正文
但
这就好像是编无数个谎言来圆一个谎言
，无论是CPU还是GPU，他们最早都是为了数值计算而设计，而在人工智能时代，老革命遇到新问题，大家都是在各种修修补补。
冯诺依曼体系结构的问题其实早就被人提出来，也早就有人提出了新的架构，只是没有达到可以商业化的目的，做出来也没有人用，因为以前的应用场景并没有那么多。
而如今的人工智能计算已经和数值计算的差异越来越大，如果人工智能在未来会成为一项基础能力，那么是时候思考一个全新的体系结构。
需要一个新的故事
讲到这里，既然现在计算的瓶颈在带宽和I/O，那么一个可能的答案就是：
“让数据待在那里不动，能不动，就不动。”
这个在软件层面上其实已经已经有不少尝试了，而围绕这个，半导体就有很多技术出来了，主要可以分为三大方向。
第一、增加带宽
比如被英特尔收购人工智能创业公司Nervana Systems，Nervana的芯片在设计上把存储和计算单装在一起（HBM），物理上离得很近，时钟频率就可以跑得很高。
Nervana Systems里面用到了HBM技术，通过提升存储的速度和带宽的增加来提升计算效率。英伟达最新的Pascal也用了这个技术。
第二、充分利用带宽
在内存成为瓶颈的时候，现在大量带宽没有充分利用，比如通常现在的DDR（内存）存储接口，一次读的是一块数据，而有很多数据读取是浪费的，里面被充分利用的数据可能只是一小部分。
所以思考如何充分利用带宽是一个优化的方向。
第三、提高单个字节的计算量(computation per byte)
计算数据来自于外部存储，如果把一个字节读完，一次计算就送回来，一读一写总I/O就是2倍的数据量也就是2字节。
如果把一个字节读完，然后把所有相关的计算尽量多做，比如八次计算全部完成只需要一次读写操作，那么单个字节的计算量就翻了八倍。
