灵晟“一条腿”登顶TOP500，纯CPU架构就能打赢AI时代？

时隔近十年中国超算跑分再次飙赢全球。尤其这次灵晟LineShine以纯CPU架构跑出2.198 Exaflop/s的双精度性能峰值数据把美国El Capitan等异构计算系统都甩在身后。这不由给人以一种错觉——摒弃主流GPU异构路线中国单凭纯CPU算力就能金刚不败。振奋之余业内不少人也在深思这场“纯CPU”的跑分胜利能否代表中国算力的发展方向甚至像外界所说英伟达GPU在CPU集群下已不足为恃超智融合的异构攻坚只是“笨功夫”单一CPU架构堆叠究竟是“划时代创新”还是“开历史倒车”以史为鉴可知兴替。要回答以上问题先把视野拉长回顾一下全球芯片架构数十年分流史。计算场景倒逼架构分流不是谁拍脑袋决定的早期的计算机没什么架构之争CPU就是一切串行处理包打天下。但随着计算需求变得越来越多元复杂CPU架构的天花板暴露无遗。英特尔当年强推安腾IA-64砸了十几年时间、上百亿美元最后折戟沉沙。原因不是安腾不够先进而是EPIC显式并行指令计算思路在当时有些脱节尤其拒绝了兼容x86这意味着所有已有的软件、操作系统、开发工具都得推倒重来。在那个年代让整个生态为一个新架构重新适配成本高得离谱市场根本不买账。更关键的是安腾试图用一套架构包揽从桌面到服务器的所有计算需求而市场的真实走向却是在不断分化。事实证明随后x86守住了通用计算的江山GPU则在并行计算领域异军突起。目前来看安腾的倒下本质上是市场用脚投票宣告了“一套架构通吃天下”的幻想破灭。而计算架构的“物种多样性”本质上是对物理世界复杂算力需求的映射图形渲染要求海量并行AI训练要求矩阵乘法的极致吞吐科学仿真要求高精度一丝不苟......在AI时代这种分化愈演愈烈异构计算也成为回应多元市场需求的主阵地。比如AMD的MI300A直接把Zen 4 CPU和CDNA 3 GPU集成到同一封装共享HBM3内存池。英伟达Grace Hopper把ARM CPU和Hopper GPU焊连通过NVLink-C2C跑出900GB/s的互联带宽CPU和GPU共享统一地址空间这套UMA架构已经成为数据中心异构计算的标杆。全球头部厂商都在往这条路上砸钱根本原因即在于算力需求的颗粒度已经细化到无法用一个工具干所有活了CPU负责复杂逻辑调度GPU负责大规模并行矩阵运算这种既能各司其职、也能协同作战的异构融合路线被视为全球市场大浪淘沙出来的最优路径。CPU里塞个AI加速单元不等于“超智融合”灵晟的纯CPU路线客观上确实降低了异构融合的难度在超算峰值算力提升上不啻于一条“终南捷径”。横向来看用纯CPU去扛双精度峰值让灵晟在Linpack这道考卷上拿了个满分。但在HPL-MxP混合精度测试里灵晟排在第四落后于美国三台异构计算系统。显然从双精度切到混合精度时纯CPU路线的性能提升相对有限而通过集成专用低精度加速器的异构方案提升幅度非常明显甚至频频反超前者。这就像用“百米冲刺”的装备去跑“马拉松”赛场场景变换下很容易掉队。从官宣信息来看灵晟也在强调“超智融合”如LX2处理器原生集成了AI矩阵加速单元。然而真正的“超智融合”底层逻辑是CPU和GPU抑或XPU在物理上的分工在系统层的协同并通过统一内存架构消除数据搬运瓶颈。这种架构已经被大规模AI训练和科学计算验证了效率。而灵晟的“融合”更接近于在通用CPU基础上植入AI加速模块。这个思路听起来同样类于“超智融合”概念还能省去CPU和GPU之间搬数据的开销但问题在于这种内嵌方案在当前工艺和生态下AI加速模块的绝对算力和能效比很难匹敌独立的专用芯片集群。更关键的是它忽略了异构计算最核心的难题——CPU和GPU之间如何高效协同、如何统一调度、如何让开发者不用重写代码就能跑起来。这些真正的硬骨头现在不去啃后期落进千行百业的AI计算场景中都可能变成坑。说白了“超智融合”不是单纯的技术概念而是真正聚焦解决多元异构计算场景底层工程难题的现实方案。如果在CPU里塞几个AI指令就叫“超智融合”那x86这些年加的AVX-512、AI扩展指令集岂不早就“超智融合”了英伟达GPU近5万亿市值哪来的中国算力不能“一条腿走路”说到这里绝非要否定灵晟的价值这次双精度成绩是实打实的在气象模拟、流体力学、核物理这些高精度计算领域意义非凡这一点必须鼓掌值得大书特书。但更应警醒的是如果行业把灵晟超算跑分登顶误读为“纯CPU路线也能打赢AI时代”那就危险了。当前业内的真实现状是国产算力生态趋于“碎片化”不同芯片对应不同的开发框架、软件栈和算子库异构算力的协同稳定问题尚未解决。在此背景下如果把“纯CPU跑分高”当做正确方向忽视了异构超智融合的长期攻坚那等于主动放弃了一条AI时代的主赛道。而国际巨头在干什么NVIDIA在推Grace Hopper、RTX SparkAMD在推MI300A英特尔在推CXL内存池化各家都在往“CPUGPU专用加速器”的异构融合方向狂奔。毋庸置疑AI Agent时代CPU的角色从“调度者”加速回归核心地位与GPU的关系正在转向“对等协作”。这意味着未来的算力竞争不是比谁的CPU跑分高而是比谁的异构系统能把不同计算单元调度得更顺、让开发者用得更顺手、让应用跑得更快。毕竟“有算力、难上手”的痛点在业内并不鲜见。如果国产算力在这个方向上缺位中国AI产业的长期竞争力或将受制于算力供需结构性错位——硬件越堆越多、集群越造越大、参数越跑越高但开发者不愿意用、用不好算力空转产业落地卡壳。归根结底国产算力以“用”为先而落地壁垒正在于生态异构——不同芯片的计算单元架构、通信模型、内存模型各不相同导致软件开发工具包各异、编程模型差异大、算子库重复建设。未来若仍旧一味的堆芯片而忽视了让芯片协同工作的系统能力无异于作茧自缚。算力竞争的终局不是比谁在局部赛道上跑得更快更在于谁能把各类参赛选手编练入伍在复杂场景中锻炼出组织战斗力。这条路比打榜更难但也更符合中国AI产业的长期需要。声明本文来自网络仅代表原作者观点与技术领导力立场无关