2026年7月13日，軟體工程師Ryan Peterman在他的播客The Peterman Pod上發布了一期與David Patterson的長對話。Patterson是加州大學伯克利分校榮休教授、Google DeepMind傑出工程師，因與斯坦福大學John Hennessy共同開創RISC，即精簡指令集架構，以及電腦體系結構的量化研究方法，兩人在2017年共同獲得圖靈獎。伯克利後來在Patterson的RISC研究基礎上發展出了開源指令集架構RISC-V，Patterson現任RISC-V國際基金會董事會副主席。他們合著的《電腦體系結構：量化研究方法》是這個領域的標準教材，2026年剛出了第7版。
Patterson最近的工作集中在Google TPU上。2026年6月，他和同事在arXiv上發表了一篇論文，回顧了TPU從第二代到最新一代Ironwood的五代架構演進。在播客中他提到了一個令人意外的結論：過去十年，TPU的基本架構藍圖幾乎沒有變過。
這是一個跨度極大的對話。Patterson從1980年代他親歷的RISC與CISC之爭講起，一路講到摩爾定律失速後CPU、GPU、TPU三條路線的分化，再到他半個世紀職業生涯中關於勇氣、幸福和遺憾的個人反思。以下是這場對話的完整梳理。
RISC指令雖然多出30%到40%，但每條指令執行速度快4到5倍，淨效果是3到4倍的性能提升。 但在1980年代，這些數字尚不存在，爭論還停留在哲學層面。
1970年代微處理器剛被發明時基本是個玩具，放在微波爐之類的東西里。Patterson和Hennessy這樣信奉摩爾定律的人相信，隨著電晶體每一兩年翻倍，微處理器終將成為真正的電腦。但早期設計晶片的人不是電腦架構師，他們直接模仿IBM大型機和DEC小型機的做法，用越來越多的電晶體去構建越來越複雜的指令。這就是CISC，即複雜指令集的路線。
Patterson用了一個比喻：CISC像一本塞滿多音節長詞的詞典，RISC像一本全是單音節短詞的詞典。CISC陣營的哲學是，更高級的指令集縮小了編程語言與硬體之間的抽象差距，讓編譯器的工作更輕鬆。RISC陣營的賭注則押在另一面：編譯器會越來越聰明，能自己處理這個差距，沒必要把硬體做得那麼複雜。
爭論之所以持續這麼久，是因為缺乏數據。Patterson回憶說，當時的教科書"像產品目錄一樣"，羅列一台電腦的全部特性，再羅列另一台的，沒有量化比較的框架。整個爭論更像中世紀經院哲學式的辯論，他比喻為"針尖上能站幾個天使"那種討論。 直到他和Hennessy的團隊真正跑了數據，答案在幾年之內就清楚了。
Patterson深入了一層解釋了CISC為什麼會慢。早期電腦用一種叫"微程序控制"的方式實現複雜指令。計算先驅Maurice Wilkes發明了這種方法：在硬體內部放一個用簡單微指令寫成的解釋器，逐條解釋上層的複雜指令。微指令本身可以寬達100多個比特，相當複雜。在1960年代儲存技術有限的條件下，這種方案是合理的。但解釋執行的性能代價是編譯執行的5到10倍。到了1980年代，直接編譯到簡單指令已經可行，微碼解釋器就成了純粹的包袱。Patterson說他認為過去20年沒有人發明過需要微碼解釋器的新指令集。
有人在網上寫文章說CISC贏了。Patterson的回應是："這是一種極其短視的看法。" 他指出，x86架構之所以在PC時代占主導，是因為軟體以二進制分發，一旦x86確立了生態，切換的成本高到幾乎不可能。這是商業鎖定，不是技術勝利。連Intel自己也在2000年代初開始把x86指令在硬體內部翻譯成RISC微操作來執行。Patterson說這在商業上完全合理，為了PC軟體生態的價值多付一層翻譯開銷是值得的，但這恰好證明了RISC在技術層面已經勝出。
