一個(gè)時(shí)代有一個(gè)時(shí)代的計算架構

Can Machines Think?

這是阿蘭·圖靈在1950年論文《計算機器和智能》中的經(jīng)典提問(wèn)，圍繞著(zhù)圖靈的目標，軟件和硬件開(kāi)啟了分頭行動(dòng)。

軟件，以算法為核心，衍生出了神經(jīng)網(wǎng)絡(luò )，并在深度學(xué)習的加持下，讓人工智能浪潮實(shí)現全面洶涌。

硬件，以芯片為載體，從CPU、GPU到各類(lèi)AI芯片，從執行人的計算程序，到像人一樣計算。芯片和AI，硬件和軟件，一個(gè)源頭流出的兩條大河，終于在此刻合流交匯。

但背后的驅動(dòng)力也越來(lái)越明顯：

一個(gè)時(shí)代有一個(gè)時(shí)代的架構。

現在，面向AI時(shí)代的計算架構，呼之欲出。

要想知道未來(lái)到哪去，必先知道自己從哪兒來(lái)。

今天，一切智能機器無(wú)論大小，都少不了一塊CPU。正是這個(gè)好比“大腦”的東西，讓大大小小的硬件可以執行人寫(xiě)好的規則，實(shí)現各式各樣的功能。

世界首塊CPU誕生于1971年，但它的概念可以追溯到世界上第一臺具有現代意義的通用計算機——EDVAC身上。

EDVAC是ENIAC（世界第一臺電子計算機）的小老弟，由馮·諾伊曼設計。EDVAC最大的改變之一，就是將計算機劃由運算器、控制器、存儲器、輸入和輸出這五個(gè)部分組成。

這就是著(zhù)名的馮·諾伊曼架構。從這個(gè)架構里，我們就可以看到CPU的雛形。

——從彼時(shí)至今，無(wú)論CPU的具體實(shí)現怎么變、晶體管數量翻多少番，它的構成始終由運算器、控制器和寄存器這三大部分組成。

其中，運算器也叫算術(shù)邏輯單元（ALU），負責算術(shù)運算和邏輯運算。寄存器細分為指令寄存器和數據寄存器等，負責暫存指令、ALU所需的操作數、ALU算出的結果等。

控制器則負責整體調度工作，包括對要執行的指令進(jìn)行譯碼、從內存中調取數據給寄存器、向運算器和寄存器發(fā)出具體操作指令等。

從上面這個(gè)分工我們也能看出CPU的大概工作流程，簡(jiǎn)單來(lái)說(shuō)就是這四步：

1、從內存提取指令；2、解碼；3、執行；4、寫(xiě)回。

其中寫(xiě)回到寄存器的結果，可供后續指令快速訪(fǎng)問(wèn)。

看起來(lái)，整個(gè)流程沒(méi)有什么bug。

但仔細回看一下CPU三大組成的各自分工，可以發(fā)現控制器和寄存器是這里面要負責的東西最多、要存的東西最多的兩部分。

從下面這張CPU的簡(jiǎn)略架構圖也能看出，運算器“偏居一隅”，幾乎80%的空間都被控制單元和存儲單元占據。

這樣的設計就造成CPU最擅長(cháng)的是邏輯控制，而非計算。

同時(shí)，依照馮·諾依曼架構“順序執行”的原則，“古板”的CPU只能執行完一條指令再來(lái)下一條，計算能力進(jìn)一步受限。

當然，你說(shuō)CPU靈活性高、通用性強，我們可以將它進(jìn)行同構并行。

但別忘了，單個(gè)CPU的性能上限就那么高、能容納的核數也有限，這種方法能挖掘的潛能實(shí)在有限。

所以，要是讓CPU來(lái)完成計算量動(dòng)輒上億的AI任務(wù)，實(shí)在是“愛(ài)莫能助”。就比如在自動(dòng)駕駛領(lǐng)域，系統需要同時(shí)查看人行道、紅綠燈等路況，如果交給CPU來(lái)計算，總不能車(chē)都撞上了還沒(méi)算出來(lái)結果吧。

所以，針對CPU“拉垮”的計算能力，GPU站在了浪潮之巔。

正如其全稱(chēng)“圖形計算單元”，GPU的初衷主要是為了接替CPU進(jìn)行圖形渲染的工作。

因為圖像上的每一個(gè)像素點(diǎn)都需要處理，這項任務(wù)計算量相當大。尤其遇上一個(gè)復雜的三維場(chǎng)景，就需要在一秒內處理幾千萬(wàn)個(gè)三角形頂點(diǎn)和光柵化幾十億的像素。

