，具体的某台服务器最终会售卖给哪个用户，这个用户到底会在服务器上面跑什么应用。并且，未来，这个用户的服务器资源回收之后再卖个下一个用户，下一个用户又用来干什么，也是不知道的。

因此，对CSP来说，最理想的状态是，存在一种服务器，足够通用，即不管是哪种用户哪种应用运行其上，都足够高效快捷并且低成本。只有这样，系统才够简单而稳定，运维才能简单并且高效。然后要做的，就是把这种服务器大规模复制（大规模复制意味着单服务器成本的更快速下降）。

服务器都是相对通用，服务器上目前大芯片就三个位置，也就是我们通常所说的数据中心三大芯片的位置：CPU、业务加速的GPU以及基础设施加速的DPU。大家要做的，就是自己芯片的定位，以及同其他各种厂家的各种芯片来竞争这三个位置。

有些专用的芯片，用在特定领域，需要设计专门的服务器，这种方案都流离在整个云和边缘计算主流体系之外的，落地门槛很高，也很难大规模落地。

3 超异构处理器是什么？

系统持续演进：

第一阶段，性能要求不高，CPU能够满足要求。目前数据中心大量服务器依然是只有CPU处理器。

第二阶段，性能敏感类任务大量出现，不得不进行异构加速。如AI训练、视频图像处理，HPC等场景。这类场景，目前的状况主要：NVIDIA GPU+CUDA为主流，FPGA FaaS非主流，AI类的DSA落地较少（包括谷歌TPU，也不算成功）。

第三阶段。DPU的出现，CPU、GPU和DPU共同构成数据中心的三大处理芯片。

第四阶段，再融合。

为什么不是独立多芯片？为什么需要融合单芯片？融合单芯片是有诸多优势的：

融合有利于计算的充分整合，进一步提升数据计算效率；

系统成本跟主要芯片的数量是直接相关的，融合型单芯片可以进一步降低成本；

融合系统，内部功能划分和交互统一构建，相比三芯片方案，可以显著降低彼此功能和交互的各种掣肘（相互拖累）；

大部分（80%-90%）场景是相对轻量级场景，通过超异构的单芯片可以覆盖其复杂度和系统规模；

Chiplet加持，可以通过多DIE单芯片的方式，实现重量级场景的覆盖。

超异构处理器，可以认为是由CPU、GPU、各类DSA以及其他各类处理器引擎共同组成的，CPU、GPU和DPU整合重构的一种全系统功能融合的单芯片解决方案。

3.1 为什么叫超异构处理器？

首先，不能叫超融合处理器。超融合的概念是云计算领域一个非常重要的概念，大致意思是说在小规模集群能够把云计算的IaaS层的服务以及云堆栈OS完整部署，可以提供给企业和私有云场景的云计算解决方案，并且因为和公用云堆栈OS是同一的体系，可以实现混合云的充分协同。

超异构处理器和超融合没有必然联系，可以支持小集群的超融合，也可以支持大集群的不“融合”。

NVIDIA对DPU的未来愿景：数据量越来越大，而数据在网络中流动，计算节点也是靠数据的流动来驱动计算，计算的架构从以计算为中心转向了以数据为中心。

所有的系统本质上就是数据处理，那么所有的设备就都可以是Data Processing Unit。所以，未来以DPU为基础，不断地融合CPU和GPU的功能，DPU会逐渐演化成数据中心统一的处理器（只是，目前没有叫超异构HPU这个名字罢了）。

不管名称具体叫什么，这个处理器，一定是基于多种处理引擎混合的（超异构计算）、面向宏系统场景的（MSOC，Micro-SOC）、数据驱动的（DPU，Data Processing），一个全新的处理器类型。

4 超异构处理器和传统SOC的区别

严格来说，超异构处理器也是属于SOC的范畴。但如果只是称之为SOC，那无法体现超异构处理器和传统SOC的本质区别。这样，不利于我们深刻认识超异构处理器的创新价值所在，以及在支撑超异构处理器需要的创新技术和架构方面积极投入。

如下表格为超异构处理器和传统SOC的对比：

5 超异构处理器，是否可以极致性能的同时，还足够“通用”？

每一种处理器（引擎）都有其优势，也都有其劣势：

CPU非常通用，能够干几乎所有事情。但劣势在于，其性能效率是最低的。

DSA的性能足够好，劣势在于只能覆盖特定的领域场景，其它领域场景完全没法用。

GPU，介于两者之间。能够覆盖的领域场景比DSA多、比CPU少，性能比CPU好但比DSA差。

复杂的宏系统，存在“二八定律”。比如，在服务器上，永远少不了的虚拟化、网络、存储、安全类的任务，以及很多服务器都需要的文件系统、数据库、AI推理等。

因此，我们可以把系统计算当做一个塔防游戏：

在最前端，主要是各类DSA。他们的性能很好，负责处理算力需求强劲的任务。这些任务占整个计算量的80%。

中间是GPU，性能也不错，覆盖面也不错。则负责处理剩余20%中的80%的计算量。

而CPU的任务，就是兜底。所有“漏网之鱼”都由CPU负责处理。

这个思路，也对应我们第一部分介绍的系统的三类任务划分。

按照这个思路，我们再通过一些软硬件融合的系统设计，提供更多的通用性、灵活性、可编程性、易用性等能力，然后再不断的集成新的性能敏感任务的加速。

基本上，这样的通用超异构处理器，可以在提供极致性能兼极致灵活性的同时，可以覆盖大部分云、边缘和超级终端的场景。

6 超异构处理器可以用在哪里？

超异构处理器HPU相比传统SOC，最核心的特点是宏系统，需要支持虚拟化和多租户多系统共存，需要支持资源、数据和性能隔离。

因此，超异构处理器主要用在云计算、边缘计算以及自动驾驶超级终端等复杂计算场景：

云端重量级服务器。首先，HPU可以当做DPU来使用；更长远的，可以通过Chiplet方式实现HPU对重量级场景的覆盖。

云端轻量级服务器。可以实现HPU单芯片对目前以CPU为主的多个芯片的集成，并且性能显著提升。

边缘计算服务器。类似云端轻量服务器，可以通过单芯片集成的HPU实现所有计算的全覆盖。

超级终端。以自动驾驶为典型场景，目前也是逐渐地从分布式的ECU、DCU向集中式的超级终端单芯片转变。这将是HPU在终端场景的典型应用。

总结一下，超异构处理器的核心价值在于确保整个系统如CPU一样极致灵活性的同时，还可以提供相比目前主流芯片数量级的算力提升。可以用在云计算、边缘计算、超级终端等各类复杂计算场景。

系统越复杂，超异构处理器的价值越凸显！

审核编辑：编辑：刘清