cpu|只有阿里腾讯才懂的芯片秘密( 二 )

文章插图

很显然，对于服务器基础架构一直十分重视的云巨头，在以肉眼可见的方式，逐步“吞噬”服务器架构中的各个核心关键点——

以亚马逊AWS为例，在2015年收购以色列的安纳普尔纳峰实验室后，便从2017年开始，陆续推出了DPU芯片Nitro、Arm服务器CPU Graviton、Graviton2及Graviton3，以及机器学习训练加速器 Trainium 和机器学习推理加速器 Inferentia。

而阿里等中国云巨头在芯片研发上获得启发的时间，恰好是在AWS发布Nitro DPU前后。如今，基本也完成了从服务器CPU到AI加速器的“同等类别装备”。

基本可以明确的是，自亚马逊开了先河后，不断垂直整合云计算从底层到上层业务，把服务器架构自研能力掌握在自己手里，如今在顶级云厂商间已经达成了共识。

“阿里的野心，或者说魄力很大。”

一位不具名的服务器专家告诉虎嗅，阿里基础架构事业群AIS，在服务器架构自研与创新走的挺快，只是因为比较底层所以外界不太了解，知乎上甚至有人直接把他们归为“做运维的”。

由于这个事业群相当于整个阿里云软硬基础设施的“管家”，所以，各类技术专家集结在一起，必须在服务器、内核、容器、JVM、调度、数据库、存储、中间件等多个数据中心“节点”上做迭代与创新，当然，它也在采购和销售上有KPI指标。

“在存储这一块，他们是有一些想法的。基本是两条路，第一个当然是买现成的三星海力士美光，另一个是从前年开始吧，阿里自己买‘颗粒’（内存芯片），来自己做DIMM。” 他说，AIS在实验室水平上应该没问题，量产可能会有挑战。

“更重要的是看他们的整合思路——加速卡（AI, 存储）、网路（DPU/SmartNIC)。芯片是平头哥或其他部门来做，但需求方则是AIS、阿里云以及蚂蚁金服。需求方也非常重要，决定了用什么、怎么用，以及怎么用能够让效能发挥到最大。”

他提醒我们要关注英特尔 IDM2.0开放战略，特别是不久前“要对外授权X86的策略和猜测”——“我想，很多人应该很快会有动作的”。

此外，根据虎嗅近一两年来从多方了解到的信息显示，阿里在云基础设施硬件创新和战略速度层面，虽然存在部分争议，但在国内的确要胜其他云厂商两三筹。

很明显，对国内存储市场的重视和投资，无论是保证供应链稳定还是技术创新，都极为有必要。

只有云厂商才能推动的存储芯片进步

在2020年写台积电时，我们就曾提过，如果说苹果、高通、英伟达们高端产品的成功，台积电的先进制程工艺必然是最大助力之一；那么台积电总是能占领最小制程高地的原因，前者也必然功不可没——

最好的下游技术与产品给你“导航”和试错，才能跟竞争对手打出一个漂亮的时间差。

那么云计算与半导体的关系同样如此。

譬如谷歌推出TPU时被普遍叫好，并使得GPU厂商产生警惕。很大原因便是，作为成千上万块芯片并行运算的使用者，云厂商太清楚芯片的问题到底出在哪儿了，毕竟样本实在是丰富。

早在几年前，多伦多大学曾做过一个关于“Dram致命缺陷”的重要课题。

他们经过多方周旋，终于从阿贡等大型国家实验室、谷歌和Facebook的大型数据中心取得了大量宝贵样本。让他们感到震惊的是，关于Dram的错误很常见，而一些数据中心的重大宕机事故更是源自Dram失常。

以谷歌为例，他们发现12% 到45% 的谷歌机器每年至少会遇到一次 DRAM 错误，有0.2%到4% 的机器由于 DRAM 错误无法纠正而意外关闭。

而在以往，无论是大型数据中心还是个人电脑中，产业内都会把Dram错误更多归咎于“软性问题”——根据IEEE杂志的解释，当物理设备在完全正常工作下，会受到某种短暂干扰（如宇宙射线产生的粒子）因而破坏了存储数据。

但这个想法此前几乎没有充分的实验支撑，某种程度上就是缺乏样本。没错，企业数据中心不愿透露，而实验室的样本量又少。实际上，经过他们的调查，结果令人震惊，其实大多数错误来自“硬性错误”。

没错，就是Dram芯片本身存在的问题。

调查者获得了谷歌某些数据中心的权限，在调查后发现，是一小部分机器造成了大部分错误。也就是说，错误倾向于一次又一次地出现在相同的内存模块上。