想象一座叫 IPU 的智能城市。这座城市没有巨型工厂集中处理所有订单，而是把上千个各带仓库的社区平行排开。每个社区都能独立接单、独立开工，彼此通过约定好的哨声同步进度。这就是 Graphcore IPU 的 MIMD 并行哲学。最新款 Bow IPU 则做了一次更大胆的改造：在整座城市的地底下，直接浇筑一整层“地下供电站”，紧贴着每个社区供电，把供电距离从几十毫米缩短到几十微米。过去，电力从城市边缘绕一大圈才能送到每个社区，途中损耗大、电压不稳，工厂不敢开足马力；现在，电从脚下直送，电压稳、频率高，城市的算力提升了 40%，每度电创造的算力也提升了 16%。学习 Bow IPU，就是看一座城市如何通过“向上要空间、向下修电网”，在 AI 算力竞赛中突围。

岗位关联

掌握 Bow IPU 的 3D 堆叠与供电设计，能让你看透 AI 芯片从平面走向立体时的性能与能效权衡，为 AI 硬件选型和架构判断打下坚实基础。

目录
  1. 可视化演示
  2. MIMD架构基础
  3. 供电瓶颈挑战
  4. 3D晶圆堆叠
  5. Bow架构改进
  6. 训练延迟优化
  7. 能效指标分析
  8. 产业应用生态
  9. 商业前景展望
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示3D晶圆级堆叠工艺、MIMD多Tile并行架构、Bow与前代性能对比三阶段交互探索。

本节配有交互动效（进入视口后自动加载，约 3KB）。

3D晶圆级堆叠工艺 处理器晶圆与电源管理晶圆键合 3D堆叠提升供电效率与频率 晶圆级键合减少互连延迟 Bow = IPU wafer + PWR wafer 3D堆叠是Bow IPU核心工艺创新

MIMD架构基础

想象 Graphcore 的 IPU 是一座“智能城市”。这座城市没有把全部计算交给一个中央总部，而是派给上千个社区。每个社区既有自己的加工厂，也有紧挨着的原料仓库，接到订单立刻开工，不用等总部分发材料。Graphcore 称每个社区为一个 tile，也就是处理器核心，核心旁边就是本地存储。

这种“各社区独立干活”的架构，在计算机体系结构里叫 MIMD，多指令流多数据流。通俗地说，不同核心可以同时执行不同任务、处理不同数据，而不是所有工人重复同一动作。AI 训练中，不同样本、不同网络层天然可以并行，MIMD 正好让每个社区各点各的火。

不过，社区之间不能完全没节奏。IPU 使用 BSP（整体同步并行）机制：所有核心先算一小段，然后统一交换进度，再继续下一段。这像城市用同一声哨子指挥各社区交货，保证数据不错乱。并行虽好，串行同步却会拖后腿。

这座城市的治理智慧是“并行干活、同步对齐”。理解了这个地基，才能理解 Bow 后来在供电上做的惊天改造。

Sparallel=1(1−p)+pN\displaystyle S_{\text{parallel}} = \frac{1}{(1-p) + \dfrac{p}{N}}
这个公式说明：即使核心再多，只要任务里有必须串行的部分，加速比就存在天花板。
  1. p 的含义p 是任务中可并行执行的比例，取值在 0 到 1 之间。
    0≤p≤1\displaystyle 0 \le p \le 1
  2. 串行时间占比剩余 \(1-p\) 是必须串行的部分，不管多少核心都要花这时间。
    1−p\displaystyle 1-p
  3. 并行时间压缩可并行部分的时间被 N 个核心分摊，变成 \(p/N\)。
    pN\displaystyle \frac{p}{N}
  4. 加速比极限当核心数无穷多时，加速比受限于串行比例的倒数，这是 Amdahl 定律给出的“墙”。
    lim⁡N→∞Sparallel=11−p\displaystyle \lim_{N \to \infty} S_{\text{parallel}} = \frac{1}{1-p}

供电瓶颈挑战

城市越大，供电越难。传统芯片的电源从封装引脚出发，沿着表面密密麻麻的金属线送到每个核心，就像发电厂在城郊，电流要穿过几十毫米的“街道”才能抵达城中心。供电网络本身有电阻，电还没走完就损耗了不少。

