想要落户上海，千万不要在上海缴纳社保的同时在外地也缴纳社保！#落户上海# #留学生落户上海# #新加坡留学#
有很多年轻的沪漂党，在上海缴纳社保的同时，在老家或外地也交社保，如此一来便产生了“第二份社保”。
然而，当身负两份社保的沪漂们开始计划在上海落户时，才发现：现在的“第二份”社保直接让自己失去了落户资格！
“第二份社保”意味着重复参保？
社保是为丧失劳动能力、暂时失去劳动岗位或因健康原因造成损失的人口提供收入或补偿的一种社会和经济制度，一定程度上保障个人生活。
一般情况下，参保人在每个时间段内有且仅有一条参保信息记录。但是，如果在同一时间段内出现两条及以上参保记录，即为“重复参保”，是指同一参保人重复参加同一基本医疗保险制度（制度内重复参保）或重复参加不同基本医疗保险制度（跨制度重复参保）。
所以，对于职工而言，社保应该跟着工作所在地走，尽量选择长期工作定居的城市；且目前社保和医保都是可以全国转移的。
第二份社保直接影响落户上海！！
《国家医保局 财政部 国家税务总局关于加强和改进基本医疗保险参保工作的指导意见》文件同时提出：“自2021年参保年度起，全国参保信息实现互联互通、动态更新、实时查询”。
这也就意味着，社保和个税系统全国联网。在落户审核时，申请人的社保缴纳记录、社保基数、个税缴纳记录、社保个税是否匹配等记录，全都可以直接通过后台系统清清楚楚地查到，一目了然！
如果存在上海和其他城市同时缴纳社保的情况，那也就是常说的“两地用工”，在落户时不予认可，重复缴纳社保的这段时间也会被直接扣除，需要重新累积落户条件。
重要提醒
社保是落户上海的必要考察项目之一，想要落户，那就更要小心谨慎，踏踏实实，依法缴纳！千万不要让社保拖累了你！
有很多年轻的沪漂党，在上海缴纳社保的同时，在老家或外地也交社保，如此一来便产生了“第二份社保”。
然而，当身负两份社保的沪漂们开始计划在上海落户时，才发现：现在的“第二份”社保直接让自己失去了落户资格！
“第二份社保”意味着重复参保？
社保是为丧失劳动能力、暂时失去劳动岗位或因健康原因造成损失的人口提供收入或补偿的一种社会和经济制度，一定程度上保障个人生活。
一般情况下，参保人在每个时间段内有且仅有一条参保信息记录。但是，如果在同一时间段内出现两条及以上参保记录，即为“重复参保”，是指同一参保人重复参加同一基本医疗保险制度（制度内重复参保）或重复参加不同基本医疗保险制度（跨制度重复参保）。
所以，对于职工而言，社保应该跟着工作所在地走，尽量选择长期工作定居的城市；且目前社保和医保都是可以全国转移的。
第二份社保直接影响落户上海！！
《国家医保局 财政部 国家税务总局关于加强和改进基本医疗保险参保工作的指导意见》文件同时提出：“自2021年参保年度起，全国参保信息实现互联互通、动态更新、实时查询”。
这也就意味着，社保和个税系统全国联网。在落户审核时，申请人的社保缴纳记录、社保基数、个税缴纳记录、社保个税是否匹配等记录，全都可以直接通过后台系统清清楚楚地查到，一目了然！
如果存在上海和其他城市同时缴纳社保的情况，那也就是常说的“两地用工”，在落户时不予认可，重复缴纳社保的这段时间也会被直接扣除，需要重新累积落户条件。
重要提醒
社保是落户上海的必要考察项目之一，想要落户，那就更要小心谨慎，踏踏实实，依法缴纳！千万不要让社保拖累了你！
.基本要求
1.满足试验件的力、位移及应变控制下各类疲劳与断裂试验
2.满足试验：高低周疲劳试验、变幅试验、三角波保载试验、正弦波保载试验、随机波试验、. 组合波试验、支持增△K，降△K、KIC 试验，CTOD试验，JIC试验，（其中满足：KIC 试验，CTOD试验，JIC试验还需要配置相关夹具及辅助测量装置），
3.满足标准：支持ASTM E647、GB/T 21143、GB/T 4161、GB/T 6398、ASTM E399、ASTM E1290 BS 7448、ASTM E1820、ISO15653等试验标准。也可根据采购人需求，定制相关标准模块，进行试验。
▲4.控制方式：应力控制、应变控制、等幅疲劳、变幅疲劳、变频疲劳、仿真实测波形，
▲5、试验软件应具有投标厂家自主知识产权证书，并支持：正弦波、三角波、梯形波、矩形波的载荷、应变、位移控循环测试。还具有完善的变频，变幅，组合波形，自定义波形、随机波形等完善的加载模型，以及动刚度分析、峰谷值趋势分析、试验保护机制、指定周期数据保存等的数据分析处理软件。
▲6.满足试验频率 0.01～50Hz；
B.技术要求
1.主要技术参数
▲1.1 两立柱主机框架，立柱间有效宽度：≥540mm；
▲1.2 有效试验最大空间：≥850mm；
1.3 立柱直径：≥80mm；
1.4 机架刚度：满足或优于 5×108 N/m；
