第一篇 回到定義

讓我們先從一個小游戲開始，

仔細觀察上面的幾個圖形，其中哪些是直線呢？可能很多人會毫不猶豫的回答是”G”。其實，要回答這個問題，我們就要先弄清楚“直線”的定義，直線必須滿足三個條件，第一，是直的；第二，是線，也就是必須是一維的，第三，直線沒有端點。那么上面有哪個是同時滿足這三個條件的圖形呢？沒有！A不是一維的，B/C不是直的，D/E/F有端點，G不是一維的，因為一維的直線是沒有寬度的，而G之所以能夠被我們人眼看到，說明它是有寬度的。

這里說這個小游戲的目的是為了引入一種非常重要的思維方式：回到定義。在我看來，我們平時遇到的很多問題，大部分可以通過“回到定義”來獲得一個快速的模糊的答案。為了說明這種思維方式的強大之處，我們來看幾個問題。

“這件衣服漂亮嗎？”

“我做的飯好吃嗎？”

“你覺得這個人勇敢嗎？”

“你覺得這個事情好不好做？”

“這個解決方案的成本高不高？”

“這個方案和那個方案，哪個好？”

“從這里去公司，開車快還是做地鐵快？”

“……”

無論是生活還是工作當中，我們無時無刻都會面臨上面類似的問題，這些問題可能來自家人，可能來自同事，也可能來自路人。要回答這些問題，同樣，也可以使用“回到定義”的思維方式，當我們弄明白定義之后，以上問題就迎刃而解了。

“什么是漂亮？”

“什么是好吃？”

“怎么定義勇敢？”

“怎么定義好做？”

“成本怎么定義？”

“怎么定義方案的好壞？”

“怎么定義快？”

你會發(fā)現，如果我們搞清楚了這幾個定義，其實那些問題也就自有答案了。

我們平時的工作，其本質是選擇，即，每時每刻要做出有利的選擇。針對芯片行業(yè)來說，可具體化為我們要選擇性能高（P），功耗低(P)，面積小(A)，復雜度低(C)的方案。一般情況下，大家在這個目標上是沒有分歧的，分歧的產生在于每個人對PPAC的預估值不同，或者在于每個人所站的角度不同。然而，一個方案的好壞不止PPAC這四個指標，還有很多其它的參數，有時候也需要考慮進去。還有，上面的提到的“有利的選擇”，對不同的人的含義也可能是不同的。最后，以上討論大多都是基于人是理性的這個假設，然而事實并非如此，這就使事情變得越來越復雜，難以有顯而易見的結論。

大道至簡，面對這紛繁復雜的多彩世界，我認為“回到定義”是我們可以利用的一把利器，“回到定義”一般不是為了解決某個問題，而是過濾那些價值不大的問題。

第二篇 排列組合

排列組合的本質是降維。

面對一個復雜的問題，當這個問題的復雜性已經超出我們解決問題的能力時，就會變得很棘手。一般情況下，出現這種情況是因為這個問題的維度超過了我們認知的維度，這時，我們可以采用“排列組合”的思維方式來嘗試解決。

比如“如何設計一個AI加速器”，這是一個很大的問題，我們可能很難在短時間內得到答案，因為這個問題的復雜性已經超出了很多人的認知范圍。這時，我們可以將這個問題進行降維處理，變成多個較簡單的，維度低一些的子問題：

“如何設計AI加速器的memory hierarchy？”

“如何設計AI加速器的data path？”

“如何設計AI加速器的control path？”

“如何設計AI加速器的運算單元？”

“如何使以上幾個子系統(tǒng)協(xié)同工作？”

我們仔細觀察發(fā)現，以上幾個問題是最開始問題的子問題，以及這些子問題之間的關系的問題。也就是原始的問題被降低到了更低的維度。如果發(fā)現個別子問題仍然不能解決，那么，可以采用同樣的方式，將這個子問題采用“排列組合”進行拆解。這里，我們假設“如何設計AI加速器的運算單元”這個子問題還是太復雜，超出了我們的能力，那么，我們可以進一步將其降維：

“如何設計AI加速器的Tensor processor？”

“如何設計AI加速器的Vector processor？”

“如何設計AI加速器的Scaler processor？”

同樣，我們也可以繼續(xù)拆解：“如何設計AI加速器的Tensor processor？”

“AI加速器的Tensor processor 負責完成哪些功能？”

“AI加速器的Tensor processor 的sequence如何選擇？”

“AI加速器的Tensor processor PPA budget是怎樣的？”

“AI加速器的Tensor processor 帶寬需求是怎樣的？”

“AI加速器的Tensor processor 需要的data format是怎樣的？”

“……”

每個人解決問題的能力不同，所需要拆解到的問題的維度也不同，能力強的人，需要拆解的層數少一些，能力弱一些的人，可能需要將問題拆解到較低的維度時才能解決。

排列組合，除了可以將問題降維之外，還可以彌補腦容量不足所帶來的問題。平時工作當中，有一類問題難度太高，一時無法下手，可以采用排列組合來解決，正如上面剛剛提到的例子；還有另外一類問題，其本身難度并不高，在我們解決問題能力范圍之內，但問題比較繁雜，怎奈腦容量有限，一時難以將所有情況都考慮周全。對于這樣的問題，也可以采用“排列組合”來防止遺漏。這個時候，“好記性不如爛筆頭”就會發(fā)揮作用，當我們列出所有排列組合之后，然后用大腦依次分析，就能得出結論了。

