1. 什么是异构计算？
异构计算（Heterogeneous Computing）是指在同一计算系统中，使用多种不同类型的计算单元（硬件组件）协同工作，以提高计算效率和性能的技术。与传统的同质计算（Homogeneous Computing）不同，异构计算利用不同类型的处理器来处理不同的任务，通常包括中央处理单元（CPU）、图形处理单元（GPU）、数字信号处理器（DSP）、场可编程门阵列（FPGA）等硬件。
在异构计算系统中，各种计算单元具有不同的处理能力、能效和适用范围。CPU擅长执行顺序指令，适合复杂的控制和分支逻辑；GPU则专注于并行计算，尤其在图像、视频和深度学习等任务中表现出色；FPGA和DSP则为特定任务提供高效的定制计算能力。这些不同类型的硬件协同工作，可以更高效地处理多样化的计算任务。
异构计算架构主要分为两种：
1. 芯片级（SoC）异构：
芯片级异构计算指通过单一芯片集成不同制程、架构的计算单元（如 CPU、GPU、NPU、DSP 等），实现任务分工与协同计算的技术方案。其核心特征包括：
多类型处理器融合：通用计算单元（CPU）与专用加速单元（如 GPU、NPU）集成于同一芯片，支持并行处理多样化任务。
硬件资源统一调度：通过中间件或操作系统实现算力动态分配
例如通过 SoC 集成 Orin X（SoC）与 Tc397（MCU），实现车辆控制、自动驾驶算法的低延迟闭环。麒麟芯片通过芯片内整合 CPU、GPU、NPU，优化 AI 拍照、游戏等场景的能效比。
2. 板级集成异构
板级集成异构计算通过PCB（印刷电路板）互联不同功能芯片（如 CPU、GPU、ASIC、FPGA 等），在主板层级实现多类型处理器的协同计算。其核心特征包括：
- 模块化设计：将不同制程、架构的芯片封装后集成于同一主板，通过高带宽接口（如 PCIe、CXL）实现数据互通。
- 灵活扩展性：支持根据需求增减加速卡（如 AI 加速卡、FPGA 加速模块），适配多样化计算场景
2. 异构计算的工作原理
异构计算的核心理念是“任务分配与调度”。在异构计算架构中，计算任务会根据其特性被分配到最适合的计算单元，以最大化性能和效率。通常，系统会在以下几步中实现任务调度：
任务分析与分类：系统首先分析任务的特性，确定哪些任务适合快速处理、哪些任务需要并行计算、哪些任务需要低延迟等。
匹配最优计算单元：根据任务特性，系统会选择最适合的硬件。例如，对于需要复杂控制逻辑的任务，分配给CPU更合适；需要高吞吐量 的任务可以交给GPU；而对于需要定制化和低延迟处理的任务，则选择FPGA、DSP或其他定制硬件。
协同工作与动态调整：各计算单元开始并行工作，完成各自的任务，同时系统会根据实际情况对任务分配进行动态调整，以确保最佳的性能。
通过这种分配与调度机制，异构计算能够有效提升系统的整体性能，最大化利用各类计算单元的性能优势，同时优化了能源消耗。
3. 为什么要用异构计算？
1. 性能优化
异构计算通过整合不同类型处理器（如 CPU、GPU、FPGA、NPU 等）的优势，针对任务特性分配计算资源。例如：
- CPU 擅长逻辑控制和串行任务处理；
- GPU 凭借大规模并行计算能力，加速图形渲染、深度学习等场景；
- FPGA/DSP 可定制硬件逻辑，在特定算法（如加密、信号处理）中实现低延迟和高吞吐量。
这种分工协作显著提升系统整体性能。
2. 应对摩尔定律失效
随着芯片制程接近物理极限，单一架构的性能提升放缓，而数据量（如 AI、物联网应用）的增长速度远超传统硬件能力。异构计算通过组合不同制程、架构的硬件，突破单类处理器的性能瓶颈。
3. 能效比提升
专用处理器（如 NPU、DSP）针对特定任务设计，能以更低能耗完成计算。例如：
- NPU 通过优化矩阵运算结构，显著降低深度学习任务的功耗；
- FPGA 动态调整硬件逻辑，减少冗余计算资源浪费。
4. 适应多样化场景需求
不同领域对算力的需求差异显著：
- AI/深度学习：GPU 加速并行训练，NPU 优化推理效率；
- 科学计算：CPU 处理复杂算法，GPU 加速矩阵运算；
- 实时系统：FPGA 实现低延迟信号处理。
异构计算通过灵活配置资源，满足多场景的定制化需求。
5. 安全与功能多样性
安全驱动：专用硬件（如加密芯片）可提升关键任务的安全性；
功能扩展：异构架构支持集成多种加速单元（如 DPU 处理网络协议），增强系统功能
版权声明：本文为CSDN博主「BryantJD」的原创文章，
遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/BryantDaiJB/article/details/147171140