电流经过电阻必然产生电压降，也就是 IR Drop。公式很直白：电压降等于电流乘以电阻。导线越长、电阻越大，核心收到的电压就越低。一旦电压低于设计门槛，芯片要么降低时钟频率来减少功耗需求，要么直接算错。这就像水压不够时，高楼住户只能开小水流。

为了安全，芯片只能把频率压在某个保守值，这就是“频率墙”。前代 IPU 虽然并行能力强，但外部供电网络从芯片边缘往中心延伸，像从城外拉一根很长的电线进城，压降问题限制了频率上限。城市的扩展，最终被电网卡住。

Bow 的解题思路并不是换更粗的电线，而是干脆把发电厂搬到每栋楼底下，这就是 3D 堆叠。

Vdrop=I×Rline,Rline=ρLA\displaystyle V_{\text{drop}} = I \times R_{\text{line}},\qquad R_{\text{line}} = \rho \frac{L}{A}
IR 压降的大小由供电路径的电阻决定，而电阻正比于路径长度。想降低压降，最直接的办法就是把供电距离缩短。
  1. IR 压降电流 \(I\) 流经电阻 \(R_{\text{line}}\) 时，电压下降量等于两者乘积。
    Vdrop=I×Rline\displaystyle V_{\text{drop}} = I \times R_{\text{line}}
  2. 线电阻公式电阻与材料电阻率 \(\rho\)、导线长度 \(L\) 成正比，与截面积 \(A\) 成反比。
    Rline=ρLA\displaystyle R_{\text{line}} = \rho \frac{L}{A}
  3. 压降与长度成正比把供电路径 \(L\) 缩短到原来的百分之一，压降也会近似成比例缩小。
    Vdrop∝L\displaystyle V_{\text{drop}} \propto L

3D晶圆堆叠

Bow 的答案，是往地下修一层“能源中心”。它把处理器晶圆和电源管理晶圆垂直堆叠起来，用 3D 晶圆级堆叠工艺让两片晶圆在整片尺度上贴合。上面是处理器城市，下面是供电基地，中间不是传统的封装焊球，而是高密度垂直互连。

这项工艺叫 Wafer-on-Wafer，也就是晶圆对晶圆键合。两片晶圆先各自完成制造，再高精度对准，利用铜-铜混合键合形成成千上万个垂直连接点。电力和信号通过垂直通道直达核心，距离从毫米级直接缩到微米级，相当于给每个社区都装了直达电梯。

电源管理晶圆里还集成了电容和电压调节器。电压调节器离核心越近，动态响应越快；电容离得近，能更好地抵消电流的瞬时波动。供电不再是“远水救近火”，而是楼下就是水源和泵站。

3D 堆叠不是把芯片简单叠罗汉，而是一次“城市基础设施”的重构。这项技术带来的直观收益，就是 Bow 的频率和供电效率双双提升。

R3DR2D=LverticalLhorizontal≈50 μm5 mm=0.01\displaystyle \frac{R_{\text{3D}}}{R_{\text{2D}}} = \frac{L_{\text{vertical}}}{L_{\text{horizontal}}} \approx \frac{50\,\mu m}{5\,\text{mm}} = 0.01
同样材质和截面积下，供电路径从 5 毫米缩到 50 微米，等效电阻降到原来的约 1%。
  1. 垂直路径长度3D 堆叠后供电垂直距离约为 50 微米。
    Lvertical≈50 μm\displaystyle L_{\text{vertical}} \approx 50\,\mu\text{m}
  2. 平面路径长度传统平面供电网络从封装引脚到中心核心约 5 毫米，即 5000 微米。
    Lhorizontal≈5 mm=5000 μm\displaystyle L_{\text{horizontal}} \approx 5\,\text{mm}=5000\,\mu\text{m}
  3. 电阻比值电阻与长度成正比，所以 3D 路径电阻约为原来的百分之一。
    R3DR2D=505000=0.01\displaystyle \frac{R_{\text{3D}}}{R_{\text{2D}}} = \frac{50}{5000} = 0.01

Bow架构改进

地下能源中心建好后，Bow 最直接的变化是电压更稳、裕量更大。芯片电路在高电压下可以跑得更快，在低电压下则慢。现在 IR 压降大大减小，设计者可以把工作电压调得更接近最佳值，或者维持电压不变而提高时钟频率。

