十年架构师的一些感悟 —— 总结过去，开创未来

1、引子

回顾我的职业生涯，2006年从西安电子科技大学软件工程本科毕业，入职NEC西安研发中心，做NEC公司自有CPU的汇编；2011年入职华为云计算，2017年做到了华为云的异构计算首席架构师，完整负责公有云的四个产品，GPU/FPGA/鲲鹏/昇腾四个云服务；2018年12月加入鸿蒙团队，负责输入子系统的架构，联合人因团队的同事首次提出了统一输入体验的概念。

现在坐在新工位上，回想过去，感慨良多，重新整理一下这些过往的经验，整装出发，继续在新的岗位上闯出一片天地。

2017年开始搞异构计算，先是搞异构计算技术项目，云计算这边出了我一个人做架构师，开发是IT技术开发部的兄弟们，硬件那边是IT硬件和中硬，虚拟化是欧拉。我算了一下，和我接口的各种SE有20人左右，项目经理5个，后端开发估计有上百人了。虽然名头是首席架构师，但我觉得，我更像产品总监，项目、技术、合作、市场、交付，什么都要管。后来快交付上线的时候，部门给我配了一个PL，一个产品经理，号称异构计算三驾马车。牵引这么大一个团队，过程是十分痛苦的，但今天看来，这个经验又是我的一笔不小的财富。

还有一个小插曲，立项之初实际上是没有叫异构计算的，是叫GPU/FPGA服务化，我个人觉得这个名字太土了，才重新起了“异构计算云服务”。我当时的想法不仅仅是为了起一个看起来上档次的名字，还想埋个伏笔：我的团队不仅限于GPU和FPGA。后来异构计算团队也承接了其他异构的业务，比如现在很火的鲲鹏和昇腾，他俩的云服务产品就是我来负责的。

架构师，是一个复杂的结合体，要见客户搞需求，要排规划搞攻关，要带团队搞交付，等等等等，每个环节都不能少。

2、未来从哪里来

架构师，我认为最重要的一个工作就是预测未来，把握方向；尤其是产品的架构师，要能“做出来、卖出去！”，攻克技术难点只能得60分，甚至不及格！可是未来从哪里来？仅凭“YiYin”么？当然不行。“从客户中来，回到客户中去”，这是第一步。

我不是搞硬件出身的，立项之初，我其实是一点也不懂FPGA，对GPU也仅仅限于打游戏。我们集中到深圳封闭了两三次，我搞清楚了FPGA的来龙去脉，搞清楚了FPGA和GPU的优势；查阅了各种资料，搞清楚了当下业界的流行动态。后来我又密集拜访客户，搞清楚了客户对FPGA和GPU的诉求。当然，不能两手空空的去听客户讲，准备过程不是我要说的重点。

至少做出来以后，马上就有那么几个客户能用起来了。

3、一切可能的都是未来

保持敏锐，不要放过任何挖掘的可能。有些时候，客户有一些看似不太迫切的需求，但经过深入挖掘，客户用爽了以后，就会成为最迫切的需求，成为新的机会点。

有一个做渲染的客户，他们主要是搞电影渲染，当时客户只用CPU。渲染这个东西特别耗费计算资源，通常一帧就要渲染好几个小时。我查阅了一些资料，发现GPU做电影渲染已经非常成熟了，而且渲染效率比CPU高得多得多。与客户交流，客户意思是现在用CPU还不错，GPU没有那么迫切的诉求，暂时不考虑。

好在和客户关系不错，我动用了一点点特权，给客户申请了几台GPU机器，让客户试试。这一试不要紧，客户后来隔三差五追着我们产品经理要GPU资源。当时仅GPU这一项，收入相对是非常可观的。

4、客户的未来就是我们的未来

客户业务不中断，才有我们的未来。有一段时间我没有关注这个客户，后来我发现客户在我们GPU上的业务停了。我问了一下，是因为客户自己业务时遇到了一些问题，由于优先级不高，就暂停了这块业务。客户业务停了，我们也没钱赚呀！于是我又带队到客户现场在客户现场搞定。

在这期间，有兄弟找我抱怨，最起码我是一个华为的软件工程师，总是到客户那里去打下手，感觉不太爽。我说，咱们现在刚起步，没有资本吃山珍海味，甚至是在要饭阶段，客户哪怕给的是个干饼，能让我们吃饱了就行，何况这个客户体量也不小，出手也不吝啬，咱至少吃个肉夹馍。等以后强大了，吃山珍海味的时候多着呢。

后来，客户业务恢复正常，我们的收入也继续增长。客户不转，我们怎么转的起来？

5、平衡的艺术

架构师是整个产品或者项目方向的把控者，必须要有全局的视野，不能只把精力放在某一个方面，这样很容易忽略其他。从某种意义上讲，架构工作有重要的一部分是平衡的艺术，或者说取舍，规划与现状的平衡，范围与人员投入的平衡，紧迫程度与交付时间的平衡。

规划太过超前，短期内就很难产品化，所以要尽可能的分步交付。所谓船小好调头，前期交付发现的种种问题，对于后期技术有非常重要的参考价值，针对这些及时调整方向，才能稳步向前进。这就和开车是一个道理，车在行进过程中，司机总是在微调方向盘，不然车肯定会走偏。我认为小步快跑要比迈大步扯着dan要好一些。

