計算機的興起不僅源于技術(shù)上的成功，也歸功于經(jīng)濟力量為其提供的支持。Bresnahan和Trajtenberg創(chuàng)造了通用技術(shù)（general purpose technology， GPT）一詞用于諸如計算機這類的產(chǎn)品，這些產(chǎn)品具有廣泛的技術(shù)適用性，并且在數(shù)十年間其產(chǎn)品改進和市場增長可以相互促進。但是，他們還預(yù)測到GPT可能會在其生命周期的后期遭遇挑戰(zhàn)：隨著進展放緩，在一些特定的市場定位上，其他技術(shù)可以取代GPT并破壞了這一經(jīng)濟持續(xù)增長的周期。今天，我們能夠觀察到這樣的轉(zhuǎn)變：由于中央處理器（CPU）的改進速度減慢，諸多應(yīng)用程序轉(zhuǎn)而使用專用處理器，例如圖形處理器（GPU），雖然它能夠完成的工作比傳統(tǒng)的通用處理器要少，但是在實現(xiàn)特定功能的時候表現(xiàn)出了更高的性能。包括深度學(xué)習(xí)（一種機器學(xué)習(xí)類型）和比特幣挖掘在內(nèi)的許多備受關(guān)注的應(yīng)用已經(jīng)在跟隨這一趨勢。

在這種背景下，我們現(xiàn)在可以更加明確這篇文章的主題：“The Decline of Computers as a General Purpose Technology”。我們并不是說計算機將失去技術(shù)能力從而“忘記”如何進行一些計算，我們的觀點是，在快速改進通用處理器的基礎(chǔ)上，零散的經(jīng)濟周期正在逐步取代使用通用計算平臺的經(jīng)濟周期，而在這種零散的周期中，經(jīng)濟學(xué)將用戶推向由專用處理器驅(qū)動的多樣化計算平臺。

這種碎片化意味著部分計算將以不同的速度進行，這對于在“快車道”中運行的應(yīng)用來說是一件好事情，在這種情況下，更新迭代保持迅速的狀態(tài)，但是對于那些不再受益計算能力提升的應(yīng)用來說，他們也因此被分配為“慢車道”。這種轉(zhuǎn)變也可能減慢計算機改進的總體步伐，從而危及這一重要領(lǐng)域的經(jīng)濟貢獻。

通用與專用計算

早期-從專用到通用。早期的電子產(chǎn)品并不是可以執(zhí)行許多不同計算的通用計算機，而是專用于完成一項任務(wù)且僅有一項任務(wù)的專用設(shè)備，例如收音機或電視機。這種專用的設(shè)備具有以下優(yōu)點：設(shè)計復(fù)雜度可控、處理器高效、工作更快、功耗更低，而缺點就在于專用處理器的應(yīng)用范圍也更窄。

早期的電子計算機，甚至那些被設(shè)計為“通用”的計算機，實際上都是為特定算法量身定制的，很難適應(yīng)其他算法。例如，1946 ENIAC雖然在理論上是通用計算機，但它主要用于計算artillery range tables，哪怕需要略微不同的計算，都必須重新手動連接計算機來改變硬件設(shè)計。解決此問題的關(guān)鍵在于需要設(shè)計出可以存儲指令的新計算機體系結(jié)構(gòu)，這種體系結(jié)構(gòu)使計算機更加靈活，能夠在通用硬件而非專用硬件上執(zhí)行許多不同的算法。這種“馮·諾依曼架構(gòu)”非常成功，目前，它依然是幾乎所有通用處理器的基礎(chǔ)。

通用處理器的崛起。許多技術(shù)引入市場時便經(jīng)歷了可以幫助它們發(fā)展的良性循環(huán)（圖1a）。最初，使用者購買該產(chǎn)品，從而為產(chǎn)品升級更新提供了資金支持。隨著產(chǎn)品的改進，越來越多的消費者會去購買它，這為下一輪的改進提供了資金，依此類推。然而對于許多產(chǎn)品而言，由于產(chǎn)品改進變得過于困難或市場增長停滯，這種循環(huán)從中短期來看在逐漸減弱。

