David Patterson如何從RISC與RISC-V走向TPU與AI系統架構？

AI 硬體的演進常被描述成電晶體更多、時脈更高或加速器更大，但真正改變產業方向的架構工作，往往先重新定義問題：處理器是否需要把每一種複雜操作都做進硬體？儲存系統是否只能依賴昂貴的大型磁碟？資料中心能否用大量普通機器共同完成工作？David Patterson 的研究橫跨 RISC、RAID、工作站叢集、開放指令集與領域專用架構，這些項目表面上屬於不同世代，背後卻有一致的方法：把系統拆成可量測的瓶頸，再用較簡潔、可擴展且能被軟體利用的結構重新組合。

本次增量查證：UC Berkeley EECS 官方人物頁目前仍把 RISC、RAID 與 Networks of Workstations 列為 Patterson 的代表研究計畫，並強調他以跨學科團隊處理產業關鍵問題；Google Research 另列其 Berkeley、Google 與電腦架構經歷。本文因此把「RISC／RAID 的歷史貢獻」與「今日 AI 系統的類比」分開，後者是架構分析，不是把所有 AI 硬體成果歸功於單一人物。

Patterson 是 UC Berkeley Pardee Professor of Computer Science, Emeritus，目前亦為 Google DeepMind distinguished engineer，並擔任 Laude Foundation board chair。Berkeley EECS 的官方人物頁記錄這些現職，並把 RISC、RAID 與 Network of Workstations 列為其重要研究計畫；Google Research 的官方頁則記錄他在 Berkeley、Google、RISC、RAID 與電腦架構領域的經歷。理解他對 AI 基礎設施的影響，不應把後來所有晶片或系統都歸功於一人，而是追蹤那些經由團隊、論文、開放生態與工程實作被反覆重用的架構原則。

AI 硬體的演進常被描述成電晶體更多、時脈更高或加速器更大，但真正改變產業方向的架構工作，往往先重新定義問題：處理器是否需要把每一種複雜操作都做進硬體？儲存系統是否只能依賴昂貴的大型磁碟？資料中心能否用大量普通機器共同完成工作？David Patterson 的研究橫跨 RISC、RAID、工作站叢集、開放指令集與領域專用架構，這些項目表面上屬於不同世代，背後卻有一致的方法：把系統拆成可量測的瓶頸，再用較簡潔、可擴展且能被軟體利用的結構重新組合。

Patterson 是 UC Berkeley Pardee Professor of Computer Science, Emeritus，目前亦為 Google DeepMind distinguished engineer，並擔任 Laude Foundation board chair。Berkeley EECS 的官方人物頁記錄這些現職，並把 RISC、RAID 與 Network of Workstations 列為其重要研究計畫；Google Research 的官方頁則記錄他在 Berkeley、Google、RISC、RAID 與電腦架構領域的經歷。理解他對 AI 基礎設施的影響，不應把後來所有晶片或系統都歸功於一人，而是追蹤那些經由團隊、論文、開放生態與工程實作被反覆重用的架構原則。

從複雜指令回到常用路徑：RISC 改變處理器如何分配預算

早期微處理器設計容易把更多功能塞進單一指令，希望縮短程式並減少軟體負擔；代價是解碼、控制與微碼變得複雜，真正頻繁使用的操作不一定因此更快。Berkeley 的 RISC 計畫反過來先觀察程式與編譯結果，讓常見操作走規則、快速的資料路徑，再以編譯器組合較複雜的工作。Berkeley RIOS Lab 的官方說明記錄 Patterson 在 1980 年代初提出 RISC 一詞，並把簡化的通用指令與高效率微處理器連在一起。這並不表示指令數量越少就必然越快，而是硬體複雜度必須花在能提高整體吞吐的地方。

RISC I 的官方技術報告由 Carlo Séquin 與 Patterson 共同署名，Berkeley 的技術報告庫保留了設計與實作紀錄。它的重要性不只是一套指令名稱，而是把指令格式、暫存器、管線、編譯器與晶片面積視為同一個設計問題。把常用指令交給簡單且規則的硬體路徑，讓管線更容易維持高吞吐，也把較複雜的工作交給編譯器與軟體組合。當有限面積不再被複雜控制占滿，設計者就能把更多資源用在暫存器、資料路徑或並行執行，但這些選擇仍要由實際工作負載驗證。

今日 AI 加速器雖然不像早期 CPU 那樣只追求通用指令效率，卻延續相同的預算觀念。矩陣單元、向量單元、資料搬移引擎與控制核心都在爭奪面積與功耗；若把太多罕見功能固化，常用張量運算可能得不到足夠頻寬。反過來，硬體若過度簡化而缺少編譯器與軟體工具，理論效率也難以兌現。Patterson 路線提供的不是固定答案，而是一個可重複的問題：哪些操作值得成為快速路徑，哪些複雜性應移到較容易演進的層級？

