无论多么创新的技术，其背后都离不开底层计算的支撑，在计算领域，有众多的芯片玩家，本期选题我们聚焦服务器领域，针对服务器领域的主流系列处理器进行深度分析。

　　X86架构以英特尔第三代至强可扩展处理器Ice Lake和AMD EPYC“米兰”为代表；ARM架构以华为鲲鹏和Arm v9为代表；POWER架构以IBM为代表；以及英伟达的“3U一体”等等。那么，到底他们未来将如何发展？是竞争还是共存？等等都是本期选题关注的问题。

　　首先解答本期选题的第一个问题：为什么今天的计算场景如此多样？

　　因为，计算力已经成为衡量一个国家、地区，甚至是企业发展水平的重要指数。

　　从全球GDP与服务器出货量的分布来看，全球GDP排名前四的国家，服务器采购量同样排名前四。数字经济在整个国家GDP的占比越高，这个国家的经济就越发达。

　　同样，在企业领域，10年前全球市值最高的十个企业，都是来自能源、金融、通信等传统领域。今天全球市值最高的TOP10企业，清一色都是互联网企业。全球市值TOP级的企业也是计算力消耗最大的，市值排名和服务器采购量排名基本一致。

　　从计算发展的形态来看，云计算、智慧计算和科学计算三大典型计算场景已经成为主流信息化形态。

　　其中，科学计算主要用来完成宇宙探索、石油勘探、海洋开发、工业仿真、基因测序等前沿科技领域；云计算已成为当今经济社会发展的“水电煤”；以人工智能计算为代表的智慧计算为人工智能的新一轮爆发创造了必要的产业条件。

　　在《2020全球计算力指数评估报告》中也指出，计算力与经济增长紧密相关，计算力指数平均每提高1个点，数字经济和GDP将分别增长3.3‰和1.8‰。

　　因此，计算力正在成为数字经济发展的核心驱动力。正值全球数字化转型进入倍增创新阶段，越早意识到计算力对经济的促进作用并布局算力基础设施，越能在未来发展中占据先机。

　　乱花渐欲迷人眼的XPU

　　继续回答第一个问题，正因为计算力的重要，因此，今天才会有那么多的XPU的出现，谁又知道CPU/GPU/TPU/NPU/DPU都是什么呢？笔者试着回答。

　　CPU——CPU( Central Processing Unit，中央处理器)就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。

　　CPU的结构主要包括运算器、控制单元、寄存器、高速缓存器和它们之间通讯的数据、控制及状态的总线。

　　CPU遵循的是冯诺依曼结构，存储程序，顺序执行，把储存好的指令一条条按顺序执行。随着处理速度的需求不断加快，CPU渐渐满足不了我们的计算需求。这时，GPU(Graphics Processing Unit)就诞生。

　　GPU——GPU全称为Graphics Processing Unit，中文为图形处理器，就如它的名字一样，GPU最初是用在个人电脑、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器。

　　GPU主要用的技术是并行计算，工厂里生产一批货物用一条流水线10天可以完成，两条流水线5天可以完成，十条流水线1天就可以完成。这就是并行计算的概念。

　　GPU更擅长处理图像数据，因为我们在做图像处理时，需要对图像的每一个像素点都有类似的处理方式和过程，拥有更多的计算单元，就可以更快的完成图像处理，GPU也就应运而生。但需要注意的是GPU无法单独工作，需要CPU调用。

　　TPU——按照上文所述，CPU和GPU都是较为通用的芯片，但是有句老话说得好：万能工具的效率永远比不上专用工具。

　　随着人们的计算需求越来越专业化，人们希望有芯片可以更加符合自己的专业需求，这时，便产生了ASIC（专用集成电路）的概念。

　　ASIC是指依产品需求不同而定制化的特殊规格集成电路，由特定使用者要求和特定电子系统的需要而设计、制造。当然这概念不用记，简单来说就是定制化芯片。

　　因为ASIC很“专一”，只做一件事，所以它就会比CPU、GPU等能做很多件事的芯片在某件事上做的更好，实现更高的处理速度和更低的能耗。但相应的，ASIC的生产成本也非常高。

　　而TPU（Tensor Processing Unit，张量处理器）就是谷歌专门为加速深层神经网络运算能力而研发的一款芯片，其实也是一款ASIC。

　　NPU——讲到这里，相信大家对这些所谓的“XPU”的套路已经有了一定了解，我们接着来。所谓NPU（Neural network Processing Unit）即神经网络处理器。顾名思义，这家伙是想用电路模拟人类的神经元和突触结构。

　　怎么模仿？那就得先来看看人类的神经结构——生物的神经网络由若干人工神经元结点互联而成，神经元之间通过突触两两连接，突触记录了神经元之间的联系。NPU的典型代表有国内的寒武纪芯片和IBM的TrueNorth。

　　DPU——DPU（Deep learning Processing Unit，即深度学习处理器）最早由国内深鉴科技提出，基于Xilinx可重构特性的FPGA芯片，设计专用的深度学习处理单元，且抽象出定制化的指令集和编译器，从而实现快速的开发与产品迭代。事实上，深鉴提出的DPU属于半定制化的FPGA。

　　如今，芯片多元化的背后是应用场景的复杂化导致通用计算技术和通用芯片越来越不能满足业务需求，特别是新涌现的计算场景对于计算芯片指令集、架构的要求是不一样的，这样就导致之前一直使用的通用CPU已经无法满足多元化计算场景要求，这也是计算芯片的种类越来越多的重要原因。

　　在计算产业变革的背景下，“CPU包打天下”一去不复返，异构计算即XPU的发展成为大势所趋。

　　我们看到众多头部半导体厂商推出多元化的芯片产品，不断延展业务边界，而创新公司也不示弱，它们在没有历史包袱的情况下，纷纷针对不断涌现的业务场景推出了专属性的芯片产品，让整个芯片市场迎来“百家争鸣”时刻。

　　本期选题的第一个问题：为什么今天的计算场景如此多样？我们先回答到这里，接下来还会有更多关于吐故纳“芯”的问题与回答，希望大家持续关注。