|
在2002年之前，隨著芯片密度的增加， CPU的時鐘頻率也一直不斷增加。 對于普通消費者而言，CPU 的頻率就代表計算機的快慢。 1981年最早出廠的 IBM PC， CPU 的頻率是 4.77 兆赫， 相當于一秒鐘四百七十七萬個時鐘周期。 假設 CPU 一個時鐘周期可以運行一條指令， 頻率越高， 就算得越快。 1995年的奔騰芯片，時鐘頻率達到了 100 兆赫， 是 1980年的二十倍還多。 而到了 2002年， 英特爾新型奔騰芯片時鐘頻率第一次突破 3000 兆赫 (3 GHz)。 限制時鐘頻率的第一個主要物理約束條件是： 信號在晶體管之間傳輸的遲滯。 這也是為什么晶體管密度越大，時鐘頻率可以越高。 2002年之后， CPU 時鐘頻率增加遇到了第二個技術瓶頸： 能量消耗。 簡單說， CPU的能量消耗和時鐘頻率的三次方近似成正比， 在 3 Ghz 之后， 頻率的繼續提高會使芯片過熱而面臨被燒毀的風險。 實際上， 2002 年之后， 英特爾CPU 的時鐘頻率大多一直在 2 GHz - 4 GHz 之間， 十四年來沒有本質提高。 但時鐘頻率不再增長， 并不意味著 CPU 性能的停滯不前。 就像人類的大腦， 過去二十萬年沒有本質變化， 但并不意味著人類文明不會發生開天辟地的進步。 這時候，最有用的思路，是尋找新的維度，去進攻解決問題。 (2) 如果說， CPU的時鐘速度好比人腦的計算速度， 那么 CPU 的內存讀取速度就好比人獲取信息的速度。 這是提升 CPU 性能的第一個不同的維度。 有過基本工作或者研究經驗的人，都會有這樣的體會： 大多數時候，限制工作效率的瓶頸是： 查資料，找東西。 找不到就只能干著急。 二十年前的科研者，查資料要去圖書館，小圖書館沒有資料就要去更大的圖書館，沒有計算機檢索之前需要一張張翻卡片查。 查找資料的時間，動輒就是幾個小時甚至更多，超過了真正研究分析的時間。 這和今天，十秒鐘內就可以在互聯網上，精準搜索和下載世界上大部分論文資料，完全不可同日而語。 電腦的內存架構，實際上要細分為 Register (寄存器)， Cache (高速緩存)， Memory(內存)， Disk (硬盤)。 而緩存又可以細分為一級緩存 (Level 1 Cache)， 二級緩存， 三級緩存， 甚至四級緩存。 打個比方， 寄存器上的數據，好比你手中那張紙上寫的信息， 信息量很少，但立等可取。 一級緩存， 好比桌面上的書， 信息量多一些， 伸一下手可以拿到; 二級緩存， 好比抽屜里的書，打開抽屜后仍然很快可以拿到; 內存， 好比書架上的書， 要站起來去查找; 硬盤， 就是圖書館的資料，需要花幾個小時到外面跑一趟才可以查到了。 研究者，如果無法迅速獲取需要的資料，天天要往圖書館跑，即使牛頓/愛因斯坦再世， 聰明的腦瓜也只能像高速的 CPU 一樣， 無效地空轉， 痛苦地在來去圖書館的道路上等待。 以 Intel 的 i7-4770 CPU 為例， 其時鐘頻率 3.4 GHz. 一級和二級緩存，讀取數據的延遲一般在 5 - 12個時鐘周期，相當于約 2-4 納秒。如果要到內存讀取數據， 遲滯則約 70 納秒， 等價于200多個時鐘周期。 如果內存找不到， 不幸地要去硬盤搜索，延遲超過 4 毫秒 (等價于四百萬納秒)，再快的 CPU 時鐘頻率， 此時也然并卵矣。 (3) 摩爾定律的發展，對于 CPU 的時鐘速度，和普通內存 (DRAM) 的讀取延遲上，進步速度是不一樣的。其差距每年以 50%的速度增長。 為了緩解這個矛盾，高速緩存 (Cache) 最早是以外置的形式出現在1985年的英特爾的 386的處理器上。 真正的芯片上的內置的緩存，最早是在1989年的 486處理器上出現，當時容量只有 8 KB， 到九十年代容量提高到 16 KB. 緩存容量過大，會影響搜尋速度，所以又出現了二級， 三級緩存。 這里有很多微妙的設計細節，此處不表。 緩存， 本質上就是以 SRAM (靜態隨機存儲器)為基礎的內存。 而SRAM， 本質上就是六個晶體管結構組成的邏輯單元， 如下圖。 隨著晶體管的小型化，芯片設計者就不斷在 CPU 芯片上增加更多的內置的高速緩存。 以 2015年九月英特爾出品的 14 納米 i7-6560U 處理器為例， 它有兩個內核 (core)， 每個內核有 64 KB 的一級緩存， 256 KB 的二級緩存， 并共享一個 4 MB的三級緩存。 用于緩存的晶體管占整個CPU 芯片上的晶體管的比例，也從 486時代的 40%左右，到今天許多CPU上接近 90%. (數據出處來自威斯康辛大學 Doug Burger 的論文， “Syetem-level Implication of Processor Memory Integration” ) 換句話說，計算的管理，將近90%的內涵， 實際上是對內存記憶的管理。 不管在什么行業，如果做到了高效地搜尋和存儲海量的數據， 你可能就已經成功了90%. |
