背景

nCPU 是一個極具實驗性質的開源專案，旨在研究如何完全在 GPU 上運行一個 CPU。該專案將暫存器、記憶體、旗標與程式計數器全部以 PyTorch 張量的形式呈現，並將每一項算術邏輯單元（ALU）操作替換為經過訓練的神經網路模型。這意味著傳統的加法、乘法或位移運算不再是硬體電路邏輯，而是透過神經網路的推論來完成，甚至在專案中成功執行了 ARM64 指令集與 DOOM 光線投射演示。

社群觀點

Hacker News 社群對此專案展現了高度的興趣與幽默感，討論核心圍繞在「神經網路模擬硬體」的哲學意義與實際效能。許多網友驚嘆於運算邏輯的倒置現象，在傳統 CPU 中，乘法通常比加法慢且複雜，但在這個神經網路 CPU 中，乘法透過位元組對查找表實現，完全消除了順序依賴性，導致其速度反而比需要處理進位鏈的加法快上十二倍。這種硬體設計原則在神經架構中產生奇妙轉化的現象，被認為是該研究最有趣的發現之一。

然而，效能差距仍是討論中不可忽視的現實。有網友根據數據推算，這種模擬方式比傳統 2.5GHz 的 CPU 慢了約六十二萬倍。儘管如此，部分評論者指出該專案的價值不在於追求極致速度，而在於證明了使用機器學習中常見的神經網路結構，也能精確地模擬完整的 Aarch64 指令集。這種做法甚至可能讓專案在不具備通用運算能力的 NPU 上運行。有觀點認為，若要追求速度，應該採用類似 QEMU 的方法將指令編譯為著色器程序，但 nCPU 選擇了一條更純粹的神經網路路徑。

關於應用場景，社群內引發了一場關於大型語言模型（LLM）能力的爭論。支持者認為，讓 LLM 具備精確數學運算能力至關重要，而這種將運算邏輯「神經化」的研究有助於模型在不依賴外部工具的情況下提高可靠性。但反對者則諷刺地指出，這是在原本就極其高效的硬體之上，疊加了一層極其低效的模擬層，認為與其讓模型模擬 CPU，不如讓模型學會如何調用底層硬體工具。

最後，社群中也不乏幽默的調侃。有網友笑稱這實現了「在神經網路上低效運行 CPU」的夢想，並預言未來可能需要消耗近百萬瓦的電力，才能在 GPU 上模擬出一顆 100MHz 的 486 處理器。這種看似荒謬的技術路徑，實際上反映了開發者對運算本質的探索，正如網友所言，這是一個將硬體邏輯與神經網路邊界模糊化的精彩嘗試。

延伸閱讀

在討論中，有網友提到了一篇六年前的預言性文章《Graph Computation》，該文探討了圖運算與硬體模擬的演進趨勢，與 nCPU 的理念不謀而合。