等女友拾掇好，品尝一番菠萝味的唇膏，两人这才晃晃悠悠下楼，赶往张江高科技园区，极光云总部。
公司自研的专用AI加速卡，骄阳100，已经开始小规模部署。
微光1明天才开售，闲来无事，洛川索性过来瞧瞧热闹，顺便和王建教授聊一聊，后续的研发路径。
骄阳100，是基于RISC-V开源架构，定制的专用硬件架构。
并针对LSTM的时序计算模块，以及Transformer的自注意力并行计算单元，专门定制了硬件单元。
如专门加速矩阵乘法、门控运算的电路等。
这使得骄阳100，天生就适配这两种模型的计算逻辑。
前者已经初步应用于语音识别、信息流内容推荐等领域。
后者在学术界，已经有了基础理论，但还没形成完整的Transformer模型概念。
不过在洛先知的指引下，这两种架构，已经初步运用到了极光旗下的各个平台之中。
当前，AI仍处于深度学习崛起初期。
为数不多的玩家，基本都是通过FPGA加速卡或CPU做AI加速，连GPU加速都刚起步。
FPGA加速卡，可简单理解为“万能积木电路板”。
它的特点是，硬件电路不是固定死的，而是像积木一样，可以现场编程，通过软件临时“拼”出适合当前任务的电路。
属于“样样通，样样松”。
不过当前的AI模型，处于百花齐放的阶段，没有统一标准。
FPGA加速卡可快速适配不同算法的特性，倒也算是契合当下的状态。
而极光自研的“骄阳100”，则像是“LSTM/Transformer专属高速芯片”。
直接跳过了“通用可编程”的路线，牺牲部分通用性，换取这两种模型的极致效率。
同样算力下，功耗更低，速度更快。
比如，训练一个语言模型时，同样的数据量，骄阳100的速度比CPU快10倍以上，比FPGA快5倍以上！
且由于不需要像FPGA那样“万能积木”式的通用电路，硬件更加精简，功耗至少可降低30%以上，大幅降低计算成本。
之所以选择这种极端路线，是因为洛川清楚的知道，这两种模型，正是未来AI大模型的核心。
Transformer架构，更是大模型的核心底座！
当然，初代产品的性能，不论是算力，还是能效比、内存带宽等，都还远远不足以支撑超大规模分布式训练，仍需继续优化迭代。
不过倒是可以先搞一个“亿级参数模型”玩玩~
目前，他们已经在数据中心划出了独立集群，小规模部署骄阳100，适配极光云的特定业务，以验证算力卡的实际性能。
如悠米视频的视频理解模型，悠米社区、极光微博的文本分类模型，微光基金的数据分析模型等等。
等世博会那边谈妥之后，也会单独构建一个模型。
而后针对实验中发现的问题，以及海量数据的反哺，持续优化迭代。
等稳定性和兼容性达标后，再向核心业务推广。
如极光云的通用AI算力租赁、口袋钱包的数据分析等等。
此外，还需要开发一套，类似于英伟达CUDA的并行计算架构，以及专用的全流程工具链，兼容CUDA代码迁移。
并建立开发者社区，培育自家开放生态。
至于下一步的升级迭代路径，洛川也已经有了大致思路。
即采用更先进的制程，提升算力密度的同时，引入存算一体架构。
就相当于把计算单元和内存“粘在一起”，数据不用来回搬运，直接在内存里算，可有效解决模型的“内存墙”问题。
如此一来，算力可瞬间提升数倍，功耗也大幅降低。
同时还需开发“云-芯协同”协议，并进一步优化芯片间的高速互联协议，以实现千卡级集群的分布式训练。