文章翻譯自EEnews Europe

人工智能（AI）不僅是一項技術突破，它更是軟件編寫、理解和執行方式的一次永久性變革。傳統的軟件開發基于確定性邏輯和大多是順序執行的流程，而如今這一范式正在讓位于概率模型、訓練行為以及數據驅動的計算。這并不是一時的潮流。AI代表了計算機科學的一次根本性、不可逆的轉變——從基于規則的編程，邁向自適應的、基于學習的系統，這些系統正逐步被集成到越來越廣泛的計算問題與能力中。

這一轉變也對硬件提出了相應的變革需求。在AI架構和算法不斷演進（并將持續演進）的時代，為狹窄定義任務而打造的高度專用芯片的舊模式已不再適用。為了滿足不斷變化的AI需求（尤其是在邊緣側)，我們需要具備與工作負載同樣動態、適應能力強的計算平臺。

這正是為什么通用并行處理器（即GPU）正在成為邊緣AI的未來，并開始取代諸如神經網絡處理器（NPU）這樣的專用處理器。這不僅僅是性能的問題——更是關于靈活性、可擴展性，以及與未來軟件發展方向保持一致的問題。

Makimoto波動理論與“靈活性”的回歸

要理解這一轉變，我們只需回顧“Makimoto波動理論”：這是由日本工程師牧本次雄（Tsugio Makimoto）提出的一個概念，描述了計算產業在不同階段不斷在“標準化”與“定制化”之間擺動的趨勢，其背后是市場需求、技術創新和軟件復雜性等因素的持續變化。

（Makimoto波動理論展現了計算產業在“靈活性”與“專用性”之間的歷史擺動。而當前AI的發展軌跡，標志著計算正再次呈現出在“靈活性”和“通用平臺”之間的擺動。）

這一模型與AI硬件的演變過程高度契合。在AI發展的早期階段，工作負載較為明確且穩定，此時采用NPU等固定功能加速器是合理的。這類處理器對特定任務（例如使用CNN進行圖像分類或目標檢測）進行了深度優化。

但如今AI已進入高速演進階段。我們已走出簡單、靜態模型的時代，邁入混合網絡、Transformer架構、基礎模型和持續創新的浪潮之中。為去年AI打造的定制硬件，根本無法跟上當今的發展節奏。

我們再次站在了“Makimoto拐點”上——從專用硬件，回歸到可擴展、可適配的通用計算平臺。

AI是一個并行計算問題，而非專用計算問題

AI的本質在于并行計算。深度學習嚴重依賴并發操作——矩陣運算、張量乘法、向量計算——這些正是GPU天生擅長的工作負載。能夠同時渲染數百萬像素的架構，如今正好可以處理數百萬神經元的激活。

如今的通用GPU早已不僅僅用于圖形處理。它們擁有可編程管線、計算著色器，以及日益增強的AI中心化設計，不僅能加速傳統負載，也能支持新興的AI工作負載，是邊緣AI中強大而靈活的計算引擎。

相比之下，像NPU這樣的專用處理器則難以應對持續的變革。它們對特定操作進行了優化，而當AI領域快速演進時，這些芯片便迅速被淘汰。顯然，面對這種全新的軟件范式，我們需要的是一種通用的、并行的、靈活的硬件平臺—— GPU。

為什么通用平臺在邊緣側更具優勢

邊緣AI不僅需要性能，更需要適應性、可重用性與較長的生命周期?，F代GPU等通用并行處理器在這幾個方面均具備明顯優勢：

靈活性：可編程，能夠支持新的模型類型而無需更換硬件；

可擴展性：可適配從IoT傳感器到智能攝像頭再到自動駕駛汽車等各種邊緣設備；

軟件生態成熟：擁有豐富的開源工具與開發標準（如OpenCL、LiteRT、TVM）；

可持續性：延長產品生命周期，減少不斷重新設計芯片的需求。

簡而言之，GPU的通用并行計算從架構層面就為AI的持續演進而設計。

展望未來

盡管有越來越多的證據說明GPU具備的優勢，市場仍然習慣將AI加速與NPU或定制芯片劃等號。但正如圖形行業早年發現，固定功能的圖形管線無法跟上游戲創新的節奏，如今AI行業也發現：固定硬件無法匹配快速變化的軟件需求。

是時候重新教育整個生態了。邊緣AI的未來不屬于那些高度優化但功能狹窄的芯片，而是屬于可編程的、可適配的并行計算平臺，它們能與智能軟件共同成長并擴展。

幾十年前，Makimoto就洞察了這一趨勢。如今，我們正在親身經歷他的遠見——順應著通用性和靈活性的浪潮前行。GPU不再是追趕者，它已處于領先位置。

Dennis Laudick是Imagination Technologies的產品管理副總裁。在加入公司之前，Dennis曾在Arm任職超過13年，擔任汽車、AI和GPU相關業務的產品與市場領導職務。在此之前，他還曾在多家半導體與OEM巨頭企業擔任高級管理崗位。