圖1. 歷史上通用處理器的良性循環(huán)（a）正在轉(zhuǎn)變?yōu)閒ragmentation cycle（b）

在通用處理器發(fā)展的幾十年里，GPT一直能夠繼續(xù)受益于這一良性經(jīng)濟周期。其市場已經(jīng)從軍事、航天等領(lǐng)域發(fā)展到全球使用的20多億臺PC，這種市場增長推動了越來越多的投資來實現(xiàn)處理器的改進。例如，英特爾過去十年在研發(fā)和制造設(shè)備上花費了1830億美元，這部分的投資已經(jīng)帶來了巨大的回報：據(jù)估計，自1971年以來處理器性能已經(jīng)提高了約40萬倍。

另一種選擇：專用處理器。通用處理器必須能夠很好地進行多種不同的計算，這導(dǎo)致設(shè)計上不得不做出折衷，雖然有許多運算可以快速完成，但并沒有哪一個達到最優(yōu)。對于那些適合專用處理器的應(yīng)用，這樣的折衷方案會導(dǎo)致很高的性能損失。這些應(yīng)用的運行具有一些特征：

l 大量計算可以并行化。

l 要進行的計算是穩(wěn)定的，并且很規(guī)則地更替（規(guī)則性）。

l 給定計算量需要相對較少的內(nèi)存訪問（局部性）。

l 計算可以用較少的有效數(shù)字進行。

在上述的情況下，專用處理器（例如，ASIC）或異構(gòu)芯片的專用部件（例如，I.P. block）可以更好地執(zhí)行運算，因為這些硬件可以根據(jù)應(yīng)用量身定制。

在對典型CPU（主要的通用處理器）和典型GPU（最常見的專用處理器）進行比較時，可以看出專用性在某種程度上改變了處理器設(shè)計變化程度（見附表）。

表。 CPU和GPU的技術(shù)規(guī)格比較

GPU的運行速度較慢，約為CPU的三分之一，但在每個時鐘周期中，它可以并行執(zhí)行比CPU多100倍的計算。這使得對于并行性很強的任務(wù)，它的運算比CPU快得多，反之，對于那些并行性很小的任務(wù)，GPU的運行速度則會慢于CPU。

GPU的內(nèi)存帶寬通常是GPU的5-10倍（帶寬決定一次可以傳輸多少數(shù)據(jù)），但訪問這些數(shù)據(jù)的時間延遲卻要長得多（至少是最近內(nèi)存時鐘周期的6倍），這使得GPU在可預(yù)測的計算（從內(nèi)存中所需的數(shù)據(jù)可以被預(yù)測并在適當(dāng)?shù)臅r間傳輸?shù)教幚砥鳎┓矫孀龅酶?，而在不可預(yù)測的計算上表現(xiàn)不佳。

對于與專用硬件非常匹配的應(yīng)用程序，GPU在性能上的提高可能是巨大的。例如，2017年，GPU的領(lǐng)先制造商NVIDIA估計，深度學(xué)習(xí)（AlexNet與Caffe合作）在GPU上的運行速度較CPU提高了35倍以上，現(xiàn)今，該速度甚至更高。

專用處理器的另一個重要優(yōu)點是，在進行相同的計算時它的能耗更低。這對于受電池壽命限制的應(yīng)用（如手機、物聯(lián)網(wǎng)設(shè)備）和需要大規(guī)模計算的應(yīng)用（云計算/數(shù)據(jù)中心、超級計算）尤為重要。