1.5 最小试验空间（mm）：≥10mm；
★1.6 频率范围：0.01～50Hz（提供动态特性曲线图）；
★1.7 静态载荷：±100kN；
1.8 动态载荷：±85kN；
▲1.9 系统精度等级：静态示值精度：±0.5%；(1%～100%量程范围内)；
★1.10 动态加载精度：优于±1%；
1.11 闭环速率：不低于 10kHz；
▲1.12 采样频率不低于 100次/us[即100MHz]（可调）；
▲1.13 试验空间在 20mm～850mm 内连续可调；调节方式采用液压驱动；
▲1.14 上横梁调节到位后，采用液压锁紧进行或适用拉压试验的锁紧方式，不接受单靠螺栓紧固或螺杆锁紧的方式；
1.15 升降调节系统采用全液压控制，液压控制阀均采用插装式手动阀，以确保设备安全性，同时，避免由于电磁开关阀的线路老化而带来的锁紧失效或无法松开；
1.16 液压作动器集成高性能MOOG伺服阀；
★1.17 设备同轴度要求：能够根据 《拉压轴向负荷下试验架与试样同轴度校准的标准方法》（ASTM E1012）: 规定将加载链同轴度调整到 5%以内。（提供详细技术方案及同轴度校准系统软件计算机软件著作权登记证书复印件）。
2. 油缸主体
2.1 双出杆双作用疲劳级用动器；
2.2 采用高、低压密封形式的组合密封，保证系统的动态特性的同时，有效避免的汇漏问题。
2.3 置于主机框架下横梁上；
▲2.4 最大试验力：±100kN；
2.5 作动器最大动态行程不小于±75 mm （末端带有缓冲提供图纸说明）集成高精度位移传感器(LVDT)；
2.6 液压缓冲区，避免运行失控产生损伤；
2.7 配防旋转装置。
★3. 位移传感器
▲3.1 位移测量精度：±0.5%；
3.2 位移测量分辨率：0.001mm；
4. 液压动力系统
4.1 额定流量不低于 40Lpm[每分钟40升], 额定压力不低于 21MPa；
4.2 整体噪音在 72db 以内；
★4.3 采用恒压变量泵；
★4.4 采用油浸电机，电机泵组整套浸入液压介质中，确保符合环保要求；
4.5 全封闭式结构，要求节能、环保，外部无任何泄漏，避免灰尘、油液混合成垢；
★4.6 具有零压启动、高/低压切换功能，可远程/本地进行液压系统的起停；
4.7 集成触屏 PLC，可进行温度测量、报警；具备空气过滤装置、油位显示和报警、自诊断和异常停机等功能；
4.8 可以根据液压介质的温度自动启停冷却系统，在确保液压介质正常工作温度的同时具有良好节能效果。
★5. 控制系统
▲5.1 采用全数字伺服控制器；
5.2 PCI 总线，兼容性能；抗干扰、抗振动；
5.3 模块化结构，易于设备维护；
5.4 不同级别管理权限，确保系统的安全性；
5.5 闭环速率不低于 10kHz；
5.6 具有外部信号触发、自锁功能；
▲5.7 波形发生器：0.01～50Hz，包括正弦波、三角波、斜波、锯齿波、随机波、自由波且可实现各类波形的组合输出（提供软件截图）；
5.8 系统可自动识别 TEDS 传感器，具有传感器标定、清零等功能；
5.9控制方式须包括：载荷（力）、位移、变形（应变）控制；采用具有前馈功能的 PID 闭环控制，不同控制模式可进行无冲击平滑切换；
5.10 为方便试验人员对试件装卸、设备的调试，控制器须配备遥控手柄，试验数据可直接在 EDC 上显示；控制指令具有复合功能。
6. 闭式冷却系统
6.1 供电电压不大于 380V，AC；
6.2 供电功率：≥10kw；
6.3 制冷功率≥25kw；
6.4 供水流量：≥60lpm；
6.5 供水压力：0.2～0.68Mpa 可调；
6.6 供水温度：15°C～25°C。
★7. 载荷传感器
▲7.1 采用高精度、疲劳级载荷传感器，具有 300%的抗过载能力；
7.2 具备温度补偿功能，高信噪比；
7.3 线性精度满足或优于 0.03%；
7.4 具备偏载补偿功能；
7.5 0.0015%/°C 的温度影响；
7.6 具备环境的气压补充功能；
7.7 可采用分流标定法进行标定；
▲7.8 可溯源拉压双向标定。
8. 主要配置
▲8.1 主机一套；尺寸：≥1100mm(长)×900mm（宽）×2500mm（高）
8.2高性能伺服阀一套；
▲8.3 对中装置一套（具有角度、位移调节功能、对中调节软件)；
8.4 高精度传感器一个；
▲8.5 液压楔形平推拉伸夹具一套；（板材试件夹持范围：0～ 20mm 钳口2套，棒材试件夹持范围：Φ5～Φ21mm钳口2套）
8.6 压缩夹具一套；
8.7 液压动力系统一套；
8.8 闭式冷却系统一套；
8.9 高精度控制系统一套；
8.10 三点弯曲夹具一套（SEB试验夹具）；