不過(guò)，由于每個(gè)像素點(diǎn)處理的過(guò)程和方式相差無(wú)幾，這項艱巨的任務(wù)可以靠并行計算來(lái)化解。

而這恰好就是GPU最得天獨厚的優(yōu)勢，尤其以處理這種邏輯簡(jiǎn)單、類(lèi)型統一的瑣碎計算任務(wù)為甚。

GPU之所以擅長(cháng)并行計算，從其架構里就決定了。

GPU幾乎主要由計算單元ALU組成，僅有少量的控制單元和存儲單元。

這也就意味著(zhù)，GPU可以擁有數百、數千甚至上萬(wàn)核心來(lái)同時(shí)處理計算任務(wù)，使計算的并行度得到成千上萬(wàn)倍的提升——相比現在普通電腦最多8核CPU同時(shí)工作，這是一個(gè)多么恐怖的數字。

再舉一個(gè)最簡(jiǎn)單的例子來(lái)直觀(guān)感受一下。

比如現在我們來(lái)計算一下5000個(gè)數相加之后的總和。

如果我們用CPU來(lái)算，即使派上8核CPU，每個(gè)核也需要計算625個(gè)數；假設每計算一個(gè)數需要1s，即使8核并行計算，總共也需要625s。（這里暫時(shí)不考慮支持向量指令的CPU）而GPU，核心數成千上萬(wàn)，計算5000個(gè)數字只需每核算1個(gè)數，1s就能搞定。

625sVS1s，這是何等的差距。

除了并行計算能力，GPU的內存帶寬也是CPU的幾十倍 ，決定了它將數據從內存移動(dòng)到計算核心的速度更快，整體計算性能更加讓CPU望塵莫及。

由于GPU的設計并沒(méi)有專(zhuān)門(mén)跟圖形綁定的邏輯，屬于一種通用的并行計算架構，所以除了圖像處理，它其實(shí)也非常適用于科學(xué)計算，乃至復雜的AI任務(wù)。

所以在2012年，當Hinton及其弟子Alex Krizhevsky將其作為深度學(xué)習模型AlexNet的計算芯片，一舉贏(yíng)得Image Net圖像識別大賽之后，GPU在A(yíng)I領(lǐng)域的名聲就一炮打響。

而早就基于自家GPU推出了CUDA系統的英偉達，又憑借著(zhù)三年時(shí)間里將GPU性能提升65倍，并提供后端模型訓練和前端推理應用的全套深度學(xué)習解決方案，奠定了自己在該領(lǐng)域的王者地位。

直到今天，GPU也還是AI時(shí)代算力的核心、人工智能硬件領(lǐng)域的霸主。

然而，GPU屬于通用計算芯片和架構，并非專(zhuān)門(mén)為AI打造，無(wú)法實(shí)現性能和功耗的統一。它的計算能力越強代表核心越多，功耗也就越大。

比如RTX 4090，450W；比如今年9月剛上市的H100，直接史無(wú)前例，700W。這種情況還大有逐年攀升之勢。

還是拿自動(dòng)駕駛舉例，在電車(chē)基本成為主流的當下，如此高的功耗勢必對續航里程造成困擾。更別提越來(lái)越多的終端也開(kāi)始具備AI能力（比如手機、智能音箱），它們不僅要求計算能力，對功耗的要求也更加嚴格，再強的GPU在這里也顯得很弱勢。

另外，一些更復雜的AI場(chǎng)景（如云端推理、模型訓練等），常常動(dòng)輒就需要上百塊GPU一起運算，這讓整個(gè)計算平臺的功耗控制也是相當棘手。很多機構不得不考慮能源和環(huán)保問(wèn)題。

這不，今年7月誕生的目前最大的多語(yǔ)言開(kāi)源模型BLOOM，就動(dòng)用了384塊A100煉成，釋放的熱量最終都用來(lái)給學(xué)校供暖了。

所以，綜上來(lái)看，CPU和GPU的出現，雖然幫助機器擁有了執行人的思考和計算的能力，尤其后者讓AI計算任務(wù)得到了相當大的加速，但一些缺點(diǎn)還是讓它們無(wú)法大展身手。