截至2019年，十大最省電超級計算機中有九臺使用了NVIDIA的GPU。

專用處理器也有致命的缺點：它們能運行的程序范圍非常有限，也很難編程，并且通常需要一個運行操作系統(tǒng)的通用處理器來控制它們中的一個或多個。設(shè)計生產(chǎn)專用硬件也可能十分昂貴。對于通用處理器，其固定成本（也稱為非經(jīng)常性工程成本（NRE））會均攤到大量芯片上。相比之下，專用處理器的市場通常要小得多，因此每個芯片的固定成本更高。截至2018年，使用先進技術(shù)制造帶有專用處理器的芯片的總成本約為8000萬美元，而使用老一代的技術(shù)可以將成本降低到3000萬美元左右。

盡管專用處理器有很多優(yōu)點，但是它們的缺點依然非常致命，在過去的幾十年中，出GPU以外，其他專用處理器幾乎沒有被采用。專用處理器的技術(shù)僅僅采用在那些性能提升非常關(guān)鍵的領(lǐng)域，包括軍事應(yīng)用、游戲和加密貨幣挖掘領(lǐng)域。但這種情況正在開始改變。

專用處理器的現(xiàn)狀。包括PC、移動設(shè)備、物聯(lián)網(wǎng)（IoT）和云計算/超級計算在內(nèi)的所有主要計算平臺的專用性都變得越來越強。其中，PC仍然是通用性最強的。相比之下，由于電池壽命，能源效率在移動和物聯(lián)網(wǎng)中更為重要，因此，智能手機芯片上的許多電路（例如RFID）和傳感器均使用專用處理器。

云計算/超級計算也變得更趨向于專用性。例如，2018年，最大的500臺超級計算機的新增產(chǎn)品首次從專用處理器獲得了比通用處理器更高的性能。

國際半導(dǎo)體技術(shù)藍圖（ITRS）的行業(yè)專家協(xié)調(diào)了保持摩爾定律發(fā)展所需的技術(shù)改進，他們在最終報告中隱含地表達了這種向?qū)Ｓ眯缘霓D(zhuǎn)變。他們承認(rèn)，不應(yīng)再用傳統(tǒng)的“一刀切”的方法去確定設(shè)計要求，相反，應(yīng)針對特定應(yīng)用量身定制。

下一部分將探討所有主要計算平臺向?qū)Ｓ锰幚砥鞯霓D(zhuǎn)變，將對生產(chǎn)通用處理器的經(jīng)濟性產(chǎn)生的影響。

通用技術(shù)的碎片化

支持GPT的良性循環(huán)來自一系列相輔相成的技術(shù)和經(jīng)濟力量。但不幸的是，它同樣也會帶來反作用：如果這個周期中的某個部分中的改進進程變慢，那么其他部分的改進也會相應(yīng)變慢。我們將此對立點稱為“fragmenting cycle”，因為它有可能將計算碎片化為一系列松散相關(guān)的部分，這些部分以不同的速度推進。

如圖1（b）所示，fragmenting cycle分為三個部分：

l 技術(shù)進步緩慢。

l 新用戶減少

l 更難為創(chuàng)新籌集資金

這個周期背后的原理很簡單：如果技術(shù)進步緩慢，那么新用戶的人數(shù)就會減少，但如果沒有這些新用戶提供的市場增長，那么改進該技術(shù)所需的不斷上漲的成本可能變得令人望而卻步，從而減緩了進展。因此，在這種協(xié)同反應(yīng)之下，每個部分都會進一步增強碎片化。

下面，我們將詳細分析該循環(huán)三個部分中每一個的狀態(tài)，從而得到“碎片化已經(jīng)開始”已然開始的結(jié)論。

技術(shù)進步緩慢。我們用兩個關(guān)鍵指標(biāo)來衡量處理器的改進速度：“性能“”和“每美元性能”。從長期數(shù)據(jù)看，這兩個指標(biāo)均迅速提高，主要是因為晶體管的小型化致使每個芯片的晶體管擁有更高的密度（摩爾定律）和更快的晶體管開關(guān)速度（Dennard縮放比例定律）。不幸的是，由于技術(shù)原因，制造商已經(jīng)達到了現(xiàn)有材料和設(shè)計所能做的物理極限，Dennard 縮放比例定律于2004/2005年終結(jié)，摩爾定律也越來越難維持，這些技術(shù)極限需要付出極大的努力才能克服。在這個過程中，可以明顯看到小型化所帶來的“性能”和“每美元性能”的提升正在放緩。

