RISC之父潑冷水：AI芯片正在集體走錯路

RISC之父潑下冷水：AI芯片狂熱背后，是被忽視的架構錯配與經濟危機

David Patterson并非外行批評，他是RISC架構的發明者，這一精簡指令集理念如今支撐著全球99%以上的移動處理器與服務器芯片，同時他也是Google TPU的核心架構設計者，深度參與AI算力硬件的研發與落地。他的判斷，不是對AI前景的否定，而是基于工程實踐與物理規律的理性提醒。在他看來，行業正陷入一個巨大誤區：把訓練場景的硬件邏輯，直接套用到推理場景。過去兩年，幾乎所有AI芯片都以“峰值算力”為核心指標，廠商比拼TOPS數值、顯存容量、互聯帶寬，用訓練芯片的思路做推理，導致大量資源被浪費，成本居高不下。

真正的問題藏在“內存墻”里。大語言模型推理的核心瓶頸不是算力，而是數據搬運效率。Transformer模型的自回歸生成特性，決定了推理過程是低計算密度、高訪存需求的模式。現有高端GPU滿載算力、堆疊HBM的設計，在推理場景下有效算力利用率僅40%-60%，大量晶體管與功耗消耗在數據等待上，而非實際計算。這就像用頂級跑車送快遞，馬力再強，也會被擁堵的道路限制效率，反而造成極高的能耗與成本。Patterson用數據證明，即便擁有最先進的GPU集群，為萬億參數大模型提供推理服務依然在“燒錢”，電力、散熱、折舊成本讓商業化舉步維艱。

這場錯配背后，是整個行業的路徑依賴。長期以來，推理硬件都是訓練硬件的“簡化版”，廠商直接砍掉部分算力、降低顯存規格推向市場，從未針對推理做專門的架構設計。而隨著模型從密集型走向MoE稀疏化，推理對內存帶寬、能效比的要求進一步提升，傳統GPU架構的短板被無限放大。更危險的是，資本與市場被峰值算力誤導，盲目追求參數與制程，忽視真實場景的性價比，導致大量算力投入后無法轉化為商業價值，形成“高投入、低回報”的惡性循環。

行業內的理性聲音正在形成共鳴。比爾·蓋茨曾指出，大量資金盲目涌入高端AI芯片，未等回本就因技術迭代淪為閑置資產，重演互聯網泡沫的悲劇；中芯國際、阿里巴巴等企業高層相繼警示，AI數據中心與芯片投資已出現泡沫跡象，全球算力利用率持續低于健康閾值，大量先進芯片處于通電閑置狀態；市場數據同樣印證了危機，部分高端GPU價格較峰值下跌超40%，庫存積壓嚴重，而技術迭代周期縮短至2-3年，投資回收壓力巨大。這些信號與Patterson的觀點不謀而合：AI芯片的問題，不是不夠強，而是不對路。

這對國內AI芯片行業同樣具有重要啟示。過去一段時間，我們同樣陷入峰值算力競賽，部分企業盲目對標海外旗艦產品，忽視端側、邊緣側等真實推理場景。Patterson的提醒告訴我們，彎道超車不應是參數攀比，而是架構換道。在摩爾定律放緩、先進制程受限的背景下，基于RISC-V開放架構，面向推理做深度定制，聚焦存算一體、低功耗設計、場景化優化，反而能走出差異化路線。無論是智能終端、自動駕駛還是工業互聯網，市場需要的不是實驗室里的頂級算力，而是穩定、高效、低成本的落地能力。

AI的未來毋庸置疑，但算力狂歡終會回歸理性。David Patterson這盆冷水，不是阻礙行業前進，而是幫我們卸下冗余的包袱。歷史已經證明，真正推動計算革命的，從來不是盲目堆料，而是回歸本質的架構創新。從RISC戰勝復雜指令集，到DSA領域專用架構崛起，技術演進的規律始終如一：適配場景、解決問題、降低成本，才是長久之道。

當下的AI芯片行業，需要從“算力崇拜”轉向“價值導向”，從追求紙面參數轉向落地效率。當狂熱褪去，那些真正理解模型需求、扎根場景、堅持架構創新的玩家，才能穿越周期，成為下一代智能時代的硬件基石。這不僅是技術路線的選擇，更是行業能否健康可持續發展的關鍵。