因此要想讓機器像人一樣思考和計算，通用計算芯片的架構決定了不會(huì )是最佳方案。

數據驅動(dòng)的方式方法，讓機器像人一樣思考和計算展現了可能。

但背后的計算需求，也讓過(guò)去的計算架構越顯強弩之末。

據統計，光是在2012年到2018年的六年時(shí)間里，人們對于算力的需求增長(cháng)了就超過(guò)30萬(wàn)倍。也就說(shuō)，每3.5個(gè)月AI算力就大約翻一倍。如今這個(gè)數字還在繼續攀升。

所謂“通不如精”，以CPU和GPU為代表的通用計算芯片架構，已經(jīng)無(wú)法很好地匹配和滿(mǎn)足這一需求，所以在各類(lèi)新AI技術(shù)層出不窮的同時(shí)，新計算、新架構、新芯片在過(guò)去幾年也迎來(lái)了前所未有的大爆炸。

因此這幾年，我們看到了很多除了CPU和GPU以外的各種“xPU”，諸如谷歌TPU、Graphcore IPU、特斯拉NPU、英偉達DPU……

盡管它們的分類(lèi)不同，有的屬于半定制化的FPGA，有的屬于全定制化的ASIC，有的應用于終端，有的應用于云端……但作為專(zhuān)門(mén)為AI任務(wù)和需求而生的新芯片，它們都有著(zhù)比CPU/GPU功耗低、計算性能高、成本更低等優(yōu)勢，落地到哪里就給哪里帶去了翻天覆地的變化，比如最近幾年的智能手機、自動(dòng)駕駛、機器人、VR等領(lǐng)域。

按照能力和用途，這些AI芯片們在這個(gè)過(guò)程中上演了這樣兩個(gè)階段：

首先是僅作為加速器，輔助CPU完成HPC、模型訓練/推理等AI任務(wù)。

（AI芯片幾乎都不具有圖靈完備，所以必須要和CPU一起搭配使用，這也是所謂的“異構融合”大趨勢。）

它們的結構類(lèi)似串聯(lián)，可以用“CPU+xPU”這樣的公式來(lái)表達。

這一組合最經(jīng)典的其實(shí)就是CPU+GPU，它倆到現在其實(shí)也還在流行。

只不過(guò)如前面所說(shuō)，GPU不算專(zhuān)門(mén)為AI設計的芯片，無(wú)法在這一領(lǐng)域發(fā)揮出極致的性能，所以這里的xPU更多的指TPU、IPU、DPU等AI加速芯片。

（當然，GPU還是自有它的用處，所以它有時(shí)也會(huì )加入進(jìn)來(lái)，形成“CPU+GPU+xPU”的結構。）

這一模式最大的特點(diǎn)就是，CPU只負責少量的計算，一般為那些情況比較復雜、計算難度不確定、靈活性要求高的部分；大部分“臟活累活”都由計算能力超強、能耗又沒(méi)那么高的xPU來(lái)完成。

就如下圖所示，在實(shí)際情況中，它們的分工很可能遵守“二八定律”——xPU負責整個(gè)系統80%的計算任務(wù)，剩下的20%由CPU+GPU分擔，其中GPU的比例又高達16%，留給CPU的只剩下4%。

如果進(jìn)行軟硬件融合的進(jìn)一步優(yōu)化，三者之間的比例還可能變動(dòng)為90%、9%和1%。

這樣各司其職、各揮所長(cháng)的安排可以保證最極致的性能和性?xún)r(jià)比，做到從前CPU和GPU單上無(wú)法企及的高度。

其次，AI芯片作為專(zhuān)用芯片，針對專(zhuān)門(mén)的領(lǐng)域推出，負責某一特定AI任務(wù)的計算。

（說(shuō)通俗點(diǎn)，就是某一塊專(zhuān)用芯片能在自動(dòng)駕駛領(lǐng)域使用，換了機器人領(lǐng)域就不行）。

在這種模式下，各xPU已成為各系統的主角，決定該系統的整體性能和效果。

這就導致一些自動(dòng)駕駛公司，在宣傳它們的技術(shù)時(shí)，只把xPU拉出來(lái)大肆宣傳，基本不提CPU和GPU的事兒了。

那么CPU在干嘛？當然是利用自己擅長(cháng)的邏輯控制來(lái)把控整個(gè)流程。

因此此時(shí)，CPU和AI芯片的關(guān)系更像一種并聯(lián)結構，我們就可以用“CPU、xPU”的公式來(lái)表達（當然，GPU也仍然可能參與其中）。

