这是一个纯粹的物理定律和硬体架构带来的瓶颈。

软体算法再精妙，也无法违背硬体的物理极限。

所有人都看向夏冬。

在这个公司里，每当遇到技术方面无解的死局，夏冬总是能拿出打破常规的方案。

其实夏冬早就预料到了这一天，伺服器算力见顶是迟早的事。

他老早就找豆包，恶补了人工智慧的发展史。

深度学习和神经网络之所以在2010年之后才开始大爆发，并不是因为算法突然取得了什麽逆天的理论突破。

纯粹是因为算力终于跟上了。

在豆包提供的未来时间线里，拯救人工智慧算力危机的，是英伟达的GPU。也就是大家俗称的显卡。

GPU这玩意儿，天生就是用来做大规模并行计算的。

再后来，谷歌为了搞定自家的算法和推荐系统，乾脆自己下场研发了TPU，一种专门为AI定制的专用晶片。

夏冬的手指在桌面上轻轻敲击着，发出有节奏的哒哒声。

「陈默，泽明，你们有没有想过，」夏冬终于开口了，目光扫过两位技术大拿，「为什麽我们堆了那麽多顶配的CPU，算力依然捉襟见肘？我们的算法，到底在让这些CPU干什麽活？」

陈默皱着眉头想了想：「主要就是神经网络的层级计算，里面全是大规模的矩阵乘法。」

「对，问题就出在这里。」

夏冬停止敲击桌面，「CPU的架构设计初衷是什麽？是处理复杂的控制逻辑，它里面有大量的分支预测丶指令调度单元。」

「打个比方，CPU就像是一个精通微积分的大学老教授。你让他解多复杂的数学题他都会。」

为了让非纯技术的苏晚晴也能听懂，夏冬顿了顿，摊开双手继续说道：「但是，我们推荐算法需要的，是极其海量丶极其枯燥的简单矩阵乘法。」

「这等于你雇了一万个大学老教授，每天让他们坐在办公室里算一加一等于几。」

陈默和吴泽明愣了一下。

「他们能算，」夏冬一针见血地指出，「但是效率极低，而且成本高得离谱。大炮打蚊子，从根源上就错了。」

两位顶尖的技术大拿对视了一眼，脑子里仿佛劈过一道闪电。

陈默喃喃自语：「所以……通用的CPU，从硬体物理架构上就不适合跑我们的算法？」

「没错。」夏冬顺势抛出一个引导性的问题，「既然一个精通微积分的老教授算得慢，那我们找一万个只会算乘法的小学生来并行计算呢？」

「我们需要的是高并发丶低逻辑复杂度丶海量的浮点运算单元……」

吴泽明推了推眼镜，眉头微皱，大脑在疯狂检索现有的硬体架构：「夏冬，你说的这种硬体特徵，听起来怎麽那麽像电脑里的显卡？」

「确切地说，是GPU。」夏冬打了个响指，「泽明抓住了盲点。」

夏冬表情淡定，内心其实正在快速梳理之前用豆包查阅的资料。

早在2007年，英伟达就推出了CUDA架构，让GPU不仅仅能打游戏渲染图像，还能进行通用计算。

现在这个时间节点，多伦多大学的Hinton团队丶史丹福大学的吴恩达，其实已经开始尝试用GPU加速神经网络训练了。

效率足足比CPU高出了几十倍。

到了2011年，吴恩达更是用12块GPU，生生跑出了相当于2000个CPU的深度学习算力。

这就是降维打击。