从架构看，Bow 的处理器核心数、存储层级和前代基本一致，改变的其实是“输送电力的基础设施”。同一座城市，没有新增楼宇，但电力专线直供后，每家工厂都能加开夜班。因此算力提升 40% 靠的不是堆核心，而是把已有核心推向更高频率。

能效比提升 16% 也同样来自供电效率：电能损耗少了，产生同样算力所需的功耗就低了。要留意，能效比是每瓦特能发挥的算力，它和总功耗是两个概念。

Bow 用供电升级撬动了整个计算效率，这是“新基建”带来的叠加红利。

算力增幅=PBow−P前代P前代=40%,能效比增幅=ηBow−η前代η前代=16%,η=算力功耗\displaystyle \text{算力增幅} = \frac{P_{\text{Bow}} - P_{\text{前代}}}{P_{\text{前代}}} = 40\%, \qquad \text{能效比增幅} = \frac{\eta_{\text{Bow}} - \eta_{\text{前代}}}{\eta_{\text{前代}}} = 16\%, \qquad \eta = \frac{\text{算力}}{\text{功耗}}
算力增幅是相对前代峰值算力的提升，能效比则是“算力 ÷ 功耗”这个比值的提升。
  1. 算力增幅用新算力减去旧算力，再除以旧算力，得到相对提升约 40%。
    PBow−P前代P前代=0.4\displaystyle \frac{P_{\text{Bow}} - P_{\text{前代}}}{P_{\text{前代}}} = 0.4
  2. 能效比定义能效比等于每瓦算力，是算力与功耗的比值。
    η=算力功耗\displaystyle \eta = \frac{\text{算力}}{\text{功耗}}
  3. 能效比增幅新能效比相对旧能效比提升了 16%。
    ηBow−η前代η前代=0.16\displaystyle \frac{\eta_{\text{Bow}} - \eta_{\text{前代}}}{\eta_{\text{前代}}} = 0.16

训练延迟优化

AI 训练就像一场接力赛，每个节点跑完自己的棒次，还必须把交接棒（梯度）准确传给伙伴。BSP 模式下，每次同步都会产生等待。Bow 的改进让每个“棒次”跑得更快，交接也更加顺畅。

训练一个 step 的时间由计算时间和同步时间组成。Bow 算力提升 40%，意味着同样的矩阵乘法计算时间缩短到约 71%；垂直互连缩短了片内通信距离，也让同步时间下降。即便同步仍存在，整体训练延迟也被明显压缩。

大模型训练通常要跑几周，每一步节省一点，累计起来就是几天的差额。对研究团队来说，这意味着可以在同样预算下做更多实验；对产品团队来说，模型迭代速度加快，上线周期更短。

训练延迟优化不是单一魔法，而是算力和通信双管齐下。Bow 的供电改进就像给接力赛手换了更轻的跑鞋。

Tstep=Tcompute+Tsync\displaystyle T_{\text{step}} = T_{\text{compute}} + T_{\text{sync}}
单步训练时间是计算时间与同步时间之和，Bow 同时压缩了这两个部分。
  1. 单步训练时间一个 BSP 超步的总耗时由计算时间和同步通信时间组成。
    Tstep=Tcompute+Tsync\displaystyle T_{\text{step}} = T_{\text{compute}} + T_{\text{sync}}
  2. 计算时间缩短Bow 算力提升 40%，同体积矩阵乘法耗时变为原来的约 71%。
    Tcompute′=Tcompute1.4≈0.71 Tcompute\displaystyle T_{\text{compute}}' = \frac{T_{\text{compute}}}{1.4} \approx 0.71\,T_{\text{compute}}
  3. 同步时间下降3D 垂直互连缩短片内通信距离，同步开销也减少。
    Tsync′<Tsync\displaystyle T_{\text{sync}}' < T_{\text{sync}}

能效指标分析

数据中心是耗电大户，芯片能效比是年复一年的运营账单。我们可以把芯片的能效比看成“每度电换多少算力”。Bow 的能效比提升 16%，就是同样的电费能买到更多计算量。

如果算力提升 40%、能效比提升 16%，功耗增幅大约是 \(1.4/1.16 - 1 \approx 20.7\%\)。也就是说，整机功耗其实是上升的。但因为算力上升更多，平摊到每次运算的能耗反而下降，散热系统也不必为同样任务多付电费。

