文章翻译自EEnews Europe
人工智能（AI）不仅是一项技术突破，它更是软件编写、理解和执行方式的一次永久性变革。传统的软件开发基于确定性逻辑和大多是顺序执行的流程，而如今这一范式正在让位于概率模型、训练行为以及数据驱动的计算。这并不是一时的潮流。AI 代表了计算机科学的一次根本性、不可逆的转变 —— 从基于规则的编程，迈向自适应的、基于学习的系统，这些系统正逐步被集成到越来越广泛的计算问题与能力中。
这一转变也对硬件提出了相应的变革需求。在AI架构和算法不断演进（并将持续演进）的时代，为狭窄定义任务而打造的高度专用芯片的旧模式已不再适用。为了满足不断变化的AI需求（尤其是在边缘侧)，我们需要具备与工作负载同样动态、适应能力强的计算平台。
这正是为什么通用并行处理器（即GPU）正在成为边缘AI的未来，并开始取代诸如神经网络处理器（NPU）这样的专用处理器。这不仅仅是性能的问题 —— 更是关于灵活性、可扩展性，以及与未来软件发展方向保持一致的问题。
Makimoto波动理论与“灵活性”的回归
要理解这一转变，我们只需回顾“Makimoto波动理论”：这是由日本工程师牧本次雄（Tsugio Makimoto）提出的一个概念，描述了计算产业在不同阶段不断在“标准化”与“定制化”之间摆动的趋势，其背后是市场需求、技术创新和软件复杂性等因素的持续变化。
（Makimoto 波动理论展现了计算产业在“灵活性”与“专用性”之间的历史摆动。而当前AI的发展轨迹，标志着计算正再次呈现出在“灵活性”和“通用平台”之间的摆动。）
这一模型与AI硬件的演变过程高度契合。在AI发展的早期阶段，工作负载较为明确且稳定，此时采用NPU等固定功能加速器是合理的。这类处理器对特定任务（例如使用CNN进行图像分类或目标检测）进行了深度优化。
但如今AI已进入高速演进阶段。我们已走出简单、静态模型的时代，迈入混合网络、Transformer架构、基础模型和持续创新的浪潮之中。为去年AI打造的定制硬件，根本无法跟上当今的发展节奏。
我们再次站在了“Makimoto拐点”上 —— 从专用硬件，回归到可扩展、可适配的通用计算平台。
AI是一个并行计算问题，而非专用计算问题
AI的本质在于并行计算。深度学习严重依赖并发操作 —— 矩阵运算、张量乘法、向量计算 —— 这些正是GPU天生擅长的工作负载。能够同时渲染数百万像素的架构，如今正好可以处理数百万神经元的激活。
如今的通用GPU早已不仅仅用于图形处理。它们拥有可编程管线、计算着色器，以及日益增强的AI中心化设计，不仅能加速传统负载，也能支持新兴的AI工作负载，是边缘AI中强大而灵活的计算引擎。
相比之下，像NPU这样的专用处理器则难以应对持续的变革。它们对特定操作进行了优化，而当AI领域快速演进时，这些芯片便迅速被淘汰。显然，面对这种全新的软件范式，我们需要的是一种通用的、并行的、灵活的硬件平台 —— GPU。
为什么通用平台在边缘侧更具优势
边缘AI不仅需要性能，更需要适应性、可重用性与较长的生命周期。现代GPU等通用并行处理器在这几个方面均具备明显优势：
- 灵活性：可编程，能够支持新的模型类型而无需更换硬件；
- 可扩展性：可适配从IoT传感器到智能摄像头再到自动驾驶汽车等各种边缘设备；
- 软件生态成熟：拥有丰富的开源工具与开发标准（如OpenCL、LiteRT、TVM）；
- 可持续性：延长产品生命周期，减少不断重新设计芯片的需求。
简而言之，GPU的通用并行计算从架构层面就为AI的持续演进而设计。
展望未来
尽管有越来越多的证据说明GPU具备的优势，市场仍然习惯将AI加速与NPU或定制芯片划等号。但正如图形行业早年发现，固定功能的图形管线无法跟上游戏创新的节奏，如今AI行业也发现：固定硬件无法匹配快速变化的软件需求。
是时候重新教育整个生态了。边缘AI的未来不属于那些高度优化但功能狭窄的芯片，而是属于可编程的、可适配的并行计算平台，它们能与智能软件共同成长并扩展。
几十年前，Makimoto就洞察了这一趋势。如今，我们正在亲身经历他的远见 —— 顺应着通用性和灵活性的浪潮前行。GPU 不再是追赶者，它已处于领先位置。
Dennis Laudick是Imagination Technologies 的产品管理副总裁。在加入公司之前，Dennis 曾在 Arm 任职超过13年，担任汽车、AI和 GPU 相关业务的产品与市场领导职务。在此之前，他还曾在多家半导体与OEM巨头企业担任高级管理岗位。
Imagination 于上月发布了全新的 E 系列 GPU架构，专为AI设计，点击下载白皮书了解更多技术细节。
