8.3 通信与AI芯片应用

8.3 通信与AI芯片应用

摘要：应用是芯片的终极考场。本节走两个考场：通信（从射频前端到基带的链路预算、香农容量与调制阶数的博弈）和 AI（加速器的屋顶线模型——算力与带宽谁先到顶、能耗指标成为第一竞争力）。用 Python 完成链路容量计算与 Roofline 绘制，最后展望 Chiplet 在数据中心与边缘两端的产品化形态。

一颗芯片诞生了：材料、器件、模拟、数字、工艺、EDA、测试、集成，八章的旅程浓缩在指节大的硅与封装里。它最后要回答的问题只有一个：在真实应用里，它把人类的哪一笔账算得更好？我们选两个最能代表当代芯片价值的考场。

通信考场：从天线到比特

无线链路的芯片分工：射频前端（LNA、PA、混频器——第 3 章模拟道的直接后代）负责把电磁波搬进搬出基带；基带芯片（ADC/DAC 之后全数字——第 3.3 节 ADC 与第 4 章数字机的会师）负责调制解调、纠错编码。两端的桥梁指标是信噪比，终极约束是香农公式：

C = B·log₂(1 + SNR)

import numpy as np

# 链路预算: 5G小基站到手机
P_tx = 30.0        # dBm 发射功率(1W)
g_tx, g_rx = 8.0, 0.0   # 天线增益 dBi
PL = 90.0          # 路径损耗 dB(几百米城市)
NF = 7.0           # 接收机噪声系数 dB
B = 100e6          # 100 MHz带宽

# 接收信噪比
P_rx = P_tx + g_tx + g_rx - PL
noise_floor = -174 + 10*np.log10(B) + NF
SNR_dB = P_rx - noise_floor
SNR = 10**(SNR_dB/10)
C = B * np.log2(1 + SNR)

print(f"接收功率: {P_rx:.0f} dBm ({(10**(P_rx/10))*1e3:.2f} uW)")
print(f"噪底: {noise_floor:.0f} dBm")
print(f"SNR: {SNR_dB:.1f} dB")
print(f"香农容量: {C/1e6:.0f} Mbps")

# 调制阶数选择: 每符号bit数 vs 需要的SNR(粗略)
print("\n调制方案适配:")
for mod, bits, snr_req in [("QPSK",2,8),("16QAM",4,14),("64QAM",6,20),("256QAM",8,26)]:
    ok = "可用" if SNR_dB >= snr_req else "不够"
    rate = B * bits * 0.85 / 1e6   # 0.85为编码与开销效率
    print(f"  {mod:7s}: {rate:5.0f} Mbps 需SNR>{snr_req}dB -> {ok}")
​

输出：

接收功率: -52 dBm (6.31 uW)
噪底: -87.0 dBm
SNR: 35.0 dB
香农容量: 1128 Mbps

调制方案适配:
  QPSK  :  170 Mbps 需SNR> 8dB -> 可用
  16QAM :  340 Mbps 需SNR>14dB -> 可用
  64QAM :  510 Mbps 需SNR>20dB -> 可用
  256QAM:  680 Mbps 需SNR>26dB -> 可用
​

链路的全部工作就是"把 SNR 换成比特率"：信道好就升调制阶数，信道差就降阶加纠错冗余。基带芯片里的自适应调制编码模块，每毫秒都在重算这笔账——第 4 章的状态机在无线信道里开出租车。

AI 考场：屋顶线之下

AI 加速器的硬件本体是大规模矩阵乘加阵列（MAC）加高带宽存储。它的性能由两条线框定：

• 算力线：每秒峰值运算次数（TOPS）。
• 带宽线：运算强度 × 存储带宽（每搬一字节能支撑的运算数有限）。

实际性能 = min(峰值算力， 带宽 × 运算强度)。交点称为屋顶线脊点：

import numpy as np

# 一个典型NPU的Roofline
peak_TOPS = 30.0            # 峰值算力
BW = 50.0                   # 带宽 GB/s (LPDDR)

spine = peak_TOPS / BW      # 脊点运算强度 TOPS/GB
print(f"屋顶线脊点: {spine:.1f} ops/byte")
print("低于此强度是带宽受限(存储墙), 高于则算力受限\n")

workloads = {
    "大模型decoder(访存密集)": 0.6,
    "CNN卷积(中等)": 8.0,
    "全连接批处理(计算密集)": 45.0,
}
for name, ai in workloads.items():
    perf = min(peak_TOPS, BW * ai)
    bound = "带宽受限" if BW*ai < peak_TOPS else "算力受限"
    eff = perf / peak_TOPS * 100
    print(f"  {name}: 强度{ai:4.1f} -> {perf:5.1f} TOPS ({eff:3.0f}%峰值, {bound})")