RISC架構的最終證明來自一個意想不到的方向。1980年代英國的Acorn公司覺得市面上的晶片不夠快，受Patterson和Hennessy論文的啟發自研了Acorn RISC Machine，也就是後來的ARM。RISC的好處之一是更簡單、更省電。Apple為Newton選晶片時看中了這一點。Newton是Apple最早的手持設備，後來iPhone的前身。合作後Apple把名字從Acorn RISC Machine改成了Advanced RISC Machine，去掉了Acorn的品牌印記。Newton商業上失敗了，但驗證了RISC在移動設備上的優勢。Nokia的GSM手機緊隨其後擁抱ARM，從此ARM統治了整個移動計算領域。
Patterson給了一個數字：ARM架構的處理器累計出貨量已超過3500億顆。如今99%的電腦處理器都是RISC架構。 Apple的Mac已經從x86遷到自研ARM晶片，Amazon、Microsoft、Google也都在開發ARM伺服器。x86的市場份額在收縮，RISC在擴張。在這種格局下說CISC贏了，Patterson覺得只有把"電腦"定義為"2000年以前的PC和伺服器"才能得出這個結論。
"Well, we don't need that." 這是Patterson在早期研究中反覆從編譯器工程師那裡聽到的回答。CISC架構師憑直覺設計了許多複雜指令，認為這會幫助編譯器，但寫編譯器的人看了說不需要。
Patterson舉了一個具體例子：有個專門為過程調用入口設計的指令，做了許多架構師以為編譯器需要的工作，結果編譯器工程師說用幾條簡單指令拼起來反而更快。整個局面變得荒謬：你為了支持複雜指令多付了微碼解釋器的開銷，編譯器卻根本不調用這些指令。而且做出"複雜指令會幫助編譯器"這個判斷的始終是架構師本人，編譯器工程師從未提出過這樣的需求。這個論點聽起來合理，但從來沒經過編譯器一方的驗證。
編譯器在這場爭論中的角色還有另一面。早期編譯器的寄存器分配效率極差，電腦還不夠快來運行高級的分配算法。C語言發明時，Dennis Ritchie和Ken Thompson用它寫了Unix作業系統，在此之前作業系統是用匯編寫的。但因為編譯器分配寄存器的能力太差，C語言不得不保留register關鍵字，讓程序員手動指定哪些變量放在寄存器里。寄存器是處理器內部的高速儲存單元，比主內存快得多，但編譯器當時沒有能力高效利用它們。
RISC陣營的對策直截了當：CISC架構通常有8個或16個寄存器，RISC一口氣給了32個。 邏輯是即使編譯器的分配算法不夠好，寄存器足夠多時大多數時候也夠用。摩爾定律讓多加寄存器的硬體成本可以忽略不計。RISC的整體論點是一個技術賭註：編譯器算法會變好，簡單指令配合更多寄存器比複雜指令配合微碼解釋器更高效。事後看，這個賭注贏得乾淨利落。
大多數人知道摩爾定律，晶片上的電晶體數量每一兩年翻倍。但很少有人知道另一條同樣重要的物理規律：Dennard縮放。Patterson和Hennessy的教科書1990年出第1版、2000年出第3版，前三版根本沒有討論功耗問題。 原因是Dennard縮放在持續生效：每次縮小製程時，閾值電壓也在降低。閾值電壓是晶片用來區分0和1的電壓門檻，降幅是平方級的，所以電晶體翻倍但功耗基本持平，處理器一直穩定在二三十瓦。