第三篇 論數據

當今時代是一個信息爆炸的時代，天量的數據無時無刻的被生產，收集，傳播開來，數據分析與篩選技能已經是一個人最基本的技能之一了，經過常年的學習與訓練，關于數據的能力很多都已經變成了我們的前意識記憶，甚至是在非意識范圍內影響著我們。這一點對于IT從業(yè)者尤其明顯，在平時的工作中，無論是誰，每天都會面臨很多“選擇題”，而我們要做出選擇，大多是出于理性的，而理性本身需要數據支撐。

“為什么采用這個方案，有什么好處嗎？”

“這個方案的PPAC怎么樣？”

“如果采用這個方案，會有什么代價？”

“……”

在做出以上選擇之前，大多需要準備一些數據，而一個沒有任何數據支撐的問題的決定能力是一個人重要的技能，對兩個或者多個方案，數據上難分伯仲時的決策能力也是一個人重要的技能。

另外，數據有結論之前的數據和結論之后的數據之分。前者使我們自信，后者使我們開心。全面的數據使我們柳暗花明又一村，走出泥潭，片面的數據使我們不識廬山真面目，誤入歧途。“實事求是，不先入為主”是SOL, “求全責備，所有決定都要有數據支撐”也是SOL，需要知道的是SOL我們人類做不到的。

給紛繁的世界建模以獲取數據是困難的，在天量的數據中做出正確的決定也是不易的。數據不會騙人，騙人的是使用數據的人而已。我建議的是，工作中80%的決定要基于收集到的數據，20%的決定要基于內心。生活中20%的決定要基于收集到的數據，80%的決定要基于內心。類似模擬退火。理性是可貴的，但感性也不是一文不值。智慧是好的，但我們也不能倚靠自己的聰明。追求完美，大多數情況是褒義詞，但有時候也可以是貶義詞。

第四篇 正反合（A=A=!A）

A=A=!A這個式子可以先拆成兩個簡單一點的式子來看：

A=A 和A=!A，為了便于描述，我稱第一個式子為“A向左運動”，第二個叫“A向右運動”。

無論是在工作還是在生活中，我們的核心工作就是解決這樣或那樣的問題。以上提到的幾種方法之所以有用，很大程度上是因為我們發(fā)現了問題的矛盾點。如果把“A向左運動”看成是“證明方案A是對的（矛）”的話，那么“A向右運動”就是“證明方案A是錯的（盾）”。矛與盾相互否定，推動盾與矛互相肯定，這個過程反復出現，實現了問題的瓦解，即，問題的解決，達到了新的穩(wěn)態(tài)，新的合理，新的存在。

比如，我們要新加一個具體的feature，最開始，我們會提出一個方案，假設就叫方案A，方案A的提出過程，其實就是“A向左運動”，這個過程中，最重要的是要確定“方案A確實可以解決這個問題”，就是A的肯定。一旦方案A提出之后，隨之而來的是“為什么方案A有這個缺點”或者“為什么不選擇方案B”，這個過程就是“A向右運動”的過程，即方案A的否定。接下來，就又是“A的肯定”過程，即，要完善最開始的方案A，完善之后可能還有反對者提出問題，如此往復，經過幾個回合的拉鋸之后，方案A漸趨成熟，而這時方案A還是方案A，方案A也是方案A的否定了。“追求無我，成就自我”，“無知者是不自由的”，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，都是向對立陌生的一次前進。

A=A=!A就是“正”，“反”，過程是螺旋上升的，目的是“合”。然而，世界是復雜的，我們偶爾也會遇到一時沒有矛盾，但仍然需要我們解決的問題，這個時候，用我們人類最柔軟的內心與這個問題握手。

第五篇 關于芯片架構

以上討論了幾種個人解決實際問題的方式方法，接下來說一下對芯片結構工作的體會。

芯片架構，大體上可分為三個事情：Architecture, Algorithm和Association。顯然，架構工作，是要生產一些架構（Architecture）作為產品的，作為設計人員的參考與指導。架構本身并不是無根之木，是需要一些數據支撐的，而這數據的來源，主要是算法分析，所以架構工作還應包括一些算法分析的內容，此外，為了發(fā)揮所做架構的效力，應該提供一些基本的工具來幫助用戶。

三者之間，相輔相成，不同階段，不同情況，重要程度不同。算法分析者可以提供必要的信息，比如算法發(fā)展趨勢，所關心領域算法特點等重要內容，架構者基于這些內容，可以提出合適的硬件架構來，而另外一些人可以提供合適的工具來彌補架構和客戶之間的gap。三者之間不是單向影響的，是互相關聯的，架構者可以提出在做架構時的痛點，以影響算法發(fā)展和工具提供者。

芯片架構工作，很像是玩打地鼠游戲，目的不是把從某個洞里出來的地鼠全部打死，而是能夠權衡，使總體得分最高，而權衡中的原則是，如果自己與非自己有沖突時，或者正義與利益有沖突時，盡量使非自己開心。

審核編輯：劉清