数据中心通常用 TCO（总拥有成本）评估：采购、电费、散热、维护统统算进去，再除以总算力。能效越高，PUE 改善越明显，单位算力成本越低。这就是除了峰值性能之外，客户真正关心的账本。

能效比的提升不是让我们少用电，而是让每度电都花在刀刃上。

功耗增幅=1.41.16−1≈20.7%,TCO=Chardware+Cenergy+CcoolingTotal FLOPS\displaystyle \text{功耗增幅} = \frac{1.4}{1.16} - 1 \approx 20.7\%, \qquad TCO = \frac{C_{\text{hardware}} + C_{\text{energy}} + C_{\text{cooling}}}{\text{Total FLOPS}}
算力提升 40% 的同时能效比提升 16%，反推功耗约增加 20.7%，但单位算力成本下降。
  1. 功耗倍数算力变为 1.4 倍、能效比变为 1.16 倍，功耗倍数约为两者比值。
    1.401.16≈1.207\displaystyle \frac{1.40}{1.16} \approx 1.207
  2. 功耗增幅减去原来 1 倍的功耗，得到增加约 20.7%。
    1.207−1=0.207\displaystyle 1.207 - 1 = 0.207
  3. TCO 公式总拥有成本除以总算力，得到单位算力成本，用于跨架构比较。
    TCO=Chardware+Cenergy+CcoolingTotal FLOPS\displaystyle TCO = \frac{C_{\text{hardware}} + C_{\text{energy}} + C_{\text{cooling}}}{\text{Total FLOPS}}

产业应用生态

再好的芯片也要有人愿意用。Bow IPU 的目标客户是大模型训练团队和云服务商。Graphcore 提供了 Poplar 软件栈，让 TensorFlow、PyTorch 模型可以直接映射到 MIMD 城市上，但生态迁移仍是绕不开的门槛。

对开发者来说，为 GPU 写的算子和显存管理逻辑不能原样搬到 IPU。好在 IPU 的本地存储把数据和计算紧紧绑在一起，一些图神经网络、Transformer 推理负载在 IPU 上反而有独特优势。云服务商看中的正是这种异构算力带来的议价空间和灵活调度。

企业部署 Bow，除了看硬件指标，还要评估迁移成本：重写一部分算子、调整同步方式、验证数值精度。训练任务的总成本与训练时长、平均功耗、电价直接相关。能效越高，长期运营越划算。

生态之争不是一句两句能解决，但每个新架构都是在为市场多一个选择。

Ctrain=Ttrain×Ppower×celec\displaystyle C_{\text{train}} = T_{\text{train}} \times P_{\text{power}} \times c_{\text{elec}}
一次训练任务的电费 = 训练时长 × 平均功耗 × 电价。Bow 的算力提升和能效提升会同时压低这个成本。
  1. 训练耗电量训练时长乘以平均功耗，得到总用电度数。
    E=Ttrain×Ppower\displaystyle E = T_{\text{train}} \times P_{\text{power}}
  2. 电费成本总用电量乘以每度电价，就是这项任务的电费。
    Ctrain=E×celec\displaystyle C_{\text{train}} = E \times c_{\text{elec}}
  3. 能效的影响Bow 的算力提升让 \(T_{\text{train}}\) 缩短，能效比提升让单位算力平均功耗下降，双重压低 \(C_{\text{train}}\)。
    Ctrain↓\displaystyle C_{\text{train}} \downarrow

商业前景展望

商业前景要看三笔账：技术账、成本账、生态账。技术账上，Bow 的 3D 堆叠路径清晰；成本账上，Wafer-on-Wafer 的制造和良率挑战依然存在；生态账上，NVIDIA 的 CUDA 生态护城河很深。

3D 晶圆级堆叠需要晶圆厂具备高精度对准和键合能力，新增的电源管理晶圆也抬高了成本。如果良率不稳定，单位成本会很高。但这类技术往往会随时间成熟，未来可能从两片晶圆堆叠走向多片集成，甚至把存储晶圆也堆叠进来。

Graphcore 也在推进 IPU-POD 整机柜方案，把多颗 IPU 连成更大规模的“城市群”，瞄准超级计算机和大型云厂商。投资回报率取决于采用新技术省下的成本，是否高于迁移和采购的增量投入。