從Hennessy和Patterson對SPECInt進度的描述（圖2 a）以及美國勞工統(tǒng)計局的生產(chǎn)者價格指數(shù)（圖2 b）可以看出，通用計算機性能的提升顯著放緩。從這些角度來看，如果“每美元性能”每年以48％的速度提高，那么10年后它的效率將提高50倍。相比之下，如果每年僅以8％的速度提高，那么在10年內(nèi)，它只會提高2倍。

圖2.微處理器的改進率，根據(jù)以下標(biāo)準(zhǔn)衡量：（a）SPECint基準(zhǔn)上的年度性能改進，（b）質(zhì)量調(diào)整后的年度價格下降。

新用戶減少。 隨著通用處理器的提升的步伐放慢，新功能的開發(fā)也會減少，從而導(dǎo)致客戶沒有更換計算設(shè)備的醫(yī)院。英特爾首席執(zhí)行官Krzanich在2016年證實了這一點，稱PC的更換率已從每4年一次提高到每5-6年一次。有時，用戶甚至?xí)^很多代處理器的升級，因為覺得它們不值得更新。在其它平臺上也是如此，例如2014年美國智能手機平均每23個月進行一次升級，但到2018年則延長到31個月。

在通用處理器發(fā)展的幾十年里，GPT一直能夠持續(xù)受益于這一良性經(jīng)濟周期。

用戶從通用處理器向?qū)Ｓ锰幚砥鞯霓D(zhuǎn)移是我們關(guān)于計算碎片化的論點的核心，因此我們將對其進行詳細討論。假設(shè)現(xiàn)在有一個用戶，他既可以使用通用處理器也可以使用專用處理器，但希望以最低的成本得到最佳性能。圖3（a）和圖3（b）給我們提供了直觀的分析，兩幅圖都顯示了通用處理器和專用處理器隨時間的性能提升情況，但是通用處理器的改進速度在兩幅圖中卻有所不同。在所有情況下，我們都假設(shè)選擇了時間T，那么專用處理器的高價格將由一系列經(jīng)過改進的通用處理器的成本所平衡，這意味著兩條曲線在成本上是相等的，因此，優(yōu)良的“性能”也意味著同樣優(yōu)越的“每美元性能”，這也是我們認(rèn)為專用處理器在這段時間內(nèi)具有穩(wěn)定的性能的原因。（在專用處理器升級這一點上，它也將獲益于通用處理器受益的改進，并且用戶將再次重復(fù)相同的決策過程。）

圖3. 最佳處理器的選擇取決于專用處理器帶來的性能提升以及通用技術(shù)的提高速度。

如果專用處理器可以提供更大的性能初始收益，那么它會更具吸引力。但是，如果通用處理器的改進從圖3（a）中的快速發(fā)展變成圖3（b）中的緩慢發(fā)展，專用處理器也變得更具吸引力。我們通過考慮兩條時間路徑中的哪一條可提供更多收益來進行建模。也就是說，如果：

式中，通用處理器和專用處理器在時間T上可提供性能分別為Pu和Ps，通用處理器的性能提升速率為r。我們在在線附錄（https://doi.org/10.1145/3430936）中展示了該模型的完整推導(dǎo)。該推導(dǎo)幫助我們從數(shù)學(xué)上估算專用處理器抵消高成本所需要的優(yōu)勢的量（圖3 c 中顯示，CPU的年改進率從48％降低到8％）。

