PCIe总线作为连接x86服务器、PC和笔记本电脑核心处理器与外设的重要方式取得了巨大成功。随着CPU和GPU性能不断提升,PCIe总线速度也在同步增长,每一代都实现带宽翻倍。
即将到来的PCIe 7.0和8.0标准将带来更高速度,让我们看看它们是如何实现这些性能突破的。
目前PCIe 4.0和5.0标准广泛应用于x86 PC和服务器中连接存储设备等外设,首批6.0版本外设如美光9650 Pro SSD也已问世。由于PCIe标准向后兼容,使用旧版本的外设可以在新版本主机上正常工作。
## PCIe标准基础原理
PCI-SIG是负责PCIe标准开发的行业组织。PCIe总线本质上是外设(如存储驱动器和网络接口卡)与CPU/内存核心复合体之间的串行而非并行连接。它具有多根配对线缆,一根用于接收数据,一根用于传输数据,形成差分信号对,可实现双向传输。两个这样的信号对构成一个通道,PCIe链路可以有1、2、4、8或16个通道。
每个外设都有到CPU的点对点连接,数据通过两部分数据包传输:首先是包含时序信息的标头,然后是数据载荷。这种设计无需单独的时钟时序线。每个通道都有自己的嵌入式时钟,通过参考时钟同步。
在标准FR-4玻璃纤维增强环氧层压板制成的印刷电路板上,PCIe链路长度最多约30厘米,无需中继器或重定时器。
## 性能提升机制
后续PCIe世代通过改变数据编码方案来提高总线速度和承载能力,减少开销。基本性能指标是GTps(每秒千兆传输次数),即每个通道每秒数十亿次传输的数量。每次传输承载的位数根据编码方案而变化。
例如,PCIe 3.0使用8b/10b编码,将8位数据字节转换为10位符号,每8位块增加2位,确保直流平衡且无长串0或1。这增加了25%的开销,PCIe 3.0的原始8 GTps每通道在编码开销后实现约1 GBps的有效带宽。
PCIe 4.0和5.0等后续版本使用128b/130b方案,将开销降至约1.6%,每128位块仅2位。PCIe 5.0的原始32 GTps每通道速率在开销后实现约3.94 GBps。
PCIe 6.0引入了PAM4信号技术,具有4个脉冲幅度电压级别,每个传输信号实现2位而非之前的1位。这提供每通道64 GTps,开销后每通道约7.88 GB/s。
## 未来发展:PCIe 7.0和8.0
PCIe 7.0提供128 GT/s传输率,即每通道128 Gbps,是PCIe 6.0的两倍。除铜连接外,可能还会有基于光互连的版本。PCI-SIG表示它将满足超大规模数据中心800 GbitE、高性能计算、军事/航空航天甚至汽车应用领域的高速数据传输需求。预计PCIe 7.0产品将在规范发布后12-18个月出现,但由于速度极快且成本高昂,可能不会出现在PC级别及以下的产品中。
PCIe 8.0规范的初步工作已经开始,预计将在继续使用PAM4和Flit的同时,将传输率提高到PCIe 7.0的两倍。PCIe 8.0可能需要光链路来克服铜线的频率相关信号损耗。它还可能需要PAM8方案(每信号3位)来提高数据速率,这将需要更好的信噪比检测和错误纠正能力。
有建议认为,PCIe 8.0之后的速度可能达到每通道1 Tbps,约125 GBps,或许会采用PAM16(每信号4位)方案和光互连技术。
从PCIe 4.0开始,PCIe标准每三年更新一次,确保技术持续进步以满足不断增长的性能需求。
Q&A
Q1:PCIe 7.0相比PCIe 6.0有什么提升?
A:PCIe 7.0提供128 GT/s传输率,即每通道128 Gbps,是PCIe 6.0的两倍。它主要面向超大规模数据中心、高性能计算、军事航空航天和汽车应用领域,预计产品将在规范发布后12-18个月出现。
Q2:PAM4信号技术是什么?有什么优势?
A:PAM4信号技术具有4个脉冲幅度电压级别,每个传输信号可以实现2位数据传输,而之前只能传输1位。PCIe 6.0采用这项技术后,实现了每通道64 GTps的传输速率,开销后每通道约7.88 GB/s。
Q3:PCIe 8.0会采用什么新技术?
A:PCIe 8.0预计将传输率提高到PCIe 7.0的两倍,可能需要光链路来克服铜线的信号损耗问题。还可能采用PAM8方案(每信号3位)来提高数据速率,但这需要更好的信噪比检测和错误纠正技术。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
复旦大学团队提出ICWM框架,让机器人在任务前通过随机探测动作自主感知当前视角和物理配置,无需重新训练即可适应新摄像头角度,真实机器人测试成功率最高提升175%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。