跨距范围：40mm-240mm;
下夹持杆规格：Ø20x55;
压辊直径（可选）：10mm，15mm，25mm，35mm;
压辊长度：80mm；
夹具长度：365mm。
★8.11 高温拉杆一套。含拉杆夹具，M12、M16各一套；
8.12 高温炉装置一套
▲8.12.1三段控温；
8.12.2高度： ≤220mm;
▲8.12.3工作温度范围：200℃～1200℃；温度显示分辨率:0.1℃；等温区≥30mm；
8.12.4温度梯度：
200℃＜T≤600℃(±2℃)；600℃＜T≤900℃(±3℃)；900℃＜T≤1200℃（±4℃）；
8.12.5温度波动范围：±1℃；
8.12.63支控温S型热电偶。
★8.13 引伸计2支；（3442-025-020M-ST,3442-0125-020M-ST）
★8.14 COD规1只；(3541-010M-025M-ST)
★8.15 疲劳引伸计一只（需与投标厂家品牌一致）；（Y10-2.5）
★8.16 疲劳COD规引伸计一只（需与投标厂家品牌一致）(YC5/2)
9.电脑及显示器
9.1 图形工作站：硬盘 1T 或以上，i7 处理器或以上，16G 内存 8G 独显或以上 ，显示器 23寸或以上一套；配置彩色双面输出设备一套。
10.专业软件
★10.1 除提供控制器厂商自带的基础软件外，还需提供具有自主知识产权的试验软件（提供计算机软件著作权登记证书复印件）；
10.2 试验软件要求具有友好的人机界面；可进行各项参数设置，运行时可显示各类参数，可以以图形、数据的形式显示；
▲10.3 试验过程中可以实时调整试验参数，包括切换控制方式、改变试验频率、应力或应变变幅度等。（提供软件截图）
▲10.4 支持线性，对数及其组合存储、以及用户自定定义周期存储
▲10.5 循环试验时用户给定范围的内模量的实时运算
▲10.6 Excel、word可选的试验报告格式、可内嵌office图表，方便用户查看曲线数据；也可定制用户要求的试验报告格式
▲10.7 把客户的应变仪集成到测试软件系统中。（提供软件截图）
▲10.8 试验软件可在同一软件界面下一键切换中英文语言（提供软件截图）；
▲10.9测试软件包括高、低疲劳试验软件、KIC，JIC，CTOD 试验软件、da/dN 试验软件；（提供软件截图）
▲10.10 软件操作须具有不同级别权限的设置，以适用不同的层面的设备操作、参数设置；
10.11 软件操作系统更新换代后，免费对用户的仪器操作系统进行升级。#机械##试验机论坛#
1.满足试验件的力、位移及应变控制下各类疲劳与断裂试验
2.满足试验：高低周疲劳试验、变幅试验、三角波保载试验、正弦波保载试验、随机波试验、. 组合波试验、支持增△K，降△K、KIC 试验，CTOD试验，JIC试验，（其中满足：KIC 试验，CTOD试验，JIC试验还需要配置相关夹具及辅助测量装置），
3.满足标准：支持ASTM E647、GB/T 21143、GB/T 4161、GB/T 6398、ASTM E399、ASTM E1290 BS 7448、ASTM E1820、ISO15653等试验标准。也可根据采购人需求，定制相关标准模块，进行试验。
▲4.控制方式：应力控制、应变控制、等幅疲劳、变幅疲劳、变频疲劳、仿真实测波形，
▲5、试验软件应具有投标厂家自主知识产权证书，并支持：正弦波、三角波、梯形波、矩形波的载荷、应变、位移控循环测试。还具有完善的变频，变幅，组合波形，自定义波形、随机波形等完善的加载模型，以及动刚度分析、峰谷值趋势分析、试验保护机制、指定周期数据保存等的数据分析处理软件。
▲6.满足试验频率 0.01～50Hz；
B.技术要求
1.主要技术参数
▲1.1 两立柱主机框架，立柱间有效宽度：≥540mm；
▲1.2 有效试验最大空间：≥850mm；
1.3 立柱直径：≥80mm；
1.4 机架刚度：满足或优于 5×108 N/m；
1.5 最小试验空间（mm）：≥10mm；
★1.6 频率范围：0.01～50Hz（提供动态特性曲线图）；
★1.7 静态载荷：±100kN；
1.8 动态载荷：±85kN；
▲1.9 系统精度等级：静态示值精度：±0.5%；(1%～100%量程范围内)；
★1.10 动态加载精度：优于±1%；
1.11 闭环速率：不低于 10kHz；
▲1.12 采样频率不低于 100次/us[即100MHz]（可调）；
▲1.13 试验空间在 20mm～850mm 内连续可调；调节方式采用液压驱动；
▲1.14 上横梁调节到位后，采用液压锁紧进行或适用拉压试验的锁紧方式，不接受单靠螺栓紧固或螺杆锁紧的方式；
