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?！?/p>

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?！?/p>

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?！?/p>

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?！皩樘幚硖囟愋偷挠嬎銌栴}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?！?/p>

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?！崩纾⒎撬械膽枚家笥嬎氵_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?！睓C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。”