尽管“算力融合”才是未来，但现阶段想要做好并不容易。

众所周知，如今“AI PC”可以说是消费电子行业最为热门的话题之一。对于一些不太了解技术细节，但却对这个概念心向往之的消费者而言，他们相信“AI PC”可以更智能地帮助自己完成一些不熟练的操作，或是减轻日常工作的负担。

但对于像我们这样，对“AI PC”既抱有极高期待、但同时又相对比较了解的用户来说。很多时候思考的其实是AI PC早就出现了，可为什么到现在才被真正推行起来？

AI PC到底有多早？其实7年前就已经出现了

且不论那些专业的超级电脑，对于个人消费者来说，“AI PC”到底是什么时候开始出现的？

从CPU的角度来说，答案是2019年。因为在这一年的第10代酷睿-X处理器（比如i9-10980XE）上，Intel就首次引入了专门用于加速16位运算的“DL BOOST”指令集。并在之后将其普及到了定位更低的10代酷睿移动版、11代酷睿全系产品上，让它们能在处理深度学习、AI应用时，理论上效率比以前高了整整一倍。

而从显卡的角度来说，更是早在2017年消费级市场就迎来了首款内置Tensor Core的“AI显卡”——NVIDIA TITAN V。根据公开的技术资料可知，它集成的640颗初代Tensor Core单元，在FP16模式下可提供119TFlops的AI加速算力。

有意思的是，如果对数值敏感，你可能就会意识到，这款7年前的老显卡，AI算力甚至还比最新的很多“AI PC”所宣称的算力水平，还要高了10倍以上。

NPU的AI性能不算高，可为什么还要用它们呢

那么为什么会出现这样的情况呢？根据我们的实际使用经验来说，其实主要源自三个方面。

首先，是能效问题。的确、现代的CPU和GPU其实都具备一定得AI加速能力，特别是GPU的AI算力更是惊人。但CPU的AI计算效率确实算不上高，而GPU拿来算AI时的高功耗，对于像笔记本电脑这类设备来说也是无法忽视的，所以处理AI比CPU更快、比GPU更省电的NPU，自然也就有了省电方面的价值。

有的朋友可能会说，如果用算力更高的设备在更短的时间里算完，是不是也能省电呢？确实是这个道理，可问题在于对当下的“AI PC”来说，AI任务不一定都是像视频超分处理、生成式图像这样的高算力需求，也有可能像是AI语音助手、AI性能调度之类需要常驻后台，以最低延迟随时给出反馈的用例。

很显然，这种时候笔记本电脑就不可能允许CPU或GPU一直处于高功率状态，去满足这种“随时维持的AI应用”需求了。

AMD基于GPU的端侧AI大模型聊天功能，就非常吃显卡性能

而且从实际的使用场景来看，目前大量的常用PC程序、常见游戏都并非是基于“AI”，这意味着如果一直用CPU或GPU去分担AI算力，那么它们就相当于会降低电脑的性能。很显然，除了专门做AI相关工作之外，绝大多数的用户都不会愿意看到这种情况。

“算力融合”才是未来，但要做好它并不容易

当然，就算NPU有着高能效、低功耗，可以常时启动、不影响CPU和GPU性能等好处，但想必还是会有朋友产生与我们一样的想法，为什么不能让CPU、GPU、NPU同时被用于AI运算，从而更灵活地兼顾“高性能”和“高能效”呢？

其实从理论上来说，这当然是可以实现的。比如根据相关资料显示，高通就在他们即将上市的骁龙X Elite系列里，做到了CPU、GPU、NPU都能参与AI运算，甚至可以根据代码类型、任务负载的不同实现自动分配的“异构协同”设计。

不过从它身上，我们其实也正好可以窥见其他“AI PC”硬件方案，难以实现不同处理单元协同运算的原因所在。说白了，问题就是出在了大家“各自为战”的产品构成上。

最新的NVIDIA驱动界面会提供一系列基于RTX显卡的AI加速功能

比如，在GPU领域，NVDIA的RTX全系、AMD的RX7000系列、以及Intel的ARC系列独显，内部其实都带有独立的AI计算单元。但NVIDIA并不造消费级PC CPU，所以可以看到他们完全不考虑与CPU的AI计算协同，反而是最近一直在更新基于显卡的AI视频超分、AI色彩强化、AI音频降噪，甚至是AI语音聊天等功能，大有主张“AI PC只要有显卡算力就够了”的意思。

相比之下，I、A两家则更尴尬一些。比如Intel的ARC独显虽然内含XMX矩阵计算单元，但其集成到CPU里的这一代ARC核显却取消了这个设计，结果就是导致目前的MTL架构CPU实际上只有内置NPU这么一个独立的AI计算单元。而且即便搭配ARC独显使用，也无法实现核显与独显的AI算力“叠加”。

AMD的CPU和GPU现在都有AI单元，但架构和软件都不通用

与此同时，AMD在他们的CPU里，使用的是来自旗下企业级计算卡的XDNA成熟架构来作为NPU单元，所以理论上有着软件更容易适配的优势。但不知为何，AMD在RDNA 3独显架构里却似乎使用了另外的AI单元设计，以至于他们到目前都还没能搞定基于AI代码的游戏画面超分功能。而且在此前演示的很多显卡AI用例里，用到的都还只是GPU本身的浮点算力，因此这也意味着它（相比于只用显卡内置AI单元的处理方式）会有着更高的功耗，而且更没法做到“边打游戏边算AI”了。

芯片厂商不团结，下游品牌就只能想方设法“自救”

说了这么多，那么这些问题是否有办法解决呢？其实还是有的。比如对于Intel和AMD来说，他们当然都有希望在未来的产品线上通过架构修正，来解决这种“算力不统一”的问题。而对于NVIDIA来说，虽然他们没有消费级x86 CPU产品线，但显然还不能排除NVIDIA未来通过ARM CPU入局Windows on ARM生态的可能。

当然，以上所说的这些，多少都相当于是将问题扔给了未来的架构、扔给了下一代的硬件平台。那么对于现在即将购机的消费者、甚至是那些早已用了很多年、内置AI单元的显卡或CPU的消费者来说，难道就完全没办法了吗？

也不至于。一方面，站在操作系统厂商的角度来说，微软当然不希望看到这种“AI PC标准分裂”的局面。所以他们其实有在驱动、API层面做一些工作，以统合不同硬件架构的AI算力。比较典型的例子，就是不管显卡（的浮点算力）、NPU、还是显卡内置的AI单元，在Windows系统中其实都归属Direct ML API统一调度，因此它们就可以实现一定程度上的算力“融合”。

另一方面，除了微软之外，PC厂商自己也会做出一些努力。通过自研的一些AI底层来试图统合CPU、GPU和NPU的算力，或是将GPU的加速API更深入地集成到系统底层里，从而强化其进行AI计算时的效率。当然，这些技术手段也是有意义的，只不过它们会受到PC品牌、有时甚至是具体产品线的制约，所以其效果或许很好，但不一定会对整个行业产生广泛的推动作用。

【本文部分图片来自网络】 

文章来自于微信公众号“三易生活”（ID：IT-3eLife），作者 “三易菌”