1.15 升降调节系统采用全液压控制，液压控制阀均采用插装式手动阀，以确保设备安全性，同时，避免由于电磁开关阀的线路老化而带来的锁紧失效或无法松开；
1.16 液压作动器集成高性能MOOG伺服阀；
★1.17 设备同轴度要求：能够根据 《拉压轴向负荷下试验架与试样同轴度校准的标准方法》（ASTM E1012）: 规定将加载链同轴度调整到 5%以内。（提供详细技术方案及同轴度校准系统软件计算机软件著作权登记证书复印件）。
2. 油缸主体
2.1 双出杆双作用疲劳级用动器；
2.2 采用高、低压密封形式的组合密封，保证系统的动态特性的同时，有效避免的汇漏问题。
2.3 置于主机框架下横梁上；
▲2.4 最大试验力：±100kN；
2.5 作动器最大动态行程不小于±75 mm （末端带有缓冲提供图纸说明）集成高精度位移传感器(LVDT)；
2.6 液压缓冲区，避免运行失控产生损伤；
2.7 配防旋转装置。
★3. 位移传感器
▲3.1 位移测量精度：±0.5%；
3.2 位移测量分辨率：0.001mm；
4. 液压动力系统
4.1 额定流量不低于 40Lpm[每分钟40升], 额定压力不低于 21MPa；
4.2 整体噪音在 72db 以内；
★4.3 采用恒压变量泵；
★4.4 采用油浸电机，电机泵组整套浸入液压介质中，确保符合环保要求；
4.5 全封闭式结构，要求节能、环保，外部无任何泄漏，避免灰尘、油液混合成垢；
★4.6 具有零压启动、高/低压切换功能，可远程/本地进行液压系统的起停；
4.7 集成触屏 PLC，可进行温度测量、报警；具备空气过滤装置、油位显示和报警、自诊断和异常停机等功能；
4.8 可以根据液压介质的温度自动启停冷却系统，在确保液压介质正常工作温度的同时具有良好节能效果。
★5. 控制系统
▲5.1 采用全数字伺服控制器；
5.2 PCI 总线，兼容性能；抗干扰、抗振动；
5.3 模块化结构，易于设备维护；
5.4 不同级别管理权限，确保系统的安全性；
5.5 闭环速率不低于 10kHz；
5.6 具有外部信号触发、自锁功能；
▲5.7 波形发生器：0.01～50Hz，包括正弦波、三角波、斜波、锯齿波、随机波、自由波且可实现各类波形的组合输出（提供软件截图）；
5.8 系统可自动识别 TEDS 传感器，具有传感器标定、清零等功能；
5.9控制方式须包括：载荷（力）、位移、变形（应变）控制；采用具有前馈功能的 PID 闭环控制，不同控制模式可进行无冲击平滑切换；
5.10 为方便试验人员对试件装卸、设备的调试，控制器须配备遥控手柄，试验数据可直接在 EDC 上显示；控制指令具有复合功能。
6. 闭式冷却系统
6.1 供电电压不大于 380V，AC；
6.2 供电功率：≥10kw；
6.3 制冷功率≥25kw；
6.4 供水流量：≥60lpm；
6.5 供水压力：0.2～0.68Mpa 可调；
6.6 供水温度：15°C～25°C。
★7. 载荷传感器
▲7.1 采用高精度、疲劳级载荷传感器，具有 300%的抗过载能力；
7.2 具备温度补偿功能，高信噪比；
7.3 线性精度满足或优于 0.03%；
7.4 具备偏载补偿功能；
7.5 0.0015%/°C 的温度影响；
7.6 具备环境的气压补充功能；
7.7 可采用分流标定法进行标定；
▲7.8 可溯源拉压双向标定。
8. 主要配置
▲8.1 主机一套；尺寸：≥1100mm(长)×900mm（宽）×2500mm（高）
8.2高性能伺服阀一套；
▲8.3 对中装置一套（具有角度、位移调节功能、对中调节软件)；
8.4 高精度传感器一个；
▲8.5 液压楔形平推拉伸夹具一套；（板材试件夹持范围：0～ 20mm 钳口2套，棒材试件夹持范围：Φ5～Φ21mm钳口2套）
8.6 压缩夹具一套；
8.7 液压动力系统一套；
8.8 闭式冷却系统一套；
8.9 高精度控制系统一套；
8.10 三点弯曲夹具一套（SEB试验夹具）；
跨距范围：40mm-240mm;
下夹持杆规格：Ø20x55;
压辊直径（可选）：10mm，15mm，25mm，35mm;
压辊长度：80mm；
夹具长度：365mm。
★8.11 高温拉杆一套。含拉杆夹具，M12、M16各一套；
8.12 高温炉装置一套
▲8.12.1三段控温；
8.12.2高度： ≤220mm;
▲8.12.3工作温度范围：200℃～1200℃；温度显示分辨率:0.1℃；等温区≥30mm；
8.12.4温度梯度：
200℃＜T≤600℃(±2℃)；600℃＜T≤900℃(±3℃)；900℃＜T≤1200℃（±4℃）；
8.12.5温度波动范围：±1℃；
8.12.63支控温S型热电偶。
★8.13 引伸计2支；（3442-025-020M-ST,3442-0125-020M-ST）