毫無疑問，專用處理器在提供更大的加速比或?qū)⑵涑杀揪鶖偟礁蟮臄?shù)量時將會更具吸引力。但是，隨著通用處理器改進的步伐，當(dāng)專用性變得有吸引力時，這些臨界值將發(fā)生變化。重要的是，因為我們假設(shè)總體上專用處理器與通用處理器之間的進度有所不同，即假定所有處理器都能夠使用當(dāng)前最先進的制造技術(shù)，所以將不會產(chǎn)生上述的影響。相反，它的出現(xiàn)是因為必須分?jǐn)倢Ｓ锰幚砥鞲甙旱拿繂挝籒RE（一次性工程費用），以及在此期間與升級通用處理器相比之下的優(yōu)越性。

一個數(shù)據(jù)清楚地表明了這一變化的重要性。在摩爾定律的頂峰時期，當(dāng)每年的改進速度為48％時，即使專用處理器的速度比通用處理器快100倍，也就是（這是一個巨大的差距），為了獲得投資回報，還需要大約8.3萬的生產(chǎn)量。在另一個極端，如果性能優(yōu)勢僅為2倍，則需要生產(chǎn)數(shù)量要達到約1，000，000才能使專用性處理器更具吸引力。這些結(jié)果清楚地說明了為什么在摩爾定律的鼎盛時期，專用處理器的生產(chǎn)商很難進入市場。

但是，如果我們使用8％（2008-2013年的增長率）重復(fù)處理器選擇計算，那么這些結(jié)果將發(fā)生顯著變化：對于速度提高100倍的應(yīng)用，所需的處理器數(shù)量從83，000降至15，000，對于那些提速2倍的應(yīng)用，數(shù)量則從1，000，000下降到81，000。因此，在通用處理器的更新進度變慢之后，更多的應(yīng)用就會轉(zhuǎn)向?qū)Ｓ锰幚砥鳌?/p>

更難為創(chuàng)新籌集資金。2017年，半導(dǎo)體行業(yè)協(xié)會估計，為下一代芯片建造和配備制造設(shè)施（“ fab”）的成本約為70億美元?！跋乱淮笔侵感酒M一步小型化（或稱進程“節(jié)點”）。

用于芯片制造設(shè)施的成本的投資必須由它們產(chǎn)生的營收來平衡。2016年，該行業(yè)3430億美元的年收入中，多達30％來自尖端芯片，雖然收入十分可觀的，但是成本也在增長。在過去的25年中，受到光刻成本的影響，建造領(lǐng)先的晶圓廠的投資（如圖4a所示）每年增長11％。將過程開發(fā)成本包括在此估算中，將進一步使成本每年增長至13％（根據(jù)Santhanam等在2001年至2014年間進行的測算）。諷刺“摩爾第二定律”的芯片制造商都知道：芯片廠的成本每四年翻一番。

圖4.芯片制造的經(jīng)濟惡化。

長期來看，如此快速的固定成本增長對單位成本的影響僅有部分能被強勁的整體半導(dǎo)體市場增長所抵消（1996-2016m年復(fù)合增長率為5％），這使半導(dǎo)體制造商能夠在更大的數(shù)量上分?jǐn)偣潭ǔ杀?。固定成本每年增長13％與市場每年增長5％之間的巨大缺口中的剩余部分，可能將導(dǎo)致競爭力較弱的參與者退出市場，而其余參與者則通過大量籌碼來攤銷其固定成本。

如圖4（b）所示，該行業(yè)確實存在著巨大的整合，生產(chǎn)領(lǐng)先芯片的公司越來越少。從2002/2003到2014/2015/2016，擁有領(lǐng)先晶圓廠的半導(dǎo)體制造商數(shù)量已從25家減少到只有4家：英特爾、TSMC、三星和格羅方德。而格羅方德近期宣布，他們將不會繼續(xù)下一個技術(shù)節(jié)點的開發(fā)。

