日前，IPU公司Graphcore（拟未）宣布推出其全新称为Bow的IPU，以及计算刀片：Bow-Machine和计算系统Bow Pod系列。相比较搭载第二代IPU——Colossus Mk2 GC200的M2000而言，Bow Pod系列可以实现总体40%的性能提升，以及每瓦性能16%的提升。

摩尔定律放缓，封装跟上

摩尔定律放缓已经成为了一个不争的事实。而其失效原因，归根结底是在于漏电与散热问题，因此业界纷纷提出各种解决方案，包括DSA架构、3D封装等，小心地避开晶体管物理陷阱。

实际上在Graphcore宣布推出Mk1时，就采用了多内核计算与细粒度存储SRAM紧耦合的架构，从而解决AI时代所面临的数据传输瓶颈。而这也收获了明显的成绩——其第二代IPU直接叫板英伟达的A100系列，并给出了在多个主流模型上的实际测试结果。

对比Mk1，Mk2的晶体管数量翻了一倍多，基本都增加到了片内SRAM上，从304MB增加到了将近900MB，使得其性能相比Mk1增加了8倍之多，工艺制程也从台积电的16nm升级至7nm。

如果说Mk1和Mk2是Graphcore通过创新DSA架构，实现了性能的飞跃。如今，为了进一步解决散热问题，其与台积电合作，通过WoW（Wafer on Wafer）3D封装方式，实现了性能及功耗比的进一步提升。

通过Graphcore Bow产品的宣传资料可以看出，多出来的将近6亿颗晶体管，一方面是增加了数据吞吐率，另外则是为了优化电源结构。

如图所示，底层结构依然为IPU的计算和存储单元，但是上层Wafer使用了Closely Coupled Power Delivery Die技术，使得供电网络可以以最短的路径为下层IPU供电，从而实现更小的损耗。

正如台积电在2021年财报中所述，公司的SoIC技术同时提供晶圆对晶圆（Wafer on Wafer，WoW）或是晶片对晶圆（Chip on Wafer，CoW）制程，能够同时堆叠同质或异质晶片，大幅提升系统效能，并且缩小产品晶片尺寸。在CoW制程研发持续进行的同时，台积电公司的WoW的技术，已经成功于2020年，在逻辑对记忆体以及逻辑对深沟槽电容（Deep Trench Capacitor，DTC）的垂直异质整合（Heterogeneous Integration）上，展现出优异的电性能。

Graphcore大中华区总裁兼全球首席营收官卢涛也表示，5nm与7nm相比，生产工艺所带来的收益并不像第一代的16nm与第二代的7nm那样，而是只有20%左右的提升，但我们可以通过诸如封装等创新，可以更加容易地获取同样收益。

而根据此前台积电所给出的路线图，2022年N7 DTC的推出日期，刚好与Graphcore的Bow产品相吻合。

值得注意的是，此次Bow的发布，不只是芯片，同时也包括了可立即发货且灵活配置的IPU系统，这也标志着Bow的成功量产。

软件进一步优化

除了硬件本身之外，Graphcore产品性能的提升，也得益于其整个软件栈的生态系统。Graphcore中国工程副总裁、AI算法科学家金琛表示，其中最核心的是Poplar SDK，包括驱动、图编译器PopART、上层backend等，此外还提供了各类AI软件框架，API等支持。而正是因为Bow与此前的产品在结构上没有任何更改，因此软件代码可实现100%兼容。

金琛同时介绍道，其中针对模型性能优化的工作，大部分由中国团队负责。而根据Graphcore给出的一组实测数据结果，也显示出在不同的模型下，性能均有所提升，这其中一部分原因是处理器性能提升，另外则是针对模型进行了许多优化。