大約在2005年，Dennard縮放失效了。Intel甚至有一代處理器因為功耗太高而失敗。Patterson給了一個思想實驗來說明差距有多大：如果Dennard縮放還在持續，按原來的速度算，今天應該有100太赫茲的處理器。 如果真有100太赫茲的通用處理器，GPU仍然只是一個小眾產品，根本不需要領域專用架構。但現實是，2005年前後處理器頻率就到了兩三個吉赫茲，今天基本還是兩三個吉赫茲，二十年幾乎沒有變化。
Dennard縮放失效後的第一步應對是多核。在此之前，對程序員和所有人來說最理想的狀態是一個強大的單核處理器把所有事做完。但做不到了，所以從一個強核變成兩個、四個、八個較簡單的核，把利用摩爾定律額外電晶體的責任交給程序員去做並行化。 這是一個沉重的轉移。1980到2000年代，你朋友的新筆記本可能比你的快四倍，嫉妒得想換。到了2010年代，新機器沒快多少，只有壞了才換。你再也不會因為朋友的電腦更快而扔掉一台完好的機器了。
多核撐了大約十年。到2015年前後，摩爾定律本身也開始放緩，通用處理器幾乎不再有戲劇性的進步。架構師的下一步棋是領域專用架構：如果你告訴我只需要做哪一類計算，我就能把資源重新調配，在這個窄領域做到遠比通用處理器更高效。當然代價是有些事你要麼做得差，要麼根本做不了。那麼關鍵問題就變成了：選哪個領域？恰好在2012到2015年，機器學習和AI爆發了。方向不言自明。
2000年前後GPU出現時，它只有一個任務：渲染圖形。不需要支持虛擬內存，不需要支持編譯器，只需要把遊戲和電影的畫面算好。Patterson說GPU連不需要編譯器這一點在當時就是個激進的想法，因為編譯器對傳統架構師來說幾乎是神聖的。為了圖形性能，GPU採用了大量硬體多線程：發出一個內存請求後，硬體會自動切換到另一個線程繼續幹活，等內存數據回來再切回去。這是一種高度面向內存延遲的設計。GPU的浮點精度也比較窄，32位甚至16位就夠了，圖形渲染不需要64位科學計算那種精度。
GPU有自己一套獨立的術語體系，和主流處理器設計的語言不同。Patterson說他和Hennessy在教科書里專門做了一張"羅塞塔石碑"式的對照表，把Nvidia的術語翻譯成傳統架構的概念。GPU就是這麼一個游離於電腦架構主線之外的獨立分支。
作為消費級產品，GPU只賣幾百美元，但浮點性能按每美元計算遠超CPU。有些人想到一個辦法：如果把自己的計算問題偽裝成圖像生成任務，就能利用這些廉價的浮點性能。Nvidia創始人兼CEO黃仁勛看好這個方向，2006年資助開發了CUDA，全稱Compute Unified Device Architecture，一種專為GPU多線程架構設計的類C編程語言。你不能直接編譯C程序運行，但比把問題偽裝成圖像生成容易多了。
Patterson說黃仁勛的願景是讓那些在地下室玩遊戲的少年學會編程GPU，同時盯上了幾個特定市場，比如美國能源部實驗室的流體力學模擬。Nvidia為這些場景構建了專用庫，GPU由此從圖形引擎開始向通用計算破圈。但在當時這仍然是一個小眾市場。
轉折點出現在2012年。多倫多大學的Alex Krizhevsky修了一門CUDA課程，用兩塊Nvidia GPU訓練了一個叫AlexNet的神經網路，參加了當年的ImageNet圖像識別競賽。他是當年唯一使用神經網路的參賽者，結果碾壓了所有對手。 這件事之前，神經網路在機器學習社區只有少數擁護者，大多數人不看好。AlexNet之後幾年之內，整個領域不僅全面轉向神經網路，而且全面使用GPU。Patterson把這稱為機器學習歷史上的標誌性時刻。GPU就這樣從一個為遊戲設計的圖形引擎，意外地成為了AI時代的基礎設施。
但Google走了一條完全不同的路。
