开云体育[永久网址:363050.com]成立于2022年在中国，是华人市场最大的线上娱乐服务供应商而且是亚洲最大的在线娱乐博彩公司之一。包括开云、开云棋牌、开云彩票、开云电竞、开云电子、全球各地赛事、动画直播、视频直播等服务。开云体育,开云体育官方,开云app下载,开云体育靠谱吗,开云官网，欢迎注册体验！

　　“大模型每生成 1 美元价值，需支付 3 美元算力成本”，算力成本挑战已无争议。从软件层面的各类优化方案层出不穷，真正从硬件源头着手的方案却屈指可数，市面上能看到的包括 Groq 在内的新计算硬件也多数在大模型爆发前定型，难以充分匹配大模型本身的需求。

　　DeepSeek 从用户角度的不少构想与玉盘 SRDA 在做的事不谋而合，包括 IO 融合、3D 堆叠 DRAM 等，而玉盘进一步提出了更完整的架构设计，或正式拉开下一代大模型专用计算架构的序幕。

　　软硬两头的交汇或暗示业界已逐渐形成共识，即当前算力已不再是瓶颈，瓶颈在于绝大多数算力浪费在了数据搬运及读写上（互联和内存等 I/O 问题）。SRDA 相关思路是否将在不久的未来颠覆 GPGPU 目前在 AI 场景的垄断地位？

　　硬件架构层面的创新比较少见，人们通常认为国产算力的问题在于制程或封装技术，这种理解源于默认 GPGPU 架构是 AI 大模型的最优架构（GPGPU 架构强依赖先进制程及先进封装）。白皮书认为，GPGPU 是非常优秀的计算架构，但为保证通用性，不会完全针对大模型训练及推理的诸多需求，就像用瑞士军刀切牛排——不是刀不快，而是工具缺乏针对性。

　　内存与互联带宽不足：H100 每秒可计算 1000 万亿次，但其共享内存架构 + 低内存带宽仅够“喂饱”不足一半的硬件算力，如同几台车抢一个车位。

　　算力利用率不足：受限于类 GPGPU 架构本身的通信开销及内存瓶颈，芯片的理论算力在实际 AI 负载中往往大打折扣。

　　网络复杂，大规模集群扩展瓶颈：传统多层网络（节点内高速互联如 NVLink，节点间网络如 InfiniBand/以太网）设计复杂，带来带宽层级差异、协议转换开销和管理难题，阻碍了超大规模集群的效能发挥。

　　功耗过大：以 H100 为例，单卡 700 瓦的 GPU 集群，超三分之一的电量用于数据“搬家”而非计算。

　　正如 GPGPU 曾广泛用于矿机市场，而后由专用的矿卡芯片替代，站在在今天这个时点，大模型技术需求逐步清晰及收敛，Transformer 等主流架构也已经有明确的市场需求，也给了新的 AI 专用架构机会。

　　目前多数针对 AI 场景的专用架构（DSA，Domain Specific Architecture）多是在 2023 年大模型爆发前或 2024 年大模型技术收敛前设计的，对大模型的特定需求缺乏充分考虑，很多并没有摆脱 GPGPU SIMT 架构线程间抢占资源、多级共享 Cache、用计算单元处理通讯任务等设计，因此也有和 GPGPU 相似的问题：算力利用率低、依赖先进制程等，依靠后天的软件做算力优化，进而陷入烧钱复刻 CUDA、堆制程等怪圈。

　　与类 GPGPU 架构“控制流”为核心的思想不同，SRDA 架构的设计哲学是将“数据流”置于核心，从数据 I/O 切入，实现从 AI 芯片到 AI 数据中心系统的整体优化。

　　AI 计算，尤其是深度神经网络的训练与推理，本质是大规模、并行化的数据在计算节点间依照特定计算图（Computational Graph）进行流动和转换的过程。传统控制流架构（Control-Flow Architecture）下，指令的顺序执行和复杂的内存层级访问常常成为性能瓶颈，导致计算单元空转，以及不必要的数据搬运。

　　SRDA 架构则将“数据流”（Data-Flow）作为第一性原理，通过硬件设计直接映射 AI 计算图中的数据依赖关系。中间数据在经过优化的、可定制的计算路径上，于计算单元之间点到点直接传输，大幅减少了对内存的依赖和访问次数。这种设计理念从根本上减少了数据移动的距离和频率——当前计算系统中主要的性能和能耗瓶颈之一。

　　SRDA 还通过 I/O 融合等技术创新，将这种数据流思想不仅应用于芯片，还应用于节点乃至整个集群，实现了系统级的数据流计算范式。

　　为彻底攻克内存瓶颈，SRDA 修改整个内存架构，在计算芯片上直接分布式地集成超高带宽、大容量 3D-DRAM 内存，实现内存带宽的极致提升。

　　其核心思路的突破在于“计算单元内存私有化”：每个计算核心拥有专属的内存区域，数据访问在本地完成，彻底消除了共享总线和内存竞争导致的拥塞 。这与 GPGPU 架构依赖共享内存、多计算核心并发访问易产生拥塞的模式形成鲜明对比 。

　　颗粒层面，3D-DRAM 本身可实现远超 HBM 的超高带宽，相关技术上国内也一直领先于海外，是内存方面国产方案弯道超车的好思路，SRDA 架构能充分发挥 3D-DRAM 优势，“SRDA+3D-DRAM”或许有望替代“GPGPU+HBM”成为新的 AI 存算王炸组合。

　　针对传统两层网络的痛点，SRDA 将节点内高速互联（Scale-up）和节点间通信网络（Scale-out）融合成统一的单层网络，显著简化网络拓扑，降低协议转换和管理开销，并能有效减少后端网络端口数量，从而降低部署成本和复杂度。

　　玉盘将其独有的 I/O 融合互联技术称为 QLink，大有直接超越 NVLink 的意味。

　　可重构性：AI 模型仍在发展（Transformer, MoE, Mamba, DiT, ViT 等），SRDA 允许用户根据模型调整数据流路径、计算单元功能和内存模式，适应未来模型变化。

　　为 AI 而生 (AI-DSA)：SRDA 可重构，但不追求绝对通用（会导致软件栈如 CUDA 般复杂），其剥离通用处理器冗余，聚焦 AI 核心运算，且底层基于开源 RISC-V 指令集，提供简化指令，并降低算子开发难度。

　　更高有效性能：通过基于 3D-DRAM 的分布式内存解决内存瓶颈，通过融合网络优化通信，通过数据流设计减少搬运，显著提升端到端算力利用率 。

　　更低成本：提升单卡 / 单节点效率，降低功耗，简化网络和软件栈，从而优化总体拥有成本（TCO）。

　　灵活的模型与算法适应性：可重构特性使其能灵活支持不断演进的 AI 模型与算法。

　　更简单的开发与迁移：由于数据流架构与控制流不同，SRDA 舍弃通用性的同时，也不再需要类 CUDA 那样复杂的软件库。

　　与 DeepSeek 论文的以点带面不同，玉盘 SRDA 架构白皮书提出了相对完整的架构方案，特别是对 I/O 瓶颈的针对性设计，为 AI 算力芯片的发展路径提供了系统性的思路。

　　对身处 AI 浪潮之中的开发者而言，SRDA 所倡导的系统级数据流的理念和技术路径值得关注，近期我们确实也开始频繁看见“数据流”思想。或许在不久的将来，我们就会看到包括玉盘在内的更多 AI 芯片公司开始采用类 SRDA 架构。

　　更多有关《SRDA 计算架构白皮书》的细节可见：（或点击文末“阅读原文”）