★8.14 COD规1只；(3541-010M-025M-ST)
★8.15 疲劳引伸计一只（需与投标厂家品牌一致）；（Y10-2.5）
★8.16 疲劳COD规引伸计一只（需与投标厂家品牌一致）(YC5/2)
9.电脑及显示器
9.1 图形工作站：硬盘 1T 或以上，i7 处理器或以上，16G 内存 8G 独显或以上 ，显示器 23寸或以上一套；配置彩色双面输出设备一套。
10.专业软件
★10.1 除提供控制器厂商自带的基础软件外，还需提供具有自主知识产权的试验软件（提供计算机软件著作权登记证书复印件）；
10.2 试验软件要求具有友好的人机界面；可进行各项参数设置，运行时可显示各类参数，可以以图形、数据的形式显示；
▲10.3 试验过程中可以实时调整试验参数，包括切换控制方式、改变试验频率、应力或应变变幅度等。（提供软件截图）
▲10.4 支持线性，对数及其组合存储、以及用户自定定义周期存储
▲10.5 循环试验时用户给定范围的内模量的实时运算
▲10.6 Excel、word可选的试验报告格式、可内嵌office图表，方便用户查看曲线数据；也可定制用户要求的试验报告格式
▲10.7 把客户的应变仪集成到测试软件系统中。（提供软件截图）
▲10.8 试验软件可在同一软件界面下一键切换中英文语言（提供软件截图）；
▲10.9测试软件包括高、低疲劳试验软件、KIC，JIC，CTOD 试验软件、da/dN 试验软件；（提供软件截图）
▲10.10 软件操作须具有不同级别权限的设置，以适用不同的层面的设备操作、参数设置；
10.11 软件操作系统更新换代后，免费对用户的仪器操作系统进行升级。#机械##试验机论坛#
大芯片面临的共同挑战（下）
原创 Chaobowx 软硬件融合
3 大芯片面临的共同挑战
3.1 挑战一：复杂大系统，对灵活性的要求高于对性能的要求
有一个非常经典的问题：终端非常流行SOC，但为什么数据中心服务器却依然是CPU打天下？
越是复杂的场景，对系统灵活性的要求越高。CPU作为云计算场景的主力计算平台有其合理性，主要体现在四个方面：
硬件的灵活性。软件应用迭代很快，支持软件运行的硬件处理引擎要能够很好地支持这些迭代。CPU因为其灵活的基础指令编程的特点，是最适合云计算的处理引擎。
硬件的通用性。云计算厂家购买硬件服务器，很难预测这些硬件服务器会运行哪类工作任务，最好的办法是采用完全通用的服务器。CPU由于其绝对的通用性，成为云计算场景最优的选择。
硬件的利用率。云计算的基础技术是虚拟化，通过虚拟化把资源切分，实现资源共享，以此提高资源利用并降低成本。只有CPU能够实现非常友好的硬件级别的虚拟化支持，从而实现更高的资源利用率。而其他硬件加速平台，（相对的）资源利用率很难做到很高，这就约束了其性能优势。
硬件的一致性。在云计算数据中心，软件和硬件是需要相互脱离的。同一个软件实体会在不同的硬件实体迁移，同样的同一个硬件实体也需要运行不同的软件实体。这对硬件平台的一致性提出了很高的要求。
在性能满足要求的情况下，CPU当仁不让的就成了数据中心计算平台的最佳选择。
可惜的是，目前，CPU的性能无法满足要求了。在CPU性能不满足要求的情况下，就需要创新的硬件来进行性能加速。如何在整个系统保持跟传统CPU接近的通用性、灵活性、可编程性、易用性的约束条件下，实现性能显著提升，成为了重要的挑战。
3.2 挑战二：如何数量级的提升综合性能？
我们之前都讲过，性能和单位指令的复杂度是正相关的。指令越简单，性能相对越低；指令越复杂，性能相对越好。但指令简单，我们就可以随心所欲组合各种各样的场景的应用程序；而指令越复杂，引擎所能覆盖的领域和场景就会越来越小。
如上图所示：
CPU性能最差，但几乎可以覆盖所有的计算场景，是最通用的处理器；
DSA覆盖某个特定领域，性能可以做到很好。但覆盖的领域如果算法更新迭代快或者领域的范围较小不足以支撑大算力芯片的大范围落地的话，这样的DSA芯片在商业上就很难成立。
GPU介于两者之间。
CPU软件，是通过基础的指令组合出来所需要的业务逻辑；而为了提升性能，硬件加速本质上是将业务逻辑固化成硬件电路。而将业务逻辑固化成电路，虽然提升了性能，但会约束芯片本身的场景覆盖。目前，很多算力芯片的设计陷入了一个怪圈：越优化性能，场景覆盖越狭窄；场景覆盖越狭窄，芯片出货量越低；芯片出货量低，无法覆盖芯片的一次性研发成本，商业逻辑不成立，后续的持续研发难以为继。
以AI为典型场景，目前AI芯片落地难的本质：很多AI芯片特别强调深度理解算法，然后把算法融入到芯片中。但受限于AI类算法多种多样，并且算法都在快速的迭代。这导致AI芯片一直无法大规模落地，芯片数以亿计的研发成本难以摊薄。因此，从目前来看，AI芯片在商业逻辑上无法成立。
