谷歌TPU也危机了？Graphcore推出的IPU是个什么鬼

者计算部分在一定时刻可能成为瓶颈，而另一个则不能充分使用它的功率预算。

换一种思路，我们假定计算和通信串行执行，并不重叠，都充分使用最大的能量运行。那么，无论实际工作量如何平衡，该程序都有可能在最短的时间内完成。因此，这也是一种效率更高的方式。

4. 多核通信方式

前面简单介绍了IPU采用了同构多核的方式，分布式的本地存储（没有共享存储）。另外，也介绍了它的"运算和通信的串行执行"的特色。那么在这种架构下，如何实现多个内核间的通信和同步呢？Bulk Synchronous Parallel的同步计算模型。

这又是一个上世纪80年代提出的技术。它的基本操作可以分为三个：1) 本地计算阶段， 每个处理器只对存储本地内存中的数据进行本地计算。2) 全局通信阶段， 对任何非本地数据进行操作，包括核间数据的交换。3) 栅栏同步阶段， 等待所有通信行为的结束。可以看出，这实际上和上一节介绍的 "运算和通信的串行执行"是一致的，也和IPU的多核local memory架构很一致。

5. 工具
Graphcore提供的工具叫Porlar，题图的图像就是这个工具生成的。

对于工具也不想多说了，一般大家承诺都不错，都是参照CUDA的配置，但实际效果。。。也只能试用了再评判。不过Graphcore目前只有50名员工，工具能否成熟还是有疑问的。

总结：
总的来说，从目前公布的信息来看，Graphcore的IPU在架构设计上还是有很多想法的， 非常值得讨论。不过，感觉上IPU这种同构多核架构在Cloud端应用应该更合适一些。虽然他们认为IPU的架构有很好的伸缩性，放到Edge 和Embedded应用也没问题，但我个人感觉是，这种架构顶多支持到自动驾驶，对于功耗成本要求更严苛的需求，还是更专用的架构（异构架构）更合适一些。