EETOP专注芯片、微电子，欢迎关注
来源：老石谈芯
回国之后，有投资人朋友给我说，现在国内有20多家DPU初创公司。DPU可以说是当前芯片行业最火热的方向，可能没有之一，风头和声势甚至超过了AI芯片这个“前浪”。
在这个大背景下，资本和人才都在争相进入这个赛道，很多DPU初创公司的估值也因此水涨船高。只要畅想一下DPU的新应用，甚至不需要做出产品，估值就能多加好几个小目标。
不过，这个赛道究竟有多宽、DPU技术的本质究竟是什么、它未来还有怎样的想象空间、DPU与cpu和GPU是怎样的关系，还有最重要的，DPU究竟是为了解决怎样的问题？只有弄清楚这些，才能真正理解DPU爆红背后的逻辑。
从最早的“智能网卡”，到现在的“数据处理器DPU”，我见证并亲身参与了这个东西的发展。虽然性能指标在不断进步，但驱动它前进的内存逻辑并没有发生本质改变。
在这篇文章中，我将努力拨开各种纷繁复杂的迷雾，穿过这几十家公司眼花缭乱的PPT，跳过各种技术指标，和大家一起解答前面所有的疑问。
DPU究竟是一个什么U
随着芯片越造越多，字母表已经不够用了。从APU到ZPU，好像每个“PU”都有芯片与之对应。对于热门的名字，更是僧多粥少，DPU就是其中之一。
在AI风生水起的时候，DPU代表的是“深度学习处理器”，而我们今天的主角还不配拥有名字，当时叫做“智能网卡SmartNIC”。
这个名字听起来既不智能，也不上口，这也注定了它并不能被大多数人所认知。
工程师通常不屑于营销，但不可否认的是，没有营销，再好的产品也卖不出来。
当一个人既懂技术、又懂人心，创造一个新的概念就是顺理成章的事情。
2020年10月，黄仁勋在英伟达GTC大会上正式官宣了一款新处理器，名叫DPU – Data Processing Unit。
这一年，应该可以算是DPU的元年。在此之后，人们再提到DPU的时候，指的都是数据处理器，而非深度学习处理器了。
和智能网卡相比，DPU的本质并没有根本性的变化。很多人尝试将二者区分开，借此说明DPU是一个全新的跨时代产品，这其实并不真实、也没必要。
老黄总结了3个DPU的特点：卸载、加速、隔离。我很认同这个总结，但这只代表了一个维度。
在另外一个维度上，则是DPU的三个主要应用场景：网络、存储、安全。这两个维度结合在一起，才是DPU的完整矩阵，也能很好的解答很多“为什么”、“是什么”的问题，比如：
DPU卸载了什么：数据中心网络服务，比如虚拟交换、虚拟路由；数据中心存储服务，比如RDMA、NVMe（可以把它们理解成一些远程存储技术）；数据中心的安全服务，比如防火墙、加解密等等。
DPU加速了什么：上面说的那些服务和应用通常使用软件实现，并在CPU里运行。而DPU可以使用硬件实现并运行这些应用，这样比软件运行要快好几个数量级，这也就是我们常常会听到的“硬件加速”。DPU隔离了什么：由于上面说的应用在DPU里运行，而用户应用在CPU里运行，这样就把二者隔离开了。这样会带来很多安全和性能上的好处。
举个例子，假设我们要玩一个“云游戏”，游戏本身运行在服务器的CPU上，而账号管理、存档、和队友的交互方式、游戏数据的发送和接收等等，这些不需要玩家参与、但对游戏体验有极大影响的内容，都可以运行在DPU里完成。
DPU和CPU、GPU的关系
摩尔定律的发展和芯片行业的发展，究竟是鸡生蛋、还是蛋生鸡，人们已经乐此不疲地讨论很多年了。不管是谁成就谁，亦或是相互成就，有一件事情是确定的，那就是我们需要新的芯片结构，来延续发展的脚步。
一个很重要的共识就是，CPU已经很难做好所有事情了。
要特别注意的是，这里不是“很难做”，而是“很难做好”。一字之差，意思完全不同。
在今年4月的GTC大会上，老黄又分享了他对于数据中心架构变革的理解，一共分成五个阶段。
最早的数据中心里，CPU是绝对的王。不管是一开始的原始架构，再到之后软件定义、分布式的可扩展结构，都是如此。
