照片来源：UC Berkeley

加州大学教授、Google工程师和RISC先驱David Patterson说，现在是做一名计算机架构师的最好时机。

这是因为摩尔定律时代已经结束了，他说：“如果摩尔定律仍然有效，我们现在就不会比我们应该达到的水平落后15倍。我们处在后摩尔定律时代。”

Patterson对参加上周在圣何塞举行的2018年@Scale会议的工程师们说，“我们已经习以为常的性能扩展速度现在已经难以为继。过去，性能每隔18个月翻一番，在性能每次翻番时，人们就会扔掉那些还运行良好的台式计算机，因为某个朋友的新电脑要快得多。”

但在去年，他说，“单个项目的性能只提升了3%，所以要每20年才会翻一番。如果你只是坐在那里等待芯片变得更快，你将不得不等待很长时间。”

对于像Patterson这样的计算机架构师来说，这实际上是个好消息。他指出，这对创新软件工程师来说也是好消息。“专为处理特定类型的计算问题而设计的革命性的新硬件架构和新软件语言，正在等待着被开发出来，”他说，“如果有人愿意致力于这些事情，那么图灵奖就等着他来拿了。”

Patterson举了软件方面的一个例子。他指出，将Python重写为C可以使性能提高50倍。加上各种优化技术，性能提升会更加显著。他表示，“通过改写Python，实现1000倍的性能提升也并非天方夜谭。”

在硬件方面，Patterson认为特定领域架构（domain-specific architectures）表现更好，他说：“这不是魔术，那刚好是我们能做的一些事情。”例如，并非所有的应用都要求计算达到相同的精确度水平。他说，对于某些应用，你可以使用比常用的IEEE 754标准更低精度的浮点运算。

Patterson说，目前应用这样的新架构和新语言的最大机会领域是机器学习。“如果你是做硬件的，”他说，“你会想要迫切需要更多电脑的朋友。”机器学习“对计算是贪婪的，我们爱它这一点”。

他说，如今围绕哪种类型的计算机架构最适合机器学习展开了激烈的争论，许多公司都下了注。Google有张量处理器（TPU），它每个芯片一个核，使用软件控制的内存而非缓存； Nvidia的GPU有80多个核；而Microsoft正在采用FPGA方法。

他说，Intel“正试图在所有篮子里下注”，向机器学习营销传统的CPU，收购Altera（向Microsoft提供FPGA的公司），以及收购拥有其专门的神经网络处理器的Nervana（此处理器类似于Google的TPU）。

Patterson说，除了这些为机器学习提供不同架构的大公司外，至少有45家硬件初创公司正在解决这个问题。他说，最终将由市场决定什么会留下来。

他说：“这是计算机架构的黄金时代。”