加州大学教授、 Google 工程师和RISC先驱David Patterson说，现在是做一名计算机架构师的最好时机。

　　这是因为摩尔定律 时代已经 结束了，他说 ： “如果摩尔定律仍然有效，我们现在就不会比我们 应该达到的水平落后15倍。我们处在后摩尔定律时代。 ”

　　Patterson对参加上周在圣何塞举行的2018年@Scale会议的工程师们说，“我们已经习以为常的 性能扩展 速度现在已经难以为继 。 过去， 性能每隔18个月翻一番， 在性能每次翻番时， 人们就会扔掉那些 还 运行良好的台式 计算机 ，因为某个朋友的新电脑要快得多。 ”

　　但在去年，他说，“单个项目的性能只提升了3%，所以要每20年 才会翻一番 。如果你只是坐在那里等待芯片变得更快，你将不得不等待很长时间。 ”

　　对于像Patterson这样的计算机架构师来说，这实际上是个好消息。他指出，这对创新软件工程师来说也是好消息。“专为处理特定类型的计算问题而设计 的 革命性的新硬件架构和新软件语言，正 在 等待 着被开发出来 ， ” 他说 ，“ 如果 有人 愿意致力于这些事情，那么图灵奖就等着 他来 拿 了 。 ”

　　Patterson 举了 软件方面的一个例子 。他指出，将Python重写为C可以使性能提高50倍。加上各种优化技术， 性能提升 会 更加 显著。他 表示 ，“ 通过改写 Python ，实现 1000倍的 性能提升也 并 非天方夜谭 。”

　　在硬件方面，Patterson认为特定领域 架构 （domain-specific architectures）表现更好，他说：“这不是魔术， 那刚好是我们能做的一些事情。 ”例如，并非所有的应用都要求计算达到相同的精确度水平。他说，对于某些 应用 ，你可以使用比常用的IEEE 754标准更低精度的浮点运算。

　　Patterson说， 目前 应用这 样的 新架构和 新 语言的最大机会 领域 是机器学习。“如果你是做硬件的，”他说，“你会想要迫切需要更多电脑的朋友。”机器学习 “ 对计算 是 贪婪的， 我们爱它这一点 ”。

　　他说，如今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争论，许多公司都下了注。 Google 有张量 处理器（ TPU ） ， 它 每个芯片一个核 ，使用 软件控制 的 内存 而非 缓存 ； Nvidia的GPU有80多个核 ；而Microsoft 正在 采用 FPGA 方法 。

　　他说， Intel“ 正试图 在所有篮子里下注” ， 向 机器学习营销传统的 CPU ，收购Altera （ 向 Microsoft 提供FPGA的公司 ） ，以及收购 拥有其专门的神经网络处理器的 Nervana （此处理器 类似于 Google 的TPU ） 。

　　Patterson 说， 除了这些为机器学习提供不同架构的 大 公司外，至少有45家硬件初创公司正在解决这个问题。他说， 最终将由 市场决定 什么会留下来 。

　　他说 ： “这是计算机架构的黄金时代。”