唯一有所区别的，是应用的实现方式。算力和应用更是鸡和蛋的关系，CPU计算能力的提升，就能带来应用的爆发，人工智能就是如此。应用的多样化，又会对算力提出更高要求。比如现在同样火热的超大规模神经网络，动辄上千亿甚至上万亿参数，就好像底层算力都是白给的。
英伟达的春天，就这样到来了。
人们发现，单纯使用CPU并不能满足AI工程师和调参者对算力的野心，而GPU特别适合这类计算。GPU上有成千上万个小型计算单元，他们可以同时计算一个难题里的不同部分，然后再把结果结合起来，也就是“并行计算”。在处理很多问题的时候，这种人海战术比CPU的“串行计算”不知道要高到哪里去了。
从此，CPU不再是数据中心里唯一的王。英伟达也成了世界上市值最高的芯片公司。
旧时代落幕，新时代开启。GPU的登场，只是这场大秀的序曲。
把CPU的一大部分算力卸载给GPU之后，人们发现可以把很多其他功能也外包出去，于是又有了智能网卡，或者叫做DPU。
人们又发现，给CPU卸掉这些包袱之后，反而表现的更好，再次焕发了第二春。因为不管是GPU还是DPU，都需要CPU居中调度和管理，这恰恰是CPU最早的设计初衷。
就这样，CPU、GPU、DPU组成了现代数据中心的铁三角。
未来是否就这样？我看未必。未来何时才能到来？或许很快。至少在下周的GTC大会上，应该就有下一代DPU的最新进展。但不管怎样，这种三位一体的架构解决了很多现有的问题，这就足够了。
没有软件，芯片就只是昂贵的沙子
很多年前我做学术的时候，有一类很流行的领域，名曰“算法加速”。去看这个领域的论文，都写的极其振奋人心，甚至有些惊悚。在这个领域里，CPU就是悲催的存在，它为所有工作奠定了一个基准。相比于CPU，每个工作动辄几倍、几十倍、甚至上百倍的性能提升。
这么多年过去了，CPU在数据中心的王座依然挺立，只不过旁边多了GPU，还有一个DPU蠢蠢欲动，仅此而已。
我并不是否定这些工作的学术贡献，只是很自然的会问：既然这些工作这么牛逼，它们都去哪了？
归根到底，没有软件、没有生态、没法落地。
温室里的苗，需要经历风雨的洗礼，才能知道是否能长成大树。
开发者从来都是用脚投票，谁的东西好用，就用谁的。性能固然重要，但如果没法使用、不好用，性能再强的芯片也不过是昂贵的沙子。
多年前，英伟达凭借CUDA，一举帮GPU打开局面，吸引了大批软件开发者。而FPGA的开发者，还在纠结Verilog怎么写、时序怎么调、引脚怎么分配。
现在DPU来了，开发者怎么办？
今年4月的GTC大会上，老黄正式官宣了一个名为DOCA的SDK，这也是英伟达为上面的灵魂拷问给出的答案。
DOCA全名叫Data Center Infrastructure-on-a-Chip Architecture。作为一个SDK，它包含了DPU支持的所有软件功能：各种库、各种服务、各种驱动、各种框架、各种OS……
有了意大利炮，还需要一发炮弹。DOCA并不是炮弹，而是用来造炮弹的工厂。有了软件和生态，DPU就不再是昂贵的沙子，而是数据中心的“大杀器”。
如果要用一个词总结DOCA的特点，就是“兼容”。新生事物大都需要兼容现有体系，然后才能慢慢发展壮大。这片江山，朕不给，你不能抢。
即使大如英伟达，也意识到很难从零开始自建一个数据中心生态。况且，这也根本没有必要。
除了兼容，还有开放、合作。只有把蛋糕做大，每个人分到的那部分才会更多。大家好，才是真的好。当一个人既懂技术、又懂人心，做出这样的决策也是顺理成章的事情。
在DOCA里，你可以看到几乎所有常见的数据中心基础设施技术、厂商，英伟达也在打造开发者社区，积极建设生态。在11月马上要举行的GTC上，预计会发布DOCA的最新进展。DOCA和CUDA，总有一个会是英伟达未来发展的支柱。
结语
DPU的出现，是时代的必然。但它未来的发展，还有无限种可能。DPU里集成的技术，肯定会有更多的变化。我们需要做的，除了跟随这些变化，更应该透过现象看到本质。只要底层逻辑不变，发展的趋势就不会变