Bow 的故事讲的是“供电架构的新基础设施”，它能否改变 AI 芯片市场格局，还要看整个生态的化学反应。

ROI=Vbenefit−CownershipCownership\displaystyle ROI = \frac{V_{\text{benefit}} - C_{\text{ownership}}}{C_{\text{ownership}}}
投资回报率衡量的是“净收益 ÷ 总投入”，这是客户是否愿意拥抱新架构的最终标尺。
  1. 净收益采用 Bow 后节省的时间成本、电费和新业务收益合计为 \(V_{\text{benefit}}\)。
    Vbenefit\displaystyle V_{\text{benefit}}
  2. 总拥有成本采购、迁移、运维等全部增量投入为 \(C_{\text{ownership}}\)。
    Cownership\displaystyle C_{\text{ownership}}
  3. 投资回报净收益除以总投入，得到每一块钱投入换回的收益。
    ROI=Vbenefit−CownershipCownership\displaystyle ROI = \frac{V_{\text{benefit}} - C_{\text{ownership}}}{C_{\text{ownership}}}

AI 应用场景

大模型训练加速

阶段：模型训练 / 算力调度

解决的问题：大模型训练周期长、GPU 集群功耗高、扩展成本高。传统架构常因功耗墙限制无法继续推高计算密度；Bow 通过 3D 供电直供提高能效，让训练在更短时间和更低电费下完成。

具体案例：一家初创公司用 Bow IPU 做多模态模型预训练。相比前代 IPU，同样的 batch size 下每步迭代时间缩短，且因为能效提升，整月电费账单下降。团队把省下的预算投入到更多超参数实验中，模型最终效果明显提升。

低延迟推理部署

阶段：推理部署 / 资源管理

解决的问题：金融风控、推荐系统需要稳定低延迟的推理服务。传统 GPU 在特定图模型上延迟波动大，IPU 的本地存储和 MIMD 并行能将图数据分片到各 tile 上并行计算。

具体案例：某云服务商在边缘节点部署 Bow IPU，承接金融客户的风险评分请求。3D 堆叠带来更高频率，单请求推理时延显著下降；同时由于单位算力功耗降低，节点温升和散热功耗下降，机房可以部署更密。

异构算力运营

阶段：算力运营 / 资源调度

解决的问题：云平台希望摆脱单一 GPU 供应商依赖，利用不同架构优势。Bow IPU 的高带宽存储与水平扩展方式，适用于图神经网络和 Transformer 推演。

具体案例：欧洲一家公有云厂商在训练集群中混布 Bow IPU 与 GPU，将图上采样和注意力计算任务调度到 IPU，并配合 Poplar 软件栈做算子适配。客户租用 IPU 实例进行小规模验证，发现单位算力成本低于同代 GPU 实例。

