在后摩尔定律时代，「现在是成为计算机架构师的最好时机」。
2017 年图灵奖得主、加州大学教授、谷歌工程师、RISC 架构先驱 David Patterson 说，现在是成为计算机架构师的最好时机。
因为摩尔定律已经失效了，他说：「如果摩尔定律仍然奏效，那么我们现在会比应有的技术水平落后 15 倍。如今，我们正处于后摩尔定律时代」。
上周在圣何塞举行的 2018@Scale 会议上，Patterson 告诉参加会议的工程师：「我们习以为常的性能提升速度已经难以为继了。在计算机性能每 18 个月翻一番的时代，人们会扔掉那些仍然运行良好的台式机，因为朋友的新电脑要快得多」。
但是他在去年说：「单个程序的执行性能仅仅提高了 3%，所以按照这个速度得 20 年才能让性能翻一番。如果你还傻傻地等待芯片变得更快，那你就有的等了！」
对于像 Patterson 这样的计算机架构师来说，这其实是一个好消息。他指出，这对于创新的软件工程师来说也是好消息。「我们急需开发出专为特定计算任务量身定做的革命性新硬件架构和软件编程语言，」他说，「如果人们愿意致力于这方面的研究，那么图灵奖非他们莫属。」
Patterson 举出了一个软件编程方面的例子：将 Python 重写为 C，程序的运行速度将提升 50 倍。如果再加入各种各样的优化技术，运行速度还会显著提升，他说：「将 Python 程序的性能提升 1000 倍也不是完全不可能」。
至于硬件，Patterson 认为针对特定领域开发的架构会运行得更好。他说：「这并不是魔术，我们刚好能够做到这些事情。」例如，并不是所有的应用都要求计算结果达到同样的准确度。他说，对于某些应用来说，你可以使用比我们常用的 IEEE 754 标准精确度更低的浮点运算。
Patterson 说，机器学习是现在最可能应用这些新架构和语言的场景。「如果你从事硬件研究，你会想要朋友需要更多计算机。」而机器学习「对算力的需求极大，这令我们非常高兴」。
Patterson 称，如今研究者围绕哪种类型的计算机架构最适合机器学习展开了激烈的讨论，而许多公司也将宝押在了这些架构上。谷歌开发了自己的张量处理单元（TPU），其每个芯片都拥有一个核心，并且使用软件控制的内存代替了缓存；英伟达的 GPU 拥有 80 多个核心，而微软正采用 FPGA 解决方案。英特尔「正试图对所有的计算机架构投入力量」，既推广将传统的 CPU 用于机器学习，又收购了 Altera（为微软提供 FPGA 的公司），还买下了 Nervana（该公司拥有与谷歌 TPU 类似的专用神经网络处理器）。
Patterson 说，除了这些为机器学习提供不同架构的主要公司，还有至少 45 家硬件初创公司正在该领域进行角逐。最终鹿死谁手由市场决定。
「这是计算机架构最好的黄金时代。」