如前面所說(shuō)，由于CPU基本不決定計算性能，我們也就不用再寄希望于CPU的戰斗力有多強。

進(jìn)一步地，我們可以認為，這種模式其實(shí)是將通用計算芯片的核心地位削減了——CPU的地位又變了。

那么，成為“中流砥柱”的AI芯片們究竟有多大威力？我們來(lái)看3個(gè)案例。

首先是云端。

在這個(gè)領(lǐng)域，互聯(lián)網(wǎng)巨頭們有著(zhù)“本土作戰”的優(yōu)勢，因此大多可以不依賴(lài)英偉達等傳統巨頭。

如谷歌2015年就推出了自己的云端加速AI芯片TPU。

它的中文名叫張量處理器，屬于A(yíng)SIC芯片的一種，專(zhuān)為加速深度學(xué)習框架TensorFlow而設計。

得益于用量化技術(shù)進(jìn)行8位整數運算、脈動(dòng)陣列、基于復雜指令集（CISC）等設計，它與同期的CPU和GPU相比（英特爾至強E5-2699 v3與Tesla K80 GPU），可以提供大約15-30倍的性能提升。

如下圖所示，當將延遲全部控制在7毫秒之內時(shí)，TPU每秒可運行的MLP0預測可達22.5萬(wàn)次。同等情況下，CPU只有5000多，GPU也僅為1.3萬(wàn)+。

效率方面（性能/瓦特）的提升也高達30-80倍：

（谷歌第一代TPU功耗約為40W，性能最強的第四代也只有175W，而同時(shí)期的A100已達400W。)

這樣的成績(jì)意味著(zhù)它既可以大規模運行于最先進(jìn)的神經(jīng)網(wǎng)絡(luò )，也可以同時(shí)把成本控制在可接受的程度上。

它的出現，不僅打破了深度學(xué)習硬件執行的瓶頸，也在一定程度上撼動(dòng)了英偉達等傳統巨頭的地位。

谷歌也對它重用有加，搜索、街景、照片、翻譯等服務(wù)以及AlphaGo背后的神經(jīng)網(wǎng)絡(luò )計算，都交由它來(lái)完成。TPU的出現，成為了AI時(shí)代云端計算需求的代表性解決方案。

終端方面，最具代表性的場(chǎng)景是AI司機變革下的汽車(chē)領(lǐng)域，即自動(dòng)駕駛。

目前，自動(dòng)駕駛芯片有兩條主要技術(shù)路線(xiàn)：

一是英偉達Orin靠“魔改”GPU所走的通用架構路線(xiàn)；另一個(gè)是特斯拉、高通、Mobileye等青睞的專(zhuān)用芯片技術(shù)路線(xiàn)，也就是CPU+（GPU）+xPU的形式。

比如特斯拉FSD芯片就是主要由CPU、GPU和NPU組成。

其中，NPU是里面占比最大的處理器，是整個(gè)架構的重點(diǎn)。

它是由特斯拉硬件團隊自研的一種ASIC芯片，主要用來(lái)對視覺(jué)算法中的卷積運算和矩陣乘法運算進(jìn)行有效加速。

具體來(lái)看，每塊NPU的運行頻率為2GHz，峰值性能可達每秒36.86萬(wàn)億次運算（TOPs），總功耗卻僅為7.5W。

所以，正是從特斯拉開(kāi)始，專(zhuān)為自動(dòng)駕駛所需的神經(jīng)網(wǎng)絡(luò )打造的NPU開(kāi)始成為汽車(chē)芯片的主要組成部分，傳統的通用芯片CPU、GPU開(kāi)始退居輔助位置。

國內方面，唯一實(shí)現車(chē)載智能芯片大規模前裝量產(chǎn)的地平線(xiàn)，其代表芯片征程系列，也是采用“CPU+ASIC”的技術(shù)路線(xiàn)，ASIC部分用的是自研的BPU。

它的使用使最新的征程5芯片算力達到了128TOPS，功耗也只有30W。

由此，征程5靠4.3TOPS/W能耗比，一舉超過(guò)了特斯拉FSD（2TOPS/W）、也超過(guò)了2022年高端智能電動(dòng)車(chē)標配的英偉達Orin（3.9TOPS/W）。

