是时候采用新的计算架构方法了吗？
注册表：如果我们看看当今计算架构的工作方式，这个模型的挑战和缺点是什么？赞助特写阅读注册专访，了解苏黎世理工学院的Onur Mutlu教授对我们应该部署的计算架构的看法，以满足下一代需求.
Onur Mutlu教授：我们今天设计计算系统的方式存在重大问题.
其中最大的一个是，尽管数据集在增长，我们正在尝试用它们做更复杂的事情，但进行实际计算的组件在系统中只占很小的一部分.
如果以一个典型节点为例，超过98%的节点专门用于存储、控制和移动数据，而对数据进行操作的处理器只占其中非常小的一部分.
我们设计系统的方式非常以处理器为中心.
处理器是王，所有的东西都必须移到处理器上，这样你才能进行计算.
存储系统、存储系统和互连并不是有效的组件，它们可以高效地进行计算.
当你不断地在处理器和内存或存储子系统之间移动数据时，这是一个主要的瓶颈.
REG：这如何适应数据密集型应用程序的时代？OM：越来越多的情况是，我们有来自机器学习和基因组学等应用程序的数TB数据要存储.
我们和谷歌一起做了一项研究，我们研究了大型机器学习模型，这些模型使用了机器学习加速器，我们发现超过90%的系统总能量实际上花在了访问内存上.
这既会导致能源问题，也会导致性能问题.
硬件的大部分潜力都被浪费了，这也导致了可持续性问题.
所有这些只用于存储数据的处理硬件加起来会浪费大量的碳.
雷格：有没有以更好的方式完成这项工作的余地？奥姆：我相信在未来，内存和存储应该、也将更紧密地结合在一起.
它们也将更加活跃，因此，例如，当处理器需要执行工作负载的数据密集型部分时-例如具有数据密集型推理的大型语言模型-它将该功能卸载到内存.
然后，结果被返回给处理器，允许它继续处理其他事情.
有了这个模型，一切都可以更协作地工作，以更高效、更高效的方式解决问题.
REG：哪种应用程序从这种方法中受益最大？OM：我们谈论的是以数据为中心的应用程序，如基因组学，或机器学习的培训和推理.
您可以为每个存储节点分配存储节点，并根据应用程序的需要动态变化.
通过包含数据并在存储系统中进行处理，您可以创建巨大的能效.
今天的计算机并不节能.
如此多的能量被浪费在将数据从内存移动到处理器上，仅仅是为了非常简单的计算.
我称之为数据移动的隐藏成本.
我们正试图改变这一点，例如，通过将加速功能放在存储器端.
REG：告诉我们更多关于你在基因组学方面所做的工作.
