照片來源：UC Berkeley

加州大學教授、Google工程師和RISC先驅David Patterson說，現在是做一名計算機架構師的最好時機。

這是因為摩爾定律時代已經結束了，他說：“如果摩爾定律仍然有效，我們現在就不會比我們應該達到的水平落后15倍。我們處在后摩爾定律時代。”

Patterson對參加上周在圣何塞舉行的2018年@Scale會議的工程師們說，“我們已經習以為常的性能擴展速度現在已經難以為繼。過去，性能每隔18個月翻一番，在性能每次翻番時，人們就會扔掉那些還運行良好的臺式計算機，因為某個朋友的新電腦要快得多。”

但在去年，他說，“單個項目的性能只提升了3%，所以要每20年才會翻一番。如果你只是坐在那里等待芯片變得更快，你將不得不等待很長時間。”

對于像Patterson這樣的計算機架構師來說，這實際上是個好消息。他指出，這對創新軟件工程師來說也是好消息。“專為處理特定類型的計算問題而設計的革命性的新硬件架構和新軟件語言，正在等待著被開發出來，”他說，“如果有人愿意致力于這些事情，那么圖靈獎就等著他來拿了。”

Patterson舉了軟件方面的一個例子。他指出，將Python重寫為C可以使性能提高50倍。加上各種優化技術，性能提升會更加顯著。他表示，“通過改寫Python，實現1000倍的性能提升也并非天方夜譚。”

在硬件方面，Patterson認為特定領域架構（domain-specific architectures）表現更好，他說：“這不是魔術，那剛好是我們能做的一些事情。”例如，并非所有的應用都要求計算達到相同的精確度水平。他說，對于某些應用，你可以使用比常用的IEEE 754標準更低精度的浮點運算。

Patterson說，目前應用這樣的新架構和新語言的最大機會領域是機器學習。“如果你是做硬件的，”他說，“你會想要迫切需要更多電腦的朋友。”機器學習“對計算是貪婪的，我們愛它這一點”。

他說，如今圍繞哪種類型的計算機架構最適合機器學習展開了激烈的爭論，許多公司都下了注。Google有張量處理器（TPU），它每個芯片一個核，使用軟件控制的內存而非緩存； Nvidia的GPU有80多個核；而Microsoft正在采用FPGA方法。

他說，Intel“正試圖在所有籃子里下注”，向機器學習營銷傳統的CPU，收購Altera（向Microsoft提供FPGA的公司），以及收購擁有其專門的神經網絡處理器的Nervana（此處理器類似于Google的TPU）。

Patterson說，除了這些為機器學習提供不同架構的大公司外，至少有45家硬件初創公司正在解決這個問題。他說，最終將由市場決定什么會留下來。

他說：“這是計算機架構的黃金時代。”