我們發(fā)現(xiàn)這種合并很有可能是由于固定成本快速上升且市場規(guī)模僅適度增長帶來的經(jīng)濟惡化所致。通過一些計算，可以看出市場整合在多大程度上改善了半導(dǎo)體行業(yè)額經(jīng)濟性。如果將市場平均分配給不同公司，則意味著平均市場份額將從2002/2003年的增長到2014/2015/2016年的。以復(fù)合年增長率表示，這將是14％。這意味著生產(chǎn)商可以通過市場增長并占有現(xiàn)有工廠的市場份額（13％《5％+ 14％）來彌補晶圓廠建設(shè)日益惡化的經(jīng)濟狀況。

實際上，市場不是平均分配的。英特爾在市場上占有主導(dǎo)地位，結(jié)果，英特爾也無法以這種方式抵消固定成本的增長。實際上，在過去十年中，英特爾固定成本與其可變成本的比率已從60％上升到100％以上，這一點尤為引人注目，因為近年來，英特爾放慢了發(fā)布新節(jié)點大小的步伐，預(yù)計這將降低他們進行固定成本投資的步伐。

市場整合抵消固定成本增長的能力只能持續(xù)一定時間。如果我們預(yù)測當(dāng)前趨勢，那么到2026年至2032年（取決于市場增長率），領(lǐng)先的半導(dǎo)體制造將只能支持單個壟斷制造商，并且每年為新工藝節(jié)點建造新設(shè)施的固定成本將等于年度行業(yè)收入。需要說明的是，我們的論斷并不是說這要在2020年代末成為現(xiàn)實，而是強調(diào)當(dāng)前的趨勢會無法持續(xù)，并且在大約10年內(nèi)制造商將被迫大大放慢新工藝節(jié)點的發(fā)布速度，并尋找其他控制成本的方法，這兩者都會進一步減緩?fù)ㄓ锰幚砥鞯奶嵘M度。

碎片化循環(huán)。碎片化循環(huán)周期的三個部分中，在每個部分之間都會相互增強的情況下，我們希望看到越來越多的用戶能看到通用處理器的及其微小的改進，從而轉(zhuǎn)為關(guān)注專用處理器。對于那些有極高需求和非常適合專業(yè)化計算（例如深度學(xué)習(xí)）的人，這將意味著性能上巨大的提高。對于其他人來說，專用化將不是一個合適的選擇，它們將會留在通用處理器上，并且發(fā)展速度會越來越慢。

啟示

誰會去做專用處理器。如圖3（c）所示，專用處理器將用于更換后獲得大幅度提速的應(yīng)用場景，并且需要足夠的需求量才能證明這一開銷是合理的。據(jù)此標(biāo)準(zhǔn)，大型科技公司成為最早一批投資專門處理器的公司也并不奇怪，例如谷歌、微軟、百度和阿里巴巴。與仍可受益于廣泛應(yīng)用程序的GPU專業(yè)化或?qū)Υ蠖鄶?shù)用戶有價值的加密電路中的專業(yè)化不同，我們期望未來的專業(yè)化會更窄，因為僅需少量處理器即可使收益更可觀。

我們還期望大量使用這些專用處理器的人，并非是專用處理器的設(shè)計者，而是像將GPU用于深度學(xué)習(xí)運算的人一樣，用新的硬件來設(shè)計算法。

小型化的最終好處將是價格溢價，并且可能僅由重要的商業(yè)應(yīng)用來支付。

誰不會用。不遷移到專用處理器的應(yīng)用場景可能因為：

l 性能提升少

l 沒有足夠大的市場來證明前期固定成本合理

l 無法協(xié)調(diào)需求。

先前，我們描述了四個特征，這些特征使得使用專用處理器可以加快計算速度。如果沒有這些特性，那么專門化只能帶來最小的性能提升（如果有的話）。一個重要的例子是數(shù)據(jù)庫。正如我們采訪的一位專家告訴我們的那樣：在過去的幾十年中，很明顯，專用于數(shù)據(jù)庫的處理器可能非常有用，但是數(shù)據(jù)庫所需的計算不適合采用專用處理器。

