计算机架构的挑战，硬件异构性，定价和易管理性

硬件异构性，定价和易管理性： Alas，在云上具有主宰地的x86微处理器，近年来在性能上几乎没有任何提升。2017年，单个程序的运行性能仅仅上升了3%。假设这个趋势继续下去，即便20年后性能也不会翻倍。类似的，单个芯片的DRAM能力也已经接近极限，16G的DRAM在市面上很常见，但32G的造起来就不太可行了。

尽管通用目的微处理器出现了性能上的问题，但对更快算力的要求却没有停止过。要向前进，只有两条路可行了：一是对于用高级脚本比如js和python编写的函数，使用专门优化过的硬件-软件设计，定制对应的处理器，这可以把特定语言的执行速度提升1到3个数量级。二是使用领域特定的体系架构(Domain Specific Architectures)，比如使用GPU，这在图像加速和机器学习领域已经是很常见的事情了，相信在未来会有更多针对领域定制的处理器出现。

我们在4.1节中曾经提到过，serverless计算要支持即将到来的硬件异构问题有两种方案：

serverless可以包含不同的实例类型，并为它们制定不同的单位使用价格。

云供应商可以支持自动切换基于语言的加速器或者领域特定体系架构。这种自动化能力可以基于cloud functions中所使用的语言或软件库隐式地完成，比如自动使用GPU来运行CUDA代码、用TPU来运行TensorFlow代码。云供应商还可以监控cloud functions的实际运行性能，根据历史数据来为它们选择最适合运行的硬件。

serverless计算目前面临的异构性问题，只是x86的SIMD指令集上面很小的一部分。AMD和Intel都在通过增加单时钟周期内运行指令数和增加新指令的方式来快速改进x86指令集。对于使用SIMD指令集的程序而言，运行在最新的Intel Skylake微处理器上要比在旧的Broadwell上快得多。今天这两种微处理器在AWS Lambda上都有应用，但它们的收费是相同的，用户也没办法选择自己的实例到底运行在哪一种处理器上。

由于加速器在云上越来越流行，serverless的云供应商可能没办法再继续忽略硬件的异构性问题，特别是在已经存在合理补救措施的情况下。