那怎么取舍，我认为这个没有一个特别明确或者说特别靠谱的标准，完全要靠架构师或者架构团队的洞察力，绝对不是技术牛逼的点就搞。当前产品的TOP问题、客户的潜在需求、业界的技术动态和发展方向、各种论文/专利，这些都可以成为取舍的参考点。

细心地读者可能发现了，我上面的叙述把架构师和架构团队分开了，架构师不就是架构团队的成员么，为啥要特意分开呢。一些时候，真理往往掌握在少数人手中，这个的确是真理。所以，确信自己掌握真理的少数人一定要坚持！少数服从多数有时是致命的。当然我说的坚持真理，不能是盲目的，切忌“yiyin”！坚持真理并不代表“你以为你以为的就是你以为的”，原谅我皮了一下，哈哈。

我总结了我确定真理的一个大致准则：第一，在做或不做中挣扎的时候，不讲要技术，不要讲实现这个功能是困难还是容易，想象一下如果我是用户，我能不能接受这个结果。第二、还是不要讲技术，从逻辑上推断，如果结论是正向的，那就坚持。下面我讲个事情说明一下这两个准则。

6、“独断专行”

独断专行是个贬义词，但有时候在所有人都迷茫，甚至反对你的时候，你要坚持。再强调一下，是要坚持真理。有时候，真的是孤独的。。。

在服务器领域，如果一个PCI设备损坏，有很大的几率引起整个服务器重启。如果损坏或者故障，PCI链路可能会给系统发个fatal信号，CPU收到这个信号以后会重置服务器，也就是直接冷重启。我之前交流过的几乎所有硬件专家都表示，设备损坏，服务器下电或者重启这很正常，这个应该算是硬件领域的一个标准处理流程了。但是，显然我要说的是接受不了。

以GPU服务器为例，现在GPU服务器的密度都很高，一台服务器上8个GPU甚至16个GPU已经成了标配。按照上面所说，如果一个GPU故障，整个服务器都要重启。如果8个GPU上分别跑了8个渲染任务，即使是一个GPU坏了，最起码其他7个渲染任务还是正常的。如果重启服务器，那这8个渲染任务都会中断。显然保持其他7个业务能够正常运行是非常有价值的。所以我认为无论从用户，还是从逻辑上看，传统的这种对硬件故障的处理非常不合理，必须改变。于是我定了一个目标：硬件故障尽可能不重启物理服务器。

这个功能当然现在华为云的异构计算云服务器已经有了，并且其中的技术原理也用在另一个重点技术项目中。但是沟通的过程是痛苦的，我不是搞硬件的，但我要说服各种硬件专家，各种沟通、评审不下10次。。让我欣慰的是，这个特性成为当时的可靠性重点工作。硬件、OS、调度等各领域的兄弟姐妹们一起把这个问题搞定了。

7、千万抬头看路

“一顿操作猛如虎，仔细一看二百五”，这句话曾经在网络上十分流行，虽然有点粗俗，但我觉得的确可以给我们一些警示。项目往往要不断的校准，才能得到一个令人满意的结果。记得大学做金工实习的时候，我们是用锉刀把一段圆柱形的钢搓成小榔头。最后那几下要慢慢搓，然后拿尺子量，然后在搓再量，直到尺寸刚刚好。有一个哥们真的是一顿操作猛如虎，别的不说，就他那深蓝色的衬衫都湿透了，可见他多么猛如虎。结果过了大概两分钟，这哥们大吼一声卧槽。。。他把圆柱形搓成半圆柱了。。。而我们的目标是要搓成方柱，这块钢也就报废了。。。

实际上，我在处理规划的时候也犯了这样的错误，好在后来及时纠正了。17年那会AI已经非常非常火爆了，人工智能遍地开花，英伟达股价飞涨，所以立项初期我就瞄准打造极致性能的AI云服务器。我们当时的想法是，AI这么火爆，等我们搞出来还不卖疯了，我天天憧憬在家数钱的日子。项目搞出来上线以后，我们的各种测试结果都表明，同样的GPU配置，我们的GPU云服务器综合性能都非常好，还有一些性能遥遥领先于友商。这个状态我当时还是相当满意的，这么牛X的东东怎么可能不大卖？但的确天不遂人愿，初期咨询的客户非常多，真正买的客户却很少。当然现在异构云服务器销售非常火爆，这都是后话了。

后来调研才发现，初中政治课学的一句话在这应验了。。。“当主要矛盾解决以后，次要矛盾将会上升为主要矛盾”。人工智能尤其深度学习这个分支在近几年能够得到飞速的发展，一个重要的原因是算力的极大提升，由于GPU、FPGA、TPU的引入，使得训练与推理的效率飞速提高。这个算力就是我所说的主要矛盾。

大家都知道，训练需要大量的原始数据，训练后又会生成推理所需的模型。这两样东西被企业视作核心资产。这些东西上云，就像把自己的钱放到别人家，总有那么一点不安心。数据泄露怎么办？那我企业的竞争力岂不是丢失了。在这里，核心资产安全问题上升成了主要矛盾。当然数据安全这些问题在公有云上并不存在，公有云上有非常完善的安全机制。但我却忽视了客户的担心。

还有一个我个人认为的点，就是AI那么火爆，但实际上并没有到想象的那个程度，很多时候只是蹭蹭热点。这个观点仅仅是我自己的，请搞AI的童鞋轻拍。

所以后来根据调研结果对目标做了一些调整，后期也得到了不错的效果。

后记

本来打算躺平了，结果又找到了一个实现自我价值的工作，回过头来看看五年前写的文章，颇有感慨，略作修改，重新发表。