第二類將無法用專用處理器的是那些需求不足以證明前期固定成本合理的處理器。 正如我們通過模型得出的那樣，需要數(shù)以千計的處理器市場來證明專用化的合理性。這可能會影響那些在小范圍內(nèi)進行密集計算的人（例如，研究科學(xué)家進行罕見的計算）或那些計算隨時間而快速變化并因此需求迅速消失的人。

可能不會用專用處理器的第三組是那些沒有單個用戶具有足夠需求且協(xié)調(diào)困難的群體。 例如，即使成千上萬的小用戶共同擁有足夠的需求，也很難使他們共同為生產(chǎn)專門的處理器做出貢獻。云計算公司可以通過資助創(chuàng)建專用處理器，然后將其租出來來解決這一問題。

技術(shù)進步會幫助我們擺脫困境嗎？為了使我們回到一個收斂的周期，在該周期中，用戶將切換回通用處理器，這需要性能和/或每美元性能的快速提高。但是技術(shù)趨勢卻指向相反的方向。例如，在性能方面，預(yù)計微型化的最終好處將是價格溢價，并且僅可能由重要的商業(yè)應(yīng)用來支付。甚至存在一個疑問——是否將完成所有剩余的、在技術(shù)上可行的小型化。Gartner預(yù)測，到2026年5nm量產(chǎn)時將會有更多的小型化，而臺積電（TSMC）最近宣布了一項投資195億的 2022年達到3nm的計劃，但我們在本研究中采訪的許多受訪者對進一步的小型化是否值得持懷疑態(tài)度。

其他技術(shù)改進是否可以恢復(fù)通用處理器改進的步伐？當(dāng)然，有關(guān)此類技術(shù)的討論很多：量子計算，碳納米管，光學(xué)計算。不幸的是，專家們預(yù)計，至少要再過十年，工業(yè)界才能設(shè)計出一種范圍更廣的量子計算機，進而有可能替代傳統(tǒng)的通用計算機。可能具有更廣闊前景的其他技術(shù)仍將需要大量資金來開發(fā)并投放到市場。

結(jié)論

傳統(tǒng)意義上，計算的經(jīng)濟性是由通用技術(shù)模型驅(qū)動的，通用處理器的提升越好，那么市場增長就會加大對其投資，從而進一步推動它們的改進。幾十年來，GPT的這種良性循環(huán)使計算成為經(jīng)濟增長的最重要驅(qū)動力之一。

本文提供的證據(jù)表明，這種GPT周期已被碎片化的周期所取代，這些碎片化的周期導(dǎo)致了計算速度的增長緩慢和用戶的分裂。我們展示了fragmenting cycle的三個部分，它們中的每一個都已經(jīng)在進行中：通用處理器的改進率已經(jīng)出現(xiàn)了急劇且不斷增長的放緩；購買通用處理器和專用處理器之間的經(jīng)濟權(quán)衡已急劇轉(zhuǎn)向?qū)Ｓ锰幚砥?；而且制造更好的處理器的固定成本不斷上升，將無法再由市場增長率來彌補。

總而言之，這些發(fā)現(xiàn)清楚地表明，處理器的經(jīng)濟狀況已經(jīng)發(fā)生了巨大變化，將計算推入了截然不同的專門領(lǐng)域，并且彼此之間提供的利益也越來越少。而且，由于此循環(huán)是自我增強的，因此它將永久存在，從而進一步碎片化通用計算。最終，將會拆分出更多的專用的應(yīng)用，通用處理器的改進速度將進一步放慢。

本文強調(diào)了經(jīng)濟學(xué)推動計算方向的重大轉(zhuǎn)變，并對那些想要抵制計算碎片化的人們提出了挑戰(zhàn)。

責(zé)任編輯：lq