Python 演示

python47 行
"""Simulate 3D stacked power delivery for Bow IPU.""" def ir_drop(current_a, length_mm, resistivity_ohm_mm=1.0):    """Return IR voltage drop given current and path length."""    return current_a * resistivity_ohm_mm * length_mm def frequency_scaling(vdd, vdd_min, base_freq):    """Estimate max clock frequency using linear voltage margin model."""    margin = vdd - vdd_min    return base_freq * (1.0 + margin / vdd_min) def ipu_power_model(base_tflops, base_freq, freq_new):    """Compute new compute power from frequency ratio."""    return base_tflops * (freq_new / base_freq) def main():    vdd_nominal = 0.75    vdd_min = 0.70    i_core = 100.0    rho = 0.02     drop_2d = ir_drop(i_core, 5.0, rho)    drop_3d = ir_drop(i_core, 0.05, rho)     v_2d = vdd_nominal - drop_2d    v_3d = vdd_nominal - drop_3d     f_2d = frequency_scaling(v_2d, vdd_min, 1000)    f_3d = frequency_scaling(v_3d, vdd_min, 1000)     perf_2d = ipu_power_model(250, f_2d, f_2d)    perf_3d = ipu_power_model(250, f_2d, f_3d)     power_2d = 150.0    power_3d = power_2d * (f_3d / f_2d) * 0.96     eff_2d = perf_2d / power_2d    eff_3d = perf_3d / power_3d     print("2D IR drop:", round(drop_2d, 3), "V")    print("3D IR drop:", round(drop_3d, 3), "V")    print("Estimated freq delta:", round((f_3d / f_2d - 1) * 100, 1), "%")    print("Estimated perf delta:", round((perf_3d / perf_2d - 1) * 100, 1), "%")    print("Estimated efficiency delta:", round((eff_3d / eff_2d - 1) * 100, 1), "%") if __name__ == "__main__":    main()
目的：用供电距离模型演示 IR 压降如何限制频率，以及 Bow 的 3D 堆叠如何通过缩短路径提升算力与能效比。
  1. def ir_drop(current_a, length_mm, resistivity_ohm_mm=1.0):定义压降函数，让后续可以对比不同供电路径。
  2. drop_2d = ir_drop(i_core, 5.0, rho)模拟旧 IPU 平面供电路径 5 毫米的压降。
  3. drop_3d = ir_drop(i_core, 0.05, rho)模拟 Bow 垂直供电路径 50 微米（合 0.05 毫米）的压降。
  4. v_3d = vdd_nominal - drop_3d3D 堆叠下核心实际电压更接近标称值，供电裕量更大。
  5. f_3d = frequency_scaling(v_3d, vdd_min, 1000)电压裕量增加后，可以支撑更高时钟频率。
  6. perf_3d = ipu_power_model(250, f_2d, f_3d)算力随频率比线性增长，推算出新算力。
  7. power_3d = power_2d * (f_3d / f_2d) * 0.96供电损耗降低带来约 4% 的功耗收益。
  8. eff_3d = perf_3d / power_3d能效比即算力与功耗的比值，用来衡量每瓦算力提升。

常见误区

误区Bow IPU 就是两块芯片用导线连在一起，类似双芯封装。

正解Bow 用的是晶圆级键合，不是把两颗已封装芯片“绑”在一起。它让处理器晶圆和电源管理晶圆在整片尺度上直接对准键合，形成微米级垂直互连。这不是城市间搭天桥，而是把地下车库直接浇筑进住宅楼，本身就是一体结构。

为何常见：因为“3D”这个词很容易让人联想到把两个现成模块堆起来，而晶圆级制造超出日常经验。

误区算力提升 40% 一定是因为核心数量增加了 40%。

正解Bow 的处理器核心数量和前代基本一致。算力提升主要来自 3D 堆叠供电改善带来的更高时钟频率。好比城市人口没变，但电力不足时工厂只能白班；供电改善后可以三班倒，总产量自然提高。

为何常见：在 CPU/GPU 升级中，增加核心是最常见的提升手段，容易默认应用到 IPU 上。

误区能效比提升 16% 等于芯片总功耗降低 16%。

正解能效比是算力除以功耗。Bow 算力提升 40%、能效比提升 16%，按公式反推总功耗约增加 20.7%。准确说法是“每瓦算力提升了 16%”，而不是整体功耗下降了。

为何常见：能效比中的“能效”容易让人直接理解为省电，忽略了分母是功耗、分子是算力的比值关系。

误区MIMD 就是 GPU 的 SIMD，只是叫法不同。

正解MIMD 指多指令流多数据流，每个核心独立取指、独立执行；GPU 主流架构是 SIMT/SIMD，大量线程执行同一条指令但处理不同数据。IPU 让每个 tile 运行自己的程序，更像每个社区接不同的订单，而不是所有工人做同一道工序。

为何常见：因为 GPU 和 IPU 都是大规模并行处理器，人们容易把并行模式混为一谈。

面试题

Q1. Bow IPU最重要的制造/封装创新是什么？

单选题 · easy

  • A.采用极紫外光刻低节点
  • B.3D晶圆级堆叠供电← 正确答案
  • C.使用片上液冷散热模块
  • D.把处理核数量翻了一倍

答案：B。Bow 最重要的创新是 3D 晶圆级堆叠，它把电源管理晶圆键合在处理器晶圆下方，缩短供电路径、降低 IR 压降。极紫外光刻是前序制造环节，液冷散热和核数翻倍都不是 Bow 的核心变化，因此 B 正确。