AI芯片已经榨干了目前芯片所能达到的性能极限；未来，L4/L5级别的自动驾驶芯片需要算力十倍百倍的提升；而要想达到元宇宙所需的良好体验，则需要算力千倍万倍的提升。如何在确保芯片的场景覆盖如CPU一样通用全面，并且还能够十倍百倍甚至千倍万倍的快速性能提升，是大算力芯片需要直面的挑战。
3.3 挑战三：业务的横向和纵向差异性
业务的横向差异指的是不同客户之间相近业务的细节差异性；而纵向差异指的是单个用户业务的长期迭代的差异性。
不同用户的业务存在差异，即使同一大公司内部，不同的团队对相同场景的业务需求也是不完全一致的。并且，即使同一客户，受限于软件的快速更新迭代，其业务逻辑更新也会很快，显著的快于硬件芯片的更新迭代（软件迭代通常在3-6个月，而芯片迭代则是2-3年，还要考虑芯片4-5年的生命周期）。
针对横向和纵向的差异性，目前行业有几种显著的做法：
一些芯片大厂，针对自身对场景的理解，提供自认为最优的业务逻辑加速方案给到用户。但站在用户的视角，这样会丧失自身的差异性和创造性。用户需要修改自身的业务逻辑，这个风险也非常的高；并且，会对芯片公司形成强依赖关系。
一些大客户。针对自身差异化场景，自研芯片。可以满足自身差异化的竞争能力，但大用户内部也是由许多不同的小团队组成，不同团队业务场景仍然存在差异性；并且，单个业务纵向的长期迭代差异依然是需要考虑的。定制芯片在商业上是可行的，但需要考虑技术层面的通用芯片设计。
第三方通用的解决方案。“授人以鱼，不如授人以渔”，通过通用的设计，确保在每个领域，都能够实现一定程度上的软硬件解耦。芯片公司提供“通用”的硬件平台，让用户通过编程的方式实现业务差异化，“让用户掌控一切”。
3.4 挑战四：芯片的一次性成本过高
在先进工艺的设计成本方面，知名半导体研究机构Semiengingeering统计了不同工艺下芯片所需费用（费用包括了）：16nm节点则需要1亿美元；7nm节点需要2.97亿美元；到了5nm节点，费用高达5.42亿美元；3nm节点的研发费用，预计将接近10亿美元。
就意味着，大芯片需要足够通用，足够大范围落地，才能在商业逻辑上成立。做一个基本的估算：在数据中心场景，则需要50万以上的销售量，才能有效摊薄研发成本。在数据中心领域，这个门槛非常高。
3.5 挑战五：宏观算力要求芯片能够支撑大规模部署
性能和灵活性是一对矛盾，很多性能优化的芯片设计方案，显著的提升性能的同时，也显著的降低了芯片的通用性、灵活性和易用性，同时降低了芯片的场景和用户覆盖。从而导致芯片落地规模很小。
芯片落地规模小，单芯片再高的性能，都相当于无源之水，没有了意义。
因此，一个综合性的芯片平台，需要考虑芯片性能提升的同时，也要考虑如何提高芯片的宏观规模落地：需要考虑芯片的场景覆盖；需要考虑芯片的用户覆盖；需要考虑芯片的功能横向和纵向的差异性覆盖。
只有兼顾了性能和更多用户和场景覆盖，才能实现大芯片的规模化部署，才能显著的提升宏观算力。
3.6 挑战六：计算平台的融合
算力需要池化，并且，算力不仅仅是数据中心基于x86 CPU的算力池化，算力池化，需要：
算力需要跨不同的CPU架构，比如能够把x86、ARM、RISCv等主流架构的算力整合到一个算力池；
算力需要跨不同类型的处理引擎。比如把CPU、GPU、FPGA、DSA的算力整合到一个算力池；
算力还需要跨不同厂家的硬件平台，算力需要把不同Vendor提供的算力资源都能够整合到一个算力池；
算力需要跨不同位置，算力可以部署云、边、端甚至网络，可以把这些算力整合到一个算力池。
云网边端融合，就是把所有的算力资源整合到一起，真正实现跨云网边端自适应的软件运行。挑战在于，如何构建统一的开放的硬件平台和系统堆栈。
3.7 挑战七：生态建设的门槛
大芯片一定需要平台化，一定需要开发框架并形成开发生态。而框架和生态门槛高，且需要长期积累，对小公司来说是一件非常难的事情。
RISC-v CPU已经如火如荼，很多公司，特别是一些初创小公司，大家都非常认可RISC-v的开源开放的理念和价值，众人拾柴火焰高，大家共同推动RISC-v开放生态的蓬勃发展。
未来，计算进一步走向异构和超异构计算，架构和平台越来越多，此时，开源开放已经不是可选项，而是成为必选项。因为，如果不是开源开放，那就会导致算力资源完全的碎片化，何谈算力池化，何谈云网边端融合。
开源开放，是大芯片平台和生态建设的必然选择。
3.8 挑战八：（用户视角）宏观跨平台的挑战，没有平台依赖
站在芯片厂家视角，给客户提供芯片以及配套的驱动软件，然后有SDK等开发工具包，用户基于此开发自己的应用程序，这样就万事大吉。但站在用户的视角，问题可不是这样。用户的软件应用和硬件平台是完全脱离的。
