第974章 員工福利提升，新的一年發展規劃（1/2）
王東來在會客廳里目送克里斯多福一行人的背影消失在走廊盡頭，梁松把那份簽了字的意向書放進文件夾，抬頭看了他一眼。
王東來搖了搖頭，重新坐回主位上，端起那杯早已涼透的龍井喝了一口。
阿斯麥的事對他來說已經結束了，剩下的是法務和財務團隊要忙的活，不需要他再操心。
他放下茶杯，站起來對梁松說了一句話：「讓指令集研發團隊準備一下，下午我去實驗室看進度。」
銀河半導體總部位於唐都高新區的最東端，與光刻工廠只隔了一條寬闊的銀杏大道。
指令集研發團隊的實驗室在大樓的第十一層，整層樓都被劃為保密區域，進出需要雙重身份認證。
王東來刷開工牌穿過氣閘門時，實驗室里幾十號人正圍在一塊巨大的白板前爭論不休。
白板上畫滿了密密麻麻的架構圖，不同顏色的記號筆把數據通路、控制單元、緩存層級標註得層層迭迭，像一張被反覆塗抹的作戰地圖。
「王總來了。」
不知道誰先喊了一聲，爭論聲戛然而止。
所有人都轉過頭看著他，眼神里有敬畏，有期待，還有一種壓不住的焦灼，他們已經被一個問題卡了快兩周了。
「繼續。」
王東來拉了一把椅子在實驗室角落坐下，示意他們不用管自己。
但沒有人繼續爭論了，所有人的目光都落在白板旁邊那個頭髮花白的老工程師身上。
他叫陳遠洲，和負責鴻蒙生態的那個陳遠洲同名同姓，但在半導體領域深耕的時間同樣漫長。
他從國家大規模集成電路研究所退休後被王東來親自請到銀河半導體，專門負責國產指令集的研發。
陳遠洲放下記號筆，轉過身對著王東來，語氣直接：「王總，你來得正好。我們卡在指令流水線的分支預測模塊上，預測準確率卡在百分之九十幾，怎麼也上不去了。這個數字放在三年前是行業頂尖，但現在的鴻蒙系統對晶片的實時性要求太高，車機端要同時處理雷射雷達點雲和自動駕駛決策，手機端要在幾十毫秒內完成語音助手的自然語言理解。流水線每預測錯一次，就要清空重裝，浪費好幾個時鐘周期。這些浪費累積起來，鴻蒙的分布式協同體驗就會在低端晶片上大打折扣。」
王東來站起來走到白板前，仔細看了幾分鐘那些架構圖。
然後他拿起一支黑色記號筆，在分支預測模塊的旁邊畫了一個極簡的示意圖，一個極小的、獨立於主流水線之外的輔助預測單元。
「你們現在的思路是把分支預測的邏輯堆在主流水線前端，用深度學習模型做模式識別。思路沒錯，但放錯了位置。主流水線太擠了，信號繞來繞去，繞一圈好幾個時鐘周期就沒了。把這個輔助預測單元拆出來，直接掛在取指階段後面。它不參與主流水線的任何運算，只做一件事，提前一個周期把分支目標地址算好，餵給取指單元。」
他在輔助預測單元和取指單元之間畫了一根粗粗的箭頭，箭頭旁邊標註了幾個關鍵的延遲參數。
陳遠洲盯著那根箭頭看了很久，忽然摘下老花鏡用袖口擦拭鏡片。
這個動作他重複了兩次，然後重新戴上眼鏡，拿起紅色記號筆在輔助預測單元旁邊飛快地寫了一組數學公式。
筆尖划過白板的沙沙聲越來越快，寫到最後一個等號時他的手微微發抖，不是緊張，是興奮。
「把預測邏輯拆出來獨立運行，主流水線不用等，取指不用搶。王總，你這個思路不是優化，是直接改架構。但輔助單元和主流水線之間的數據同步怎麼解決？預測單元跑得再快，如果和主流水線的狀態不同步，預測結果就是廢的。」
王東來在輔助單元和主流水線之間補了一根虛線，旁邊標註了同步鎖存的時序圖。
「用異步FIFO緩衝，深度不用大，夠存兩次預測結果就行。預測單元提前算完就扔進去，取指單元到點自己取。主流水線永遠不等預測，預測永遠不拖主流水線，異步時鐘域，各跑各的。媧之前在設計鴻蒙內核調度器時用過類似的異步緩衝思路，FIFO的深度參數可以直接調過來。」
陳遠洲把手裡的紅色記號筆擱在白板槽里，後退幾步看著那張被畫得密密麻麻的架構圖，沉默了好一會兒。
然後他轉過身對著團隊裡一個戴眼鏡的年輕人說：「小劉，把王總剛才畫的輔助預測單元用Verilog搭一版原型，時鐘約束按異步FIFO的方案來設，今天搭完直接跑仿真。王總，如果這版跑通，預測準確率應該能再往上提好幾個百分點。」
他又補了一句，語氣很篤定：「不是線性提升，是直接把預測延遲砍掉。這套分支預測邏輯如果跑通，鴻蒙在低端晶片上的實時性至少能追上現在中高端晶片的水平。」
王東來點了點頭沒有多說什麼。
他在實驗室里又待了一段時間，逐項看了緩存一致性協議的優化方案和低功耗模式下的時鐘門控設計，分別提了幾個調整建議，然後離開了指令集實驗室。
走廊里燈光調得很暗，只有應急燈還亮著。
他走進電梯按下另一層的按鈕，那是AI晶片研發團隊所在的樓層。
AI晶片實驗室里的氣氛比指令集那邊更凝重。
長桌上攤著好幾塊測試板，每塊板上都焊著不同版本的AI加速核心。
測試板旁邊堆著厚厚一摞功耗曲線報告，每一頁的頁腳都被翻得起了毛邊。
項目負責人姓周，是從英偉達挖過來的資深架構師，頭髮已經白了大半，但眼神極其銳利。
「王總。」
周工把他引到主測試台前，屏幕上正跑著一組AI推理任務的功耗曲線。
「我們目前基於傳統D架構做的AI加速核心，在圖象識別和自然語言處理上的性能已經追平了英偉達同級別產品，但功耗始終偏高。主要是數據搬運太頻繁，神經網絡每一層都要從外部DRAM里反覆加載權重，加載一次能耗比算一次還高。這個問題不解決，我們的AI晶片就只能用在伺服器端，塞不進車機和手機。」
本章未完，點選下一頁繼續閱讀。