RISC-V 與開放生態：指令集是協作邊界，不是一顆成品晶片

RISC 的歷史影響後來延伸到 RISC-V。開放指令集讓研究機構、晶片公司與系統開發者可以在共同的軟硬體契約上實作不同核心，不必先取得封閉 ISA 的個別授權；它仍不等於免費完成一顆高效能處理器。分支預測、快取、互連、安全、驗證、實體設計與軟體生態，依舊需要大量工程。Patterson 參與推動的價值，是把 ISA 變成可公開檢驗與延伸的界面，讓架構實驗不必每次從封閉相容性重新開始。

Berkeley 在 RIOS Lab 的官方介紹中，把新研究室的任務定為擴大 RISC-V 開源生態，並連結過去 Berkeley RISC 對 SPARC、ARM 等路線的影響。這段歷史需要謹慎表述：RISC 概念與 Berkeley 計畫影響了產業，但商用 ISA、核心與產品都是許多團隊長期發展的成果。RISC-V 的開放也不會自動消除碎片化；擴充如果缺少治理、測試與軟體支援，不同實作仍可能互不相容。開放規格降低的是進入與協作摩擦，不是把設計風險變成零。

對 AI 硬體而言，RISC-V 常被用作加速器旁的控制核心，或承載廠商自訂擴充。它能處理啟動、排程、資料搬移與例外，讓大型矩陣資料路徑專注在規則運算；但自訂擴充是否值得，仍要衡量編譯器、除錯工具、驗證與長期維護。這種分工呼應早期 RISC 的方法：把穩定共同需求留在清楚界面，把差異化放在可證明有收益的地方。人物介紹文章若只說「開源所以比較快」，就忽略了真正決定可用性的生態與工程成本。

RAID：用整體組織改寫儲存效能與可靠性

AI 計算不只需要算術，還要持續讀取資料集、檢查點、模型權重與產出。Patterson、Garth Gibson 與 Randy Katz 在 1987 年提出的 RAID 研究，把多顆較小磁碟視為可協同的陣列。Berkeley 的官方技術報告頁列出五種 RAID 組織，並比較它們與單一大型昂貴磁碟在效能、可靠性、功耗與擴展上的差異。核心改變不是替某一顆磁碟加速，而是用資料分散與冗餘配置，把元件限制轉化成系統設計空間。

以多顆成本較低的磁碟平行分散資料，再用不同冗餘層級管理故障，使容量、效能與可靠性可以被共同設計。條帶化能讓多顆裝置同時工作，校驗與鏡像則提供不同程度的故障保護；沒有哪一級在所有情境都最佳。小型隨機寫入可能承受額外校驗與更新成本，重建失效裝置也會占用頻寬並增加其餘元件壓力。RAID 的耐用貢獻，是建立一套描述取捨的語言，使系統設計者能依工作負載、故障模型與成本選擇，而不是把「有冗餘」誤認為完整備份。

這種系統觀直接延伸到 AI 儲存。訓練資料可能跨越物件儲存、快取、本機 NVMe 與分散式檔案系統，檢查點又必須在有限時間內可靠寫回。單一裝置峰值不足以描述端到端表現；資料切分、併發、重建、尾端延遲與故障域才會決定加速器是否等待 I/O。現代系統已遠超出最初 RAID 的硬體條件，但「用多個不完美元件組成可預測服務」仍是基礎設施的核心方法。

Network of Workstations：把叢集視為一台可管理的電腦

Patterson 的 Berkeley 官方人物頁也列出 Network of Workstations。當工作站與網路性能提升後，研究者開始探索是否能用大量通用節點組成可擴展系統，而不必把所有工作交給單一昂貴機器。這個方向要求同時處理通信、儲存、排程、可用性與軟體抽象；把機器接上交換器只是物理連線，距離「像一台電腦」仍有很長路。節點越多，局部故障、速度差異與網路競爭越頻繁，系統必須預期失敗而不是假設所有元件永遠同步。

Berkeley 的Patterson 2016 官方計畫回顧把 NOW 與後續 RISC、RAID、IRAM、ROC、RAD Lab、Par Lab 等研究放在同一張脈絡圖中。這提供了一個重要界線：Patterson 是許多計畫的領導者、共同研究者或推動者，但每個系統都來自教授、學生與產業合作團隊。NOW 的因果意義，在於證明大量網路連接節點能以軟體與系統設計承擔原本集中式機器的工作，促使叢集成為主流研究與服務平台之一；它不是今日所有雲端平台的單一起點。

