对比之前先统一口径
比较不同AI芯片架构，最容易犯的错是拿不同口径的数字直接对撞。有的指标在理想条件下测得，有的在真实负载下测得；有的只算计算单元，有的把存储与控制开销一起算。建立对比框架的第一步，是把口径拉齐：明确比较的是峰值还是持续值、是单芯片还是整机、是特定负载还是通用负载。口径不统一时，任何对比都只是修辞。一个实用做法是先写下三条约束——目标负载的形状、可接受的功耗与散热条件、软件栈的成熟度要求——再让候选架构在这三条约束下接受检验，而不是先看参数表。
维度一：计算密度与精度策略
计算密度指单位面积或单位功耗下能提供的有效运算能力。它不只看运算单元数量，还要看这些单元在不同精度下的表现。有的架构在低精度下密度很高，切换到高精度时单元利用率明显下降；有的架构通过灵活组合小单元来维持较平稳的密度曲线。对比时应关注精度切换的代价，而不是只看某一档精度的峰值。另一个容易被忽略的点是控制开销占比：阵列越大，广播与调度所需的控制逻辑越复杂，真正用于运算的面积比例可能反而下降。
维度二：数据搬运成本
数据搬运是架构之间差异最显著的地方。对比时要问：权重放在哪一级存储、激活值如何流动、中间结果是否需要反复写回。搬运成本高的架构在大模型上容易遇到带宽墙，搬运成本低的架构则可能在灵活性上让步。一个可操作的比较方式是画出数据流路径，数一数一次完整计算中数据经过了几次层级跳转，跳转越多、越靠近片外，代价越大。这个粗略计数比任何单一带宽数字都更能反映架构的性格。
维度三与四：可编程性与扩展方式
可编程性决定架构能否适应快速变化的模型结构。专用程度越高，单位效率往往越好，但面对新算子时需要更多适配工作；通用程度越高，适配成本越低，但峰值效率可能被摊薄。扩展方式则决定架构如何从单芯片走向多芯片协同：是靠高速互联把多颗芯片连成整体，还是靠分层调度让任务分布到不同单元。对比时要注意扩展带来的非线性代价——互联带宽、同步开销、任务切分粒度都会随规模放大而改变。把这四个维度放在一起，才能形成有取舍意识的判断，而不是简单的“谁更强”。