Patterson說Google是"第一家真正意識到機器學習需求規模之大、並敢於自研晶片的大公司"。他用了"feared"這個詞：Google不是看到機會才行動，而是擔心自己會被即將到來的機器學習需求淹沒。與GPU從圖形領域跨界不同，TPU完全不考慮圖形，是一張白紙上的設計。第一代TPU甚至只有一個處理器核心，不像GPU那樣堆砌大量小核心。它的設計邏輯是徹底圍繞機器學習的特性做減法。
第一個減法在核心架構上。神經網路的核心運算就是矩陣乘法，所以TPU把晶片面積的大頭給了一個巨大的矩陣乘法單元。通用處理器上占大量面積的多級緩存被直接去掉了。緩存的本職工作是讓硬體自動猜測哪些數據會被反覆使用，把它們留在高速儲存里。但機器學習工作負載的內存訪問模式是可預測的，你不需要硬體來猜，用軟體提前調度就行，效率反而更高。所以TPU用軟體管理的內存替代了硬體緩存。
第二個減法在浮點格式上。傳統科學計算用64位浮點，其中不到10位給指數、50多位給小數精度。機器學習需要的是數值範圍而不是精度，所以Google發明了bfloat16格式，把指數位做得比小數位更寬。 這在當時是一個相當激進的想法，此前沒有人做過指數位寬於小數位的浮點格式。這個格式出自Google內部的Brain研究組，名字"brain float"由此而來。
Google在2016年Google I/O大會上公開宣布第一代TPU時，它在推理性能上比同期GPU快約30倍、比CPU快約80倍。 Patterson說這一發布"震動了所有人"：Intel開始收購公司，Nvidia開始調整設計方向，一批超大規模公司開始自研AI晶片。他認為TPU的發布是這個領域的分水嶺時刻。那次發布讓整個行業意識到，專門為機器學習設計硬體不只是可行的，而且效果可以好到這種程度。
DRAM密度過去每3年翻4倍，像時鐘一樣精確。現在大約10年才翻一倍。晶片上用於快速存取的SRAM幾乎不再改善。邏輯門還在進步，但改進是碎片化的，不再是所有部件同步提升。這就是Patterson眼中摩爾定律的真實現狀：沒有一條簡單的指導性定律了，你必須分別判斷每個技術維度的改進速度，然後組合起來做設計決策。
Patterson也理解半導體行業對這個問題的情感反應。如果你幹了幾十年的事就是"我維持摩爾定律，這就是我做的事"，有人說摩爾定律結束了，那等於說你的職業使命不存在了。但他的態度是看數據就好，數據不支持"摩爾定律還好好的"這個說法。
那Nvidia和Google是怎麼做到每一代ML處理器仍然大幅提速的？Patterson列出了幾個驅動力。一個是先進封裝技術。過去最好的做法是把所有東西放在一塊晶片上，現在晶片已經大到了光刻機的物理極限，一塊晶片就占滿了整個光刻窗口，叫做滿光罩設計。最新的GPU和TPU實際上是把兩塊滿光罩晶片封裝進同一個封裝體裡。從外面看電晶體數量好像還在按摩爾定律增長，但打開看裡面已經不是傳統的單片了。還有浮點格式的持續壓縮，從64位到32位到16位到8位甚至4位。矩陣乘法單元也在不斷做大做快。
Patterson提到他剛發表的那篇TPU論文，2026年6月上arXiv，即將發表在IEEE Micro 2026年7/8月刊。回顧五代TPU後他發現，TPU的基本架構模組，包括大矩陣乘法單元、HBM高頻寬儲存器、向量單元，從第一代訓練TPU到現在幾乎沒有本質變化。 那些在2015年前後做出初始設計的工程師，做了一個管用了十年的判斷。
在競爭格局上，Patterson對CUDA護城河有獨到判斷。人們常說Nvidia有"CUDA護城河"，但Patterson指出護城河中更大的部分是庫，不是編程語言本身。 Nvidia是一家有大量工程師的公司，每次發布新架構都同步推出針對每個重要應用定製的優化庫。有時候甚至會為特定應用重寫整個庫。這對創業公司構成雙重打擊：一方面創業公司在軟體投入上不夠，另一方面即使硬體出色，沒有配套的優化庫也難以在基準測試中展示真正實力。Patterson參與創建了MLPerf，後來更名為MLCommons，試圖建立統一的基準測試標準，類似CPU時代的SPEC基準測試。但由於性能不僅取決於硬體架構，還取決於配套的庫和編譯器，Nvidia憑藉工程師人數優勢在MLPerf上表現極好，不是所有廠商都願意參加。