AI 叢集把同一問題推到更高密度。GPU 伺服器的單價與功耗遠高於早期工作站，集合通信還會讓最慢節點拖住整批同步。設計者必須知道哪些資料應留在本機、哪些必須跨網路、故障後如何重排，以及排程是否能避免資源碎片。NOW 所代表的方法，是把節點、網路和系統軟體共同量測；這比只比較單卡 FLOPS 更接近訓練任務實際完成時間。

從通用 CPU 到領域專用架構：AI 效率來自工作負載證據

當摩爾定律帶來的通用效能增長放慢，電腦架構重新把注意力放到 domain-specific architecture。Patterson 在 Google Research 的官方頁列出 TPU 分析、機器學習系統與能源相關研究，但這不代表他單獨設計 TPU；TPU 是 Google 大型團隊的產品與研究成果，他的可驗證角色包括共同研究、分析與架構論述。重要的是研究方法：不拿峰值運算作唯一答案，而是以資料中心實際工作負載比較延遲、吞吐、功耗與總體擁有成本。

領域專用架構的價值不在取代所有通用處理器，而在把穩定且高成本的工作模式映射成更接近資料流的硬體組織，減少不必要的控制與搬移。Google Research 的Patterson 官方研究頁讓讀者可以沿著其出版品檢查 TPU 與電腦架構研究。矩陣乘法可以使用規則陣列提高重用，但模型仍需要控制、記憶體、網路與主機協調；工作負載一旦改變，過度專用的資料路徑也可能失去利用率。因此，專用化必須以足夠穩定的需求與完整軟體鏈為前提。

這與 RISC 看似相反，其實共享「把複雜度放對地方」的原則。RISC 為通用處理建立規則快速路徑；領域專用加速器則針對高價值工作建立更窄的快速路徑。兩者都要求編譯器知道如何映射程式、記憶體系統能持續供應資料、量測包含整個應用而非單一核心。AI 硬體採購若只看 TOPS，沒有核對模型精度、批次、資料搬移與服務延遲，就無法判斷專用化是否真正節省成本。

評估領域專用晶片還要處理基準測試的時間邊界。比較中的 CPU、GPU、編譯器與模型版本必須屬於同一測試時期，不能把多年以前的對手數據當成今天仍然成立的倍數；批次大小、延遲上限與模型品質也要一致。資料中心更在意每項服務於固定延遲目標下能完成多少請求，以及部署所需的伺服器、網路、冷卻與備援，而不是晶片實驗室中的單一核心峰值。Patterson 參與的架構分析之所以有方法價值，正是把處理器放回實際服務條件；讀者也應沿用同一標準，將論文數字視為特定設備與工作負載的測量結果，而不是跨世代、跨模型永遠有效的排名。

硬體與軟體共同設計：架構成果必須能被使用

Patterson 的研究生涯反覆跨越硬體與軟體邊界。RISC 需要編譯器安排指令，RAID 需要作業系統與檔案系統理解故障與寫入語意，叢集需要網路、儲存與排程軟體，領域專用處理器則依賴框架和編譯器把模型轉成有效資料流。這些例子都指出，硬體規格不會自動變成使用者效能。界面若不穩定、工具難以除錯或錯誤無法被觀察，再好的電路也可能停留在展示。

Berkeley EECS 的官方訪談回顧 RISC 革命與其教材工作。教材在這裡不是附帶成就，而是把架構分層、效能量測與取捨傳給更大工程社群的工具。當共同語言成熟，處理器設計者、編譯器研究者與系統工程師才能討論相同指標。AI 基礎設施同樣需要這種可檢驗性：應公開工作負載條件、精度、延遲分布、功耗邊界與失敗情境，避免用單一最佳案例代替系統表現。

共同設計也有治理成本。硬體若為某版模型過度固定，軟體更新可能迅速讓它落後；軟體若假設所有硬體完全通用，又會放棄可觀的效率。較穩健的做法是建立穩定核心、明確擴充與可回退路徑，並讓效能工具指出瓶頸落在哪一層。Patterson 所代表的學術價值，是用原型、量測與公開論述讓這些選擇可以被反駁，而不是把架構願景當成產品保證。

人物介紹定位與限制：記住方法，不把團隊史寫成英雄神話

把 Patterson 放進 AI 硬體基礎設施人物介紹，理由不是他直接創造今日每一層 AI stack，而是其研究幫助建立三種可重用能力：以精簡界面提高處理器效率、以多元件組織提高儲存可靠性與吞吐、以工作負載證據判斷通用與專用硬體的邊界。這些能力分別影響控制核心、資料平台與加速器設計，也共同指向一個現實：基礎設施的價值來自端到端服務，而不是元件規格的孤立峰值。