這種性能和功耗展現出的對比，甚至是標志性的。背后是芯片架構在A(yíng)I時(shí)代正在發(fā)生的變化趨勢：

CPU在其中的作用和地位一直在變化，而這其實(shí)反映的是AI時(shí)代計算架構客觀(guān)需求的進(jìn)化——

一開(kāi)始是完全規則驅動(dòng)，只有CPUGPU等通用計算芯片進(jìn)行發(fā)力，但由于架構的規則都是被寫(xiě)死的，無(wú)法適應越來(lái)越快的算力需求；

于是開(kāi)始了半規則驅動(dòng)，CPUGPU等通用計算芯片的核心能力繼續發(fā)力，但已開(kāi)始有專(zhuān)用芯片的介入，讓AI計算架構不再依賴(lài)于完全寫(xiě)死的規則，相對靈活地發(fā)揮出價(jià)值；

再到后來(lái)，便開(kāi)啟了自定義規則驅動(dòng)的階段，此時(shí)專(zhuān)用型AI芯片占據核心地位，CPU/GPU僅僅作輔助之用，AI計算架構獲得最大的自由度。

而我們的機器也終于能夠從執行人的思考和計算，越來(lái)越接近像人一樣思考和計算。

但這還不是終點(diǎn)。

終點(diǎn)是什么？不同視角會(huì )有不同的答案。

最近正在被更多人認同的是：Neural Computing，神經(jīng)網(wǎng)絡(luò )架構，或者說(shuō)神經(jīng)網(wǎng)絡(luò )統一架構。

即一個(gè)大一統的神經(jīng)網(wǎng)絡(luò )計算架構，一套架構驅動(dòng)所有場(chǎng)景、領(lǐng)域或任務(wù)，比如圖像處理、視頻編解碼、圖像的生成、渲染，只需要很少的一點(diǎn)點(diǎn)改動(dòng)或者一點(diǎn)點(diǎn)算法的調優(yōu)，就能解決各式各樣的問(wèn)題。

其特點(diǎn)，就是用技術(shù)驅動(dòng)的方式去集成少量的規則，讓硬件因軟件而打造，軟件為實(shí)現算法而生，這樣更符合AI算法模型和任務(wù)的特點(diǎn)，也才能真正讓模型躍遷驅動(dòng)性能躍遷。而不再是傳統的用硬件迭代解決問(wèn)題。

而且這種方法論，不只是單純的展望，因為正在被實(shí)踐。

比如智能車(chē)載芯片，不僅用神經(jīng)網(wǎng)絡(luò )做了分割、檢測和識別等語(yǔ)義級信息，而且能夠清晰地看到一個(gè)趨勢，包括ISP（Image Signal Processing）這樣的圖像處理任務(wù)，也都能夠用神經(jīng)網(wǎng)絡(luò )實(shí)現了。

而業(yè)內，視頻編解碼相關(guān)的方法，神經(jīng)網(wǎng)絡(luò )也比傳統方式實(shí)現得更好，信噪比更優(yōu)異。

這兩年火爆的NeRF，涉及到過(guò)去非?？简炗布芰Φ膱D像渲染，需要基于光線(xiàn)追蹤等等圖形學(xué)理論建立復雜規則的算法，也都被證明神經(jīng)網(wǎng)絡(luò )可以做得更好。

甚至用的還是很簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò )計算方法，通過(guò)學(xué)習再推理的方式重構整個(gè)過(guò)程，把過(guò)去花費大力氣求解的3D點(diǎn)云恢復重建等問(wèn)題，更直接高效解決，實(shí)力和潛力，都不言自明了。

更重要的是，這種實(shí)踐被放到了一個(gè)更具時(shí)代變革的趨勢上：計算架構領(lǐng)域到了一個(gè)分久必合的時(shí)候，到了一個(gè)傳統馮諾依曼架構亟待突破的時(shí)候。

這是兩個(gè)時(shí)代的劃分，背后是人與機器關(guān)系的兩種范式。

1.0時(shí)代，依賴(lài)于經(jīng)驗和規則，把人類(lèi)理性分析轉換成計算機可具體執行的規則代碼，不僅定義目標，也定義整個(gè)執行的過(guò)程。