Q2. 电源管理晶圆位于Bow的哪个位置？

单选题 · easy

  • A.与处理器晶圆并排封装
  • B.键合在处理器晶圆下方← 正确答案
  • C.集成在服务器主板上
  • D.分布在芯片四周引脚处

答案：B。Bow 的电源管理晶圆位于处理器晶圆下方，通过晶圆级键合贴合，而不是并排或放在主板上。3D 堆叠的目的就是让电源紧贴核心，减少路径电阻，故选 B。

Q3. Bow IPU相对前代的算力提升约多少？

单选题 · easy

  • A.约百分之十六
  • B.约百分之四十← 正确答案
  • C.约百分之八十
  • D.约百分之二百

答案：B。官方数据显示 Bow 算力比前代提升约 40%，这是文章核心数据。16% 是能效比增幅；80% 和 200% 与事实不符，故 B 正确。

Q4. 能效比提升16%的正确含义是什么？

单选题 · mid

  • A.总功耗降低约16%
  • B.每瓦算力提升约16%← 正确答案
  • C.每颗芯片面积缩小16%
  • D.芯片峰值频率提升16%

答案：B。能效比定义为算力除以功耗，能效比提升 16% 即每瓦算力提升约 16%。总功耗并未下降，芯片面积与频率也不直接等于能效比，故选 B。

Q5. 3D堆叠降低IR压降的根本原因是什么？

单选题 · mid

  • A.增大导线横截面积
  • B.缩短供电路径距离← 正确答案
  • C.提升芯片输入电压
  • D.增加外部电源模块

答案：B。IR 压降等于电流乘电阻，而电阻与供电路径长度成正比。3D 堆叠把供电距离从毫米级缩到微米级，路径电阻降低，压降随之减小。增大截面积也有帮助，但根本原因是缩短距离；提升电压和增加电源模块不是解决压降的方向，故 B 正确。

Q6. Bow IPU性能提升的直接工程机制是什么？

单选题 · hard

  • A.处理器核心数量增加
  • B.供电更稳推动频率提升← 正确答案
  • C.片内存储容量翻倍
  • D.采用更先进制程节点

答案：B。Bow 的处理器核心数没有大幅增加，而是通过电源管理晶圆直供提高供电效率，使时钟频率可以更高，从而提升性能。存储容量和制程节点都不是 Bow 的主要改进点，故选 B。

Q7. 关于IPU的MIMD架构说法正确的是？

单选题 · mid

  • A.所有核心共享一条指令流
  • B.各个核心各自独立执行← 正确答案
  • C.处理器采用单指令多数据
  • D.只能使用CUDA进行编程

答案：B。MIMD 的特征是多个核心各自执行独立的指令流。IPU 的每个 tile 有自己的本地存储和程序，可以同时做不同任务。GPU 的 SIMT 更接近单指令多数据，且 IPU 编程并不依赖 CUDA，故选 B。

Q8. Bow IPU带来的主要收益有哪些？

多选题 · mid

  • A.算力提升约四成← 正确答案
  • B.能效比提升约16%← 正确答案
  • C.核心数量增加40%
  • D.训练延迟有所改善← 正确答案

答案：ABD。Bow 的官方收益包括算力提升 40%、能效比提升 16%；由于计算时间缩短，训练延迟也同步改善。核心数量没有增加，因此 C 错误。正确答案是 A、B、D。

Q9. 关于晶圆级堆叠描述正确的有？

多选题 · hard

  • A.两片晶圆整片键合← 正确答案
  • B.属于芯片级封装技术
  • C.形成密集垂直互连← 正确答案
  • D.需要芯片测试分选

答案：AC。晶圆级堆叠是在整片晶圆上完成两片晶圆的键合，形成高密度垂直互连，属于晶圆级制造而非芯片级封装；它不需要先把晶圆切分测试再封装，因此 B、D 错误。正确答案是 A、C。

Q10. 电源管理晶圆的主要作用有哪些？

多选题 · easy

  • A.提供稳定电压输出← 正确答案
  • B.缩短电流传输距离← 正确答案
  • C.降低供电网络阻抗← 正确答案
  • D.参与模型矩阵计算

答案：ABC。电源管理晶圆提供稳定电压、缩短电流传输距离、降低供电网络阻抗，这些正是 3D 堆叠供电改善算力和能效的原因。矩阵计算由处理器核心完成，不属于电源管理晶圆的作用，故 D 错误，正确答案是 A、B、C。