同時必須保留限制。RISC、RAID、NOW、RISC-V 與 TPU 相關研究都有眾多共同作者、學生、工程師與公司團隊；市場普及也受製程、工具、標準、商業策略與供應鏈影響。官方人物頁會突出成就，技術報告則描述特定時代與實驗條件，兩者都不能直接證明今日產品在任何工作負載都更好。因此本篇把人物頁用於身份與計畫範圍，把原始技術報告用於架構主張，再以後續官方研究頁界定 AI 時代的延伸。

對今天的讀者，最實用的檢查表是四題：快速路徑服務的是哪個真實工作負載；資料與失敗如何跨元件管理；軟體能否穩定使用硬體能力；效能是否包含能源、尾端延遲與擴展成本。這四題橫跨 RISC、RAID、叢集和領域專用架構，也比「誰發明了某顆晶片」更能解釋 Patterson 為何值得進入 AI 硬體人物介紹。

延伸閱讀

若想把 RISC、領域專用架構與今日 AI 平台的硬體／軟體協作放在同一條脈絡，可以接著閱讀黃仁勳如何把 GPU 變成 AI 權力中心，對照指令集、加速器、編譯器與開發者生態。

官方來源與延伸閱讀

• UC Berkeley EECS：David Patterson 官方人物頁
• Google Research：David Patterson 官方研究頁
• UC Berkeley EECS：RIOS Lab 與 RISC 開源生態
• UC Berkeley：RISC I 設計與實作技術報告
• UC Berkeley：RAID 原始技術報告
• UC Berkeley：Patterson 研究計畫回顧
• UC Berkeley EECS：Five Questions with David Patterson

把架構放回端到端工作負載

David Patterson 的研究常跨越處理器、儲存、叢集與專用加速器，但共同問題始終是端到端效率。RISC 讓常用指令走規則快速路徑，RAID 以多個普通裝置組成可預測的儲存服務，領域專用架構則把穩定的高成本運算映射到更合適的資料路徑。這些方法都要求同時量測編譯器、記憶體、網路、故障與維運，不能用單一硬體峰值代替實際任務完成時間。

UC Berkeley EECS 的官方人物頁與 Google Research 的研究頁可核對他的研究範圍，也提醒讀者把團隊、學生和後續工程成果納入歷史脈絡。

RISC-V 是協作界面，不是完整產品

開放指令集降低了研究機構與晶片公司建立共同軟硬體契約的門檻，但一套 ISA 不會自動帶來高效能核心。快取、分支預測、互連、安全、驗證、編譯器和除錯工具仍需要長期投入。AI 加速器可使用 RISC-V 作為控制核心，處理啟動、排程與資料搬移，再把矩陣運算交給專用路徑；是否值得加入自訂擴充，則要由軟體支援和維護成本共同決定。

Berkeley RIOS Lab 的官方說明適合用來理解開放生態的研究目標。它並沒有保證所有實作天然相容，反而凸顯規格治理、測試與工具鏈的重要性。

RAID 與叢集帶來的系統思維

RAID 的核心不是讓某顆磁碟永不故障，而是用條帶化、鏡像或校驗在容量、吞吐與故障恢復間做出可描述的取捨。AI 訓練資料、檢查點和模型權重同樣需要跨儲存層管理；重建期間的頻寬與尾端延遲，往往比正常狀態的峰值更接近使用者感受。RISC I 與 RAID 原始技術報告保存了這些設計如何以實驗條件驗證，而不是以口號成立。

Network of Workstations 則把節點、網路、儲存與排程視為一台可管理的電腦。今天的 AI 叢集仍面對同一類問題：慢節點拖住同步、局部故障需要重排、跨網路搬資料可能吃掉加速收益。評估叢集時，應同時記錄通信、資料載入、重試、能源與服務尾端延遲。

若想把 RISC、RISC-V 與 AI 專用硬體放回模型與資料工作負載的脈絡，可以延伸閱讀Yoshua Bengio 如何讓模型學會多層表示，比較演算法表示與硬體效率如何互相牽動。

官方資料與延伸查證

• UC Berkeley：RISC I 技術報告
• UC Berkeley：RAID 技術報告
• UC Berkeley：Patterson 研究計畫回顧

增量分析：RISC 的價值是把複雜度放到可以被測量與優化的地方

David Patterson 的架構工作常被濃縮成一句「精簡指令集」。更完整的理解是：處理器設計把哪些工作交給硬體、哪些交給編譯器，會改變整條軟硬體邊界。若指令集更規則，管線、暫存器與編譯器最佳化可能更容易設計；但程式大小、記憶體流量和特定工作負載又可能帶來新的成本。

因此，評估架構不能只看單一峰值 benchmark。還要看編譯器是否能利用設計、記憶體階層是否匹配、功耗與延遲如何分布，以及工具鏈是否讓開發者真的能使用硬體能力。Patterson 的歷史位置，正在於把這些選擇放進可實驗、可比較的研究工程，而不是只靠規格表競賽。