Google走了另一條路：更多依賴編譯器來做優化，而不像Nvidia那樣重度依賴人工調優的庫。Google的TPU直到最近都只在內部使用或通過雲服務提供，沒有作為獨立晶片對外銷售。
Patterson最近寫了一篇文章叫《我職業生涯前半個世紀的人生經驗》，一共總結了16條建議。他早年有一個系列演講專門用反面教材教人做事：先講如何做一場糟糕的演講，後來講如何搞砸一個職業生涯，再後來是如何搞砸一個研究實驗室，最近講的是如何讓AI有一個糟糕的碳足跡。在播客中他展開講了其中幾條核心建議。
Patterson在伯克利當年輕教授時，有一次深夜開車送一位資深教授回家。對方下車前說了一句話："Dave，如果可以重來，我希望我多陪陪家人。"Patterson說他從那以後再也沒讓自己走到可能說出同樣話的境地。沒有人在臨終時會說"我希望當初多花點時間在辦公室"。
在財富和幸福之間，Patterson一輩子都選擇幸福。他在1950年代長大，當時的觀念是有錢等於快樂，但他認為這是兩個不同的目標。在他所在的領域，優化幸福並沒有造成物質上的犧牲。他現在還踢足球、騎車、舉重、衝浪，和妻子兒子一起做各種事。心理學家已經研究清楚了幸福的要素：喜歡的工作、朋友和家人、幫助他人、與某種更大的東西連接，可以是宗教信仰，也可以是大自然的壯闊。Patterson說滿世界都是不快樂的億萬富翁，如果錢能買到幸福，這些人為什麼還在憤怒？
Patterson讀博快結束的時候讀了Studs Terkel的《Working》，這本書採訪了各種職業的人，讓他們回顧自己的職業生涯。Patterson發現一個規律：那些工作核心是和人打交道的，比如牧師、老師、醫生，對自己的職業感到滿足；而做更短暫的、物質性的工作的人，滿足感要低得多。後來他和一位退休的工程學院院長出去吃飯，對方說了一句話："Dave，回頭看，重要的不是項目，是一起工作的人。" Patterson說他很久以前就知道這個道理。
在職業策略上，Patterson提到Stephen Covey的緊急/重要四象限框架。郵件、消息、各種通知不斷把人拉向"緊急但不重要"的格子，你需要自律來給"重要但不緊急"的事留出時間。他在Google看到有些經理的日曆從早8點到晚6點、每半小時一個會議、一周五天全排滿。Patterson不理解這種狀態下人怎麼有時間思考和反省。
他還分享了一個頓悟時刻。有一天早上他像被雷擊中一樣醒來，腦子裡一句話："It's not how many things you start, it's how many things you finish." 此前他同時做著很多事情，從那以後一次只專注一件主要的事。寫教科書時，教科書就是唯一的主線；當系主任時，系主任就是唯一的角色。Hennessy也說過類似的話：一輩子人們只會記得你做成的五六件事，不會記得幾百件小事。
關於勇氣，Patterson說這部分源於個人經歷。小時候他是班上最矮小的孩子，父母鼓勵他學摔跤，摔跤給了他身體上的自信。在學術和職業上他將這種品質延伸為"看到不對的事情就要站出來"，即使對方是公司領導，如果論點站不住腳，有人指出來對所有人都更好。他引用了一句兩千年前的古訓：fortune favors the bold，財富偏愛勇者。 連Helen Keller都說過，就算你想安全行事也照樣會遇到麻煩，那還不如大膽一點。一位資深教授給過他一條告誡："Friends come and go, but enemies accumulate." 朋友來來往往，但敵人只會越積越多。在重要的事上要有勇氣站出來，但不要輕易樹敵，因為敵意的保質期比友誼長得多。