我们以VM计算机虚拟化为例。用户的VM需要在不同的硬件平台上能够实时热迁移，这样就对硬件平台的一致性就有了要求。通常，硬件一致性是通过虚拟化来完成的，虚拟化给上层的VM抽象出标准的硬件平台，使得VM可以跨不同架构的硬件服务器运行。随着CPU性能的瓶颈，虚拟化相关堆栈逐渐下沉到了硬件加速，这样，就需要把硬件接口直接暴露给业务VM，那么就需要硬件架构/接口原生支持一致性。
硬件架构/接口原生支持一致性，换个表述，就是不同厂家的芯片平台提供的是相同的架构和接口，使得软件可以方便的跨不同厂家的硬件平台迁移。如果某个厂家提供的是私有架构/接口的硬件平台，那么用户就会对平台形成强依赖关系，并且如果选择的个性化平台越多，使得用户自己的数据中心变成割裂的各自不同的资源池碎片，这样云的整个运营管理变得非常的复杂和困难。
（正文完）
原创 Chaobowx 软硬件融合
3 大芯片面临的共同挑战
3.1 挑战一：复杂大系统，对灵活性的要求高于对性能的要求
有一个非常经典的问题：终端非常流行SOC，但为什么数据中心服务器却依然是CPU打天下？
越是复杂的场景，对系统灵活性的要求越高。CPU作为云计算场景的主力计算平台有其合理性，主要体现在四个方面：
硬件的灵活性。软件应用迭代很快，支持软件运行的硬件处理引擎要能够很好地支持这些迭代。CPU因为其灵活的基础指令编程的特点，是最适合云计算的处理引擎。
硬件的通用性。云计算厂家购买硬件服务器，很难预测这些硬件服务器会运行哪类工作任务，最好的办法是采用完全通用的服务器。CPU由于其绝对的通用性，成为云计算场景最优的选择。
硬件的利用率。云计算的基础技术是虚拟化，通过虚拟化把资源切分，实现资源共享，以此提高资源利用并降低成本。只有CPU能够实现非常友好的硬件级别的虚拟化支持，从而实现更高的资源利用率。而其他硬件加速平台，（相对的）资源利用率很难做到很高，这就约束了其性能优势。
硬件的一致性。在云计算数据中心，软件和硬件是需要相互脱离的。同一个软件实体会在不同的硬件实体迁移，同样的同一个硬件实体也需要运行不同的软件实体。这对硬件平台的一致性提出了很高的要求。
在性能满足要求的情况下，CPU当仁不让的就成了数据中心计算平台的最佳选择。
可惜的是，目前，CPU的性能无法满足要求了。在CPU性能不满足要求的情况下，就需要创新的硬件来进行性能加速。如何在整个系统保持跟传统CPU接近的通用性、灵活性、可编程性、易用性的约束条件下，实现性能显著提升，成为了重要的挑战。
3.2 挑战二：如何数量级的提升综合性能？
我们之前都讲过，性能和单位指令的复杂度是正相关的。指令越简单，性能相对越低；指令越复杂，性能相对越好。但指令简单，我们就可以随心所欲组合各种各样的场景的应用程序；而指令越复杂，引擎所能覆盖的领域和场景就会越来越小。
如上图所示：
CPU性能最差，但几乎可以覆盖所有的计算场景，是最通用的处理器；
DSA覆盖某个特定领域，性能可以做到很好。但覆盖的领域如果算法更新迭代快或者领域的范围较小不足以支撑大算力芯片的大范围落地的话，这样的DSA芯片在商业上就很难成立。
GPU介于两者之间。
CPU软件，是通过基础的指令组合出来所需要的业务逻辑；而为了提升性能，硬件加速本质上是将业务逻辑固化成硬件电路。而将业务逻辑固化成电路，虽然提升了性能，但会约束芯片本身的场景覆盖。目前，很多算力芯片的设计陷入了一个怪圈：越优化性能，场景覆盖越狭窄；场景覆盖越狭窄，芯片出货量越低；芯片出货量低，无法覆盖芯片的一次性研发成本，商业逻辑不成立，后续的持续研发难以为继。
以AI为典型场景，目前AI芯片落地难的本质：很多AI芯片特别强调深度理解算法，然后把算法融入到芯片中。但受限于AI类算法多种多样，并且算法都在快速的迭代。这导致AI芯片一直无法大规模落地，芯片数以亿计的研发成本难以摊薄。因此，从目前来看，AI芯片在商业逻辑上无法成立。
AI芯片已经榨干了目前芯片所能达到的性能极限；未来，L4/L5级别的自动驾驶芯片需要算力十倍百倍的提升；而要想达到元宇宙所需的良好体验，则需要算力千倍万倍的提升。如何在确保芯片的场景覆盖如CPU一样通用全面，并且还能够十倍百倍甚至千倍万倍的快速性能提升，是大算力芯片需要直面的挑战。
3.3 挑战三：业务的横向和纵向差异性
业务的横向差异指的是不同客户之间相近业务的细节差异性；而纵向差异指的是单个用户业务的长期迭代的差异性。
不同用户的业务存在差异，即使同一大公司内部，不同的团队对相同场景的业务需求也是不完全一致的。并且，即使同一客户，受限于软件的快速更新迭代，其业务逻辑更新也会很快，显著的快于硬件芯片的更新迭代（软件迭代通常在3-6个月，而芯片迭代则是2-3年，还要考虑芯片4-5年的生命周期）。