得益于Bow系统软硬件的优化，其与英伟达的DGX-A100相比，性价比优势进一步突出，TCO（总体拥有成本）仅为英伟达的1/10。

AI芯片不能完全依赖DSA

如今，随着AI模型算法的迅速迭代，有些DSA架构的处理器，在模型更新后，就显得力不从心了。卢涛对此表示，早些年业界谈AI，必然离不开CNN，因此诞生出很多针对CNN计算优化的加速器，也采用了先进制程，并且提供数百pFLOPS算力，在CNN上确实能够达到A100级别的表现。但是，随着业界转向Transformer，其算力可能只能达到V100级别。

Graphcore的IPU推出之时，并没有针对某个模型进行架构优化，而是通过搭建底层计算图架构，从而支持广泛的模型。实际在2020年，Graphcore就捕捉到了Transformer的趋势，并开发了许多基于Transformer的视觉和语音模型。也正因此，在如今Transformer的应用场景中，Graphcore的IPU在训练上可以和英伟达打个平手，但是在推理上则具有明显的优势。

与中国客户的广泛合作

去年一年中，Graphcore与包括升哲科技、安捷中科、深势科技等公司围绕包括城市治理、气象以及分子动力学等领域开展合作。同时也与几家主流的互联网云厂商合作，包括金山云推出了基于Graphcore IPU平台的服务器产品——金山云IPU服务器，用于AI任务在云端的训练和推理，这也是中国首个大型公有云厂商对外公开推出自己的IPU云产品。此外，Graphcore也与神州数码签署了合作协议，通过各种灵活的方式，为客户提供IPU的相关产品。

目前，Graphcore的全球客户，涵盖国家实验室、医药健康、保险、云以及其他科学、金融等方面。其中，Pacific Northwest成为了首批Bow Pod用户，基于Transformer的模型以及图神经网络，进行计算化学和网络安全方面的应用。

超越人脑的古德计算机

除了Bow系列产品之外，卢涛还介绍了Graphcore正在开发的超级智能AI计算机Good Computer计划——古德计算机，预计2024年交付，用以纪念计算机科学先驱杰克·古德。其率先在其1965年的论文《关于第一台超级智能机器的推测》中描述了一种超越大脑能力的机器。

根据Graphcore的规划，古德计算机将包括8192个未来计划中的IPU，能够提供超过10 Exa-Flops的AI算力，实现4 PB的存储单元，可助力超过500万亿参数规模的人工智能模型的开发。预计价格在100万美元到1.5亿美元的规模。

卢涛表示，人类大脑中大概有860亿个神经元，100万亿个突触。目前最大的人工智能模型的参数跟真正的人的大脑比较起来，可能还有100倍左右的差距。而未来古德计算机的规划，就是要成为超越人脑的超级智能机器。

卢涛同时认为，该架构的整体思路依然会沿用如今的IPU体系，主要原因是Graphcore多年来针对其硬件和软件的积累，以及用户的使用习惯的延续。

目前Graphcore IPU中具有1472个tiles（处理器内核），也有高达900MB的SRAM处理器内存，运作机理和大脑的神经元类似，但这并不是类脑或存内计算架构。

实际上，就目前来看，无论是类脑，还是存内计算，都距离商业化较为久远，其中最主要原因依然是精度问题。

除此之外，金琛也补充道，想超越人脑，在模型方面，也需要支持稀疏化，通过低功耗执行大规模的模型，目前Graphcore在稀疏化方面也一直在进行一些尝试。2021年，Graphcore曾经发表过一篇研究论文，以IPU上的大型语言模型预训练为例，演示了如何有效地实施稀疏训练。

AI芯片的X×Y×Z矩阵

卢涛表示，如今的AI领域，面临着X×Y×Z的抉择关系，其中X代表应用，Y是框架，Z是处理器，如果大家都沿着不同应用，不同框架，不同处理器去做研发和优化，那么X×Y×Z的可能性会非常多。但随着业界逐渐有一套稳定的主赛道之后，对于芯片厂商会有很多好处，尽管赛道的人可能更多，但这条路会变得很宽，同时也不会出现跑偏的情况，这有助于厂商获得更广泛的开发者和市场。

显然，目前Graphcore所处赛道的正前方，一直都是英伟达。

来源：电子工程世界