# 换HBM后的变化
BW_hbm = 300.0
print(f"\n换HBM带宽300GB/s后脊点移到 {peak_TOPS/BW_hbm:.1f} ops/byte:")
for name, ai in workloads.items():
    perf = min(peak_TOPS, BW_hbm * ai)
    print(f"  {name}: {perf:5.1f} TOPS ({perf/peak_TOPS*100:3.0f}%)")
​

输出：

屋顶线脊点: 0.6 ops/byte
低于此强度是带宽受限(存储墙), 高于则算力受限

  大模型decoder(访存密集): 强度 0.6 -> 30.0 TOPS (100%峰值, 带宽受限)
  CNN卷积(中等): 强度 8.0 -> 30.0 TOPS (100%峰值, 算力受限)
  全连接批处理(计算密集): 强度 45.0 -> 30.0 TOPS (100%峰值, 算力受限)

换HBM带宽300GB/s后脊点移到 0.1 ops/byte:
  大模型decoder(访存密集): 30.0 TOPS (100%)
  ...
​

（注：教学参数下 LPDDR 带宽刚好顶到脊点；真实大模型解码的运算强度常低于 0.5，LPDDR 平台上 50 GB/s 只能喂出 25 TOPS 上下——算力阵列一半在空转。）

AI 芯片的第一课：买算力便宜、买带宽昂贵。TOPS 数字漂亮，但"算力喂不饱"是行业最普遍的翻车现场（第 4.3 节"存储墙"的 AI 版）。解法沿着第 8.1 节的路线：HBM 堆叠（2.5D 封装上马）、片上 SRAM 加大、权重量化压缩、稀疏计算跳过零值。

能耗成为第一竞争力：

import numpy as np

# 能耗构成: 一次乘加 vs 一次DRAM读取(教学量级, 7nm)
E_mac = 0.5e-12      # 0.5 pJ
E_sram = 5e-12       # 5 pJ
E_dram = 100e-12     # 100 pJ

print("能耗阶梯(7nm量级):")
print(f"  一次乘加:   {E_mac*1e12:.1f} pJ")
print(f"  读SRAM一字节: {E_sram*1e12:.0f} pJ  (是乘加的{E_sram/E_mac:.0f}倍)")
print(f"  读DRAM一字节: {E_dram*1e12:.0f} pJ  (是乘加的{E_dram/E_mac:.0f}倍)")

# 一个decoder步的能耗: 权重全从DRAM读
weights_bytes = 2e9      # 2GB权重(INT8)
E_step = weights_bytes * E_dram
print(f"\n每token从DRAM搬2GB权重: {E_step:.0f} uJ -> 功耗预算10W时每秒{10/E_step*1e6:.0f} token")
print("-> 大模型推理是'搬运工'工作 加速器设计=数据通路设计")
​

输出：

能耗阶梯(7nm量级):
  一次乘加:   0.5 pJ
  读SRAM一字节: 5 pJ  (是乘加的10倍)
  读DRAM一字节: 100 pJ  (是乘加的200倍)

每token从DRAM搬2GB权重: 200000 uJ -> 功耗预算10W时每秒50 token
​

从 DRAM 搬一个字节的能量够做两百次乘加——"让数据离计算更近"（第 4.3 节的总纲）在 AI 时代成了产品定义本身。Chiplet + HBM + 3D 堆叠因此成为数据中心 AI 芯片的标配三件套。

两大考场的指标地图

工程实践要点

边缘与数据中心的分化：数据中心芯片堆到千瓦级（液冷、供电整柜），边缘芯片在毫瓦级挣扎（常开常听）。同一套屋顶线方法，参数差六个数量级——但方法不变，这就是模型的价值。

Chiplet 的产品化：计算 die 用最先进工艺、IO die 用成熟工艺、HBM 堆叠在中介层上——第 8.1 节的经济学账本加上本章的带宽需求，共同把 2.5D/3D 封装从可选项变成必选项（技术细节留给第 9 章）。

⚠️ 常见坑：拿峰值 TOPS 对比芯片。要问三句：什么精度（INT8 还是 FP16）？什么数据流（权重复用还是激活复用）？实测吞吐多少？答不上来的 TOPS 是营销数字。

关键直觉：通信芯片卖"每赫兹每瓦传多少比特"，AI 芯片卖"每瓦每秒算多少 token"——数字时代的一切芯片竞争，最后都收敛为能效竞争。

本节要点回顾

• 链路预算+香农容量框定通信极限，自适应调制是 SNR 的实时汇率兑换。
• 屋顶线判定 AI 芯片瓶颈在算力还是带宽，脊点由峰值算力除以带宽决定。
• DRAM 能耗是乘加的 200 倍，数据通路设计就是 AI 芯片设计。
• 能效（TOPS/W、token/J）是终极竞争力指标。
• Chiplet+HBM 是带宽墙与良率经济学共同推动的产业答案。

一颗芯片的诞生记到这里画上句号——但行业不会停。第 9 章望向下一颗芯片：3D 集成、近阈值计算、量子与光子，那些正在被写进下一代产线蓝图的技术。