针对横向和纵向的差异性，目前行业有几种显著的做法：
一些芯片大厂，针对自身对场景的理解，提供自认为最优的业务逻辑加速方案给到用户。但站在用户的视角，这样会丧失自身的差异性和创造性。用户需要修改自身的业务逻辑，这个风险也非常的高；并且，会对芯片公司形成强依赖关系。
一些大客户。针对自身差异化场景，自研芯片。可以满足自身差异化的竞争能力，但大用户内部也是由许多不同的小团队组成，不同团队业务场景仍然存在差异性；并且，单个业务纵向的长期迭代差异依然是需要考虑的。定制芯片在商业上是可行的，但需要考虑技术层面的通用芯片设计。
第三方通用的解决方案。“授人以鱼，不如授人以渔”，通过通用的设计，确保在每个领域，都能够实现一定程度上的软硬件解耦。芯片公司提供“通用”的硬件平台，让用户通过编程的方式实现业务差异化，“让用户掌控一切”。
3.4 挑战四：芯片的一次性成本过高
在先进工艺的设计成本方面，知名半导体研究机构Semiengingeering统计了不同工艺下芯片所需费用（费用包括了）：16nm节点则需要1亿美元；7nm节点需要2.97亿美元；到了5nm节点，费用高达5.42亿美元；3nm节点的研发费用，预计将接近10亿美元。
就意味着，大芯片需要足够通用，足够大范围落地，才能在商业逻辑上成立。做一个基本的估算：在数据中心场景，则需要50万以上的销售量，才能有效摊薄研发成本。在数据中心领域，这个门槛非常高。
3.5 挑战五：宏观算力要求芯片能够支撑大规模部署
性能和灵活性是一对矛盾，很多性能优化的芯片设计方案，显著的提升性能的同时，也显著的降低了芯片的通用性、灵活性和易用性，同时降低了芯片的场景和用户覆盖。从而导致芯片落地规模很小。
芯片落地规模小，单芯片再高的性能，都相当于无源之水，没有了意义。
因此，一个综合性的芯片平台，需要考虑芯片性能提升的同时，也要考虑如何提高芯片的宏观规模落地：需要考虑芯片的场景覆盖；需要考虑芯片的用户覆盖；需要考虑芯片的功能横向和纵向的差异性覆盖。
只有兼顾了性能和更多用户和场景覆盖，才能实现大芯片的规模化部署，才能显著的提升宏观算力。
3.6 挑战六：计算平台的融合
算力需要池化，并且，算力不仅仅是数据中心基于x86 CPU的算力池化，算力池化，需要：
算力需要跨不同的CPU架构，比如能够把x86、ARM、RISCv等主流架构的算力整合到一个算力池；
算力需要跨不同类型的处理引擎。比如把CPU、GPU、FPGA、DSA的算力整合到一个算力池；
算力还需要跨不同厂家的硬件平台，算力需要把不同Vendor提供的算力资源都能够整合到一个算力池；
算力需要跨不同位置，算力可以部署云、边、端甚至网络，可以把这些算力整合到一个算力池。
云网边端融合，就是把所有的算力资源整合到一起，真正实现跨云网边端自适应的软件运行。挑战在于，如何构建统一的开放的硬件平台和系统堆栈。
3.7 挑战七：生态建设的门槛
大芯片一定需要平台化，一定需要开发框架并形成开发生态。而框架和生态门槛高，且需要长期积累，对小公司来说是一件非常难的事情。
RISC-v CPU已经如火如荼，很多公司，特别是一些初创小公司，大家都非常认可RISC-v的开源开放的理念和价值，众人拾柴火焰高，大家共同推动RISC-v开放生态的蓬勃发展。
未来，计算进一步走向异构和超异构计算，架构和平台越来越多，此时，开源开放已经不是可选项，而是成为必选项。因为，如果不是开源开放，那就会导致算力资源完全的碎片化，何谈算力池化，何谈云网边端融合。
开源开放，是大芯片平台和生态建设的必然选择。
3.8 挑战八：（用户视角）宏观跨平台的挑战，没有平台依赖
站在芯片厂家视角，给客户提供芯片以及配套的驱动软件，然后有SDK等开发工具包，用户基于此开发自己的应用程序，这样就万事大吉。但站在用户的视角，问题可不是这样。用户的软件应用和硬件平台是完全脱离的。
我们以VM计算机虚拟化为例。用户的VM需要在不同的硬件平台上能够实时热迁移，这样就对硬件平台的一致性就有了要求。通常，硬件一致性是通过虚拟化来完成的，虚拟化给上层的VM抽象出标准的硬件平台，使得VM可以跨不同架构的硬件服务器运行。随着CPU性能的瓶颈，虚拟化相关堆栈逐渐下沉到了硬件加速，这样，就需要把硬件接口直接暴露给业务VM，那么就需要硬件架构/接口原生支持一致性。
硬件架构/接口原生支持一致性，换个表述，就是不同厂家的芯片平台提供的是相同的架构和接口，使得软件可以方便的跨不同厂家的硬件平台迁移。如果某个厂家提供的是私有架构/接口的硬件平台，那么用户就会对平台形成强依赖关系，并且如果选择的个性化平台越多，使得用户自己的数据中心变成割裂的各自不同的资源池碎片，这样云的整个运营管理变得非常的复杂和困难。
（正文完）
✋热门推荐