Patterson還用一個私人故事說明樂觀的價值。16歲時他鼓起勇氣問女朋友能不能只跟他交往，對方說"Dave你人這麼好，我都不知道怎麼拒絕你"。Patterson作為一個邏輯導向的人覺得這聽起來像答應了，就高興地抱了上去。女孩當時想著過幾天委婉回絕就好。59年後，他們仍然在一起。有人問怎麼維持這麼久的婚姻，Patterson把秘訣濃縮成九個字，三句話：I was wrong. You were right. I love you. 三句都要說完，不能替換，不能說到一半變調。雙方都適用。
對話快結束時，主持人問Patterson如果能回到年輕時給自己一個建議會說什麼。Patterson說他剛到伯克利時冒名頂替綜合徵嚴重，一個UCLA畢業的博士突然成了伯克利教授。但後來他想通了："反正大概也拿不到終身教職，那就好好享受過程吧。"這種心態反倒讓他放開了手腳。
但有一件事他真的想改變。Patterson當年擔任電腦架構學術社區SIGARCH的主席，負責組織年度會議。他後來才知道，在那些會議上有男性在騷擾年輕女性參會者。他當時完全沒有意識到這件事在發生。"我覺得沒有人會做這種事，只有白痴才會做，不可能發生。但它確實在發生。"Patterson說如果能穿越回去，他會找出那些人，終結這種行為。這是他半個世紀職業生涯中唯一真正的遺憾。
Patterson的對話主線：技術決策需要量化依據而不是哲學直覺。RISC與CISC的爭論之所以持續那麼久，是因為缺乏數據；一旦有了數據，答案幾年之內就清楚了。同樣的量化思維延伸到了AI晶片設計：TPU之所以做到30倍於GPU的推理性能，是因為回到了基本面，ML的核心運算是矩陣乘法，精度不需要64位，內存訪問模式可預測，圍繞這些事實設計硬體就行。
而在技術之外，Patterson傳遞的信號是：優化幸福比優化財富重要，在乎人比在乎項目重要，完成比啟動重要，勇氣讓你走得遠但敵人會積累，樂觀有時候真的管用。
Q1: 為什麼說CISC贏了是短視的？x86在PC時代的主導地位來自二進制軟體分發造成的商業鎖定，連Intel自己都在內部翻譯成RISC微操作執行。如今99%的處理器採用RISC架構，ARM晶片累計出貨超過3500億顆。Apple的Mac已從x86遷到ARM，三大雲廠商也在自研ARM伺服器晶片。定義"電腦"為"2000年之前的PC"才能得出CISC贏了的結論。
Q2: TPU的設計邏輯和GPU有什麼本質區別？GPU是從圖形引擎跨界而來，帶著多線程和較窄浮點的圖形遺產。TPU是面向機器學習的白紙設計，做了三個關鍵減法：用矩陣乘法單元替代通用計算資源，去掉多級硬體緩存改為軟體調度，發明bfloat16把指數位做得比精度位寬。結果第一代TPU推理速度比同期GPU快約30倍、比CPU快約80倍。TPU的基本架構十年沒變，說明初始設計判斷極為準確。
Q3: 摩爾定律現在到底是什麼狀態？電晶體數量不再均勻翻倍。SRAM幾乎不改善，DRAM密度從每3年翻4倍變成約10年翻一倍，處理器頻率從2005年起基本停在兩三個吉赫茲。但技術仍在進步，靠的是chiplet封裝把兩塊滿光罩晶片封在一起、浮點格式壓縮到4位、矩陣乘法單元做大做快等碎片化改進的組合。Patterson的判斷是，不存在一條簡單的指導性定律了，必須分別跟蹤每個維度。