這個(gè)時(shí)代里有很多經(jīng)典的算法排序，會(huì )告訴機器每一步做什么，以及怎么做。CPU和GPU都是這個(gè)時(shí)代里的集大成者。

2.0時(shí)代，依靠的是神經(jīng)網(wǎng)絡(luò )學(xué)習和迭代，人類(lèi)提目標、要求，有時(shí)目標甚至會(huì )是一個(gè)大致的方向和框架，但機器會(huì )在神經(jīng)網(wǎng)絡(luò )驅動(dòng)下，搞清楚如何去執行，如何圍繞目標求解最優(yōu)解——機器有了自主性。于是就得從算法、架構到芯片確保機器的這種自主性。

1.0時(shí)代可以很多精細的規則、后處理、后融合，把所有人類(lèi)對于具體場(chǎng)景任務(wù)的know-how變成計算機可嚴格執行的代碼，再與“摩爾定律”和硬件革新配合，做到極致的高效。

然而AI模型范式下對數據的需求，以及先進(jìn)制程的瀕臨極限，摩爾定律失效已然是再明顯不過(guò)的事實(shí)。

所以計算架構和范式，一定會(huì )進(jìn)入2.0時(shí)代，人類(lèi)架構的是神經(jīng)網(wǎng)絡(luò )模型，模型自己去求解目標和結果，整個(gè)過(guò)程不再依賴(lài)人寫(xiě)死的規則和經(jīng)驗。這會(huì )是軟件、硬件到認知方法方方面面的根本性改變——傳統的計算架構不再適用。

這種對自主機器到來(lái)的判斷，實(shí)際也能理解很多新現象。

比如馬斯克為什么把特斯拉的下一步，定在機器人形態(tài)上。

百度創(chuàng )始人李彥宏，把自動(dòng)駕駛、智能車(chē)，放在了“汽車(chē)機器人”的維度上思考和談?wù)摗?/p>

以及當前以智能車(chē)載芯片知名的地平線(xiàn)，全名里為啥是“機器人技術(shù)”。

因為一旦沿著(zhù)AI落地展開(kāi)思考和推演，最后能作為獨立品類(lèi)、物種展現AI核心變革力的，有且只有機器人，或者說(shuō)就是自主機器人。

它可以是家里掃地的那種，可以是提供自動(dòng)駕駛出行的那種，也可以是仿照人類(lèi)形體而生的那種——從感知到控制都有自主權，會(huì )是邊緣的而非云端的，會(huì )是去中心化的而非中心化的。

而既然自主機器人是AI最終的歸屬，那更本質(zhì)的要打造的產(chǎn)品，就是驅動(dòng)這個(gè)自主機器人的大腦，就是處理器，或者更本質(zhì)地說(shuō)是計算架構。

這個(gè)本質(zhì)問(wèn)題的搞清楚，也能理解整個(gè)芯片半導體、信息計算產(chǎn)業(yè)的興衰規律。

按照經(jīng)濟學(xué)的觀(guān)點(diǎn)說(shuō)，需求決定了供應，經(jīng)濟基礎決定了上層建筑。

這也是為什么一個(gè)時(shí)代會(huì )有一個(gè)時(shí)代的芯片，因為一個(gè)時(shí)代會(huì )有一個(gè)時(shí)代的計算架構。

既然神經(jīng)網(wǎng)絡(luò )已經(jīng)開(kāi)啟了“機器像人一樣思考和計算”的變革，那固化執行人類(lèi)思考和計算過(guò)程的架構，注定讓出中心地位，通用計算芯片也會(huì )逐漸失去主導權。

這種無(wú)情的歷史變遷，也讓另一個(gè)知名類(lèi)比更具現實(shí)骨感。

在A(yíng)I浪潮洶涌的熱潮中，CPU一而再被質(zhì)疑，一而再被挑戰，后來(lái)英特爾的高管給出了極具中國色彩的比喻——

“CPU是所有XPU平臺的中央神經(jīng)系統，這就有點(diǎn)像中國人的主食米飯，別的XPU都是菜，不同地方的人喜歡不同的菜，但他們都需要和大米來(lái)搭配?！?/strong>

這個(gè)類(lèi)比，彼時(shí)彼刻，不得不承認既形象又巧妙。

只是比喻后來(lái)也跟此時(shí)此刻一樣精準：追求低碳水的新時(shí)代里，誰(shuí)也沒(méi)想到，米飯竟然不再必要了。

來(lái)源：量子位