国家广电总局近日发布了2025年全国广播电视行业统计公报。数据显示，短视频上传用户达到10亿户，网民人均每天观看互联网视听节目（含短视频）达到205分钟。这组数据背后所隐藏的AI视频理解和AI视频生成的算力需求是一个庞大的天文数字。但在无数GPU为视频编解码、实时特效、多路转译日夜运转的背后，大部分的功耗却消耗在数据搬运而非实际计算上。算力卡的心脏在跳动，血液却在空转。

这不是处理器不够快，而是架构的交通拥堵。当视频智能的海量数据流撞上冯·诺依曼架构的“搬运-计算-搬运”流水线，算力焦虑便成了行业宿命。

解决问题的关键，可能不是造出更快的GPU，而是换一种架构思维——让计算不再等数据，而是让数据带着计算走。

我们今天的绝大多数芯片——无论是Intel还是AMD的CPU，抑或是NVIDIA的GPU——都遵循冯·诺依曼架构。这个诞生于1945年的经典设计，将指令与数据分离存储，通过总线在处理器和内存之间来回搬运。

在文本处理时代，这不是问题。但在视频智能时代，它成了沉重枷锁。

一帧4K高清视频包含约830万像素，每秒30帧意味着每秒钟有近2.5亿个像素数据需要在芯片与内存之间反复搬运。视频编解码、帧间预测、注意力计算——这些AI视频任务的本质，是海量数据的持续流动与实时处理。然而传统架构却在“等指令、搬数据、做同步”上消耗了绝大部分资源。

这就是著名的存储墙瓶颈：数据搬运消耗了绝大部分的功耗，带宽成为永远不够用的天花板。更糟糕的是，多核之间通过全局barrier进行粗粒度同步，大量计算周期浪费在互相等待上。芯片算力每年增长，但内存带宽和同步效率的进步远远跟不上——花大价钱买的算力，大部分时间在空转。

数据流架构给出了一种近乎颠覆的答案：让计算跟随数据流动，而非数据去寻找计算。

它的核心理念极其简单——一条操作指令，只有当所有输入数据都准备就绪时，才会被触发执行。没有程序计数器，没有固定的指令序列，没有集中式的调度控制。

打个比方：传统CPU像一家拥有中央调度室的工厂。调度员逐条翻阅订单（程序计数器），指挥工人去仓库取零件（搬数据）、加工、再送回仓库。即便工位空闲，也得等调度员分配下一个任务。而数据流架构更像一条智能流水线：每个工位（计算节点）只需要盯着自己的输入口——零件（数据）一到齐，自动开始工作，完成后直接把半成品送到下一个需要它的工位，全程无需中央指挥。

这个看似简单的转变，带来了四个层级的代际优势：

传统架构虽然有乱序执行和多发射技术，但只能在区区几十到几百条指令的窗口内寻找可并行执行的指令。数据流架构将整个程序展开成数据流图，所有输入就绪的操作随时可以点火执行——并行粒度从指令窗口跃升至整个程序范围。

视频处理中存在大量帧内/帧间依赖关系——B帧依赖前后的参考帧，注意力矩阵依赖Q、K、V三路输入。传统架构需要用锁、barrier等机制强行同步，而数据流架构让这些依赖关系自动驱动执行顺序：数据没到就安静等待，数据一到立刻开工，没有任何显式同步指令的开销。

这是最颠覆性的变化。数据一旦进入片上处理阵列，中间结果就在计算节点之间按照数据流图直接传递，直到最终结果产生才写入外部存储。不再需要将中间结果反复搬入搬出——搬运距离从毫米级（芯片到内存）缩短到微米级（片上节点之间），能耗降低一到两个数量级。

因为没有程序计数器、不需要分支预测、不需要寄存器重命名、不需要复杂的缓存一致性协议，数据流芯片的控制逻辑极其精简。省下来的晶体管可以全部用于计算单元——同样面积下塞进更多算力，同样功耗下跑出更高性能。

为什么视频智能计算如此适合数据流架构？因为视频的本质就是数据流。

一帧接一帧的像素，在时间维度上天然构成持续流动的序列；每个像素块在空间维度上可以独立处理，天然具备海量数据并行性；帧间预测、光流计算、注意力机制等核心算法，本身就是一张张数据依赖图。

这些特性恰好与数据流架构的能力一一对应。

数据流架构并非新鲜概念——上世纪70年代就已在学术界被提出。但受限于编译技术、制程工艺和应用场景，长期停留在实验室。

如今，视频智能爆发、算力瓶颈凸显、制程逼近物理极限，三者交汇，让数据流架构从纸上谈兵走向真刀真枪。

当然，挑战依然存在：将算法高效映射为数据流图需要专门的编译工具链；处理条件分支、循环等非规整控制流时仍需巧妙设计；生态建设不及x86和CUDA那样成熟。但值得关注的是，近年来国内外已有数家芯片创企推出了面向AI推理的数据流架构处理器，在特定场景下的能效比达到传统GPU的3-5倍。

这就引出了一个值得深思的问题：当摩尔定律放缓、制程红利消退，计算性能的持续提升究竟靠什么？是继续堆核心、堆频率、堆缓存，还是从根本上换一种计算架构？

视频智能的算力焦虑或许没有一招鲜的解决方案。但数据流架构至少指明了一个方向：真正的算力，不在于每秒能执行多少次操作，而在于每次操作中有多少是在做有效计算。

告别算力焦虑，需要换一种思路——让数据流起来，让计算活起来。当每一瓦功耗都尽可能转化为有效计算，当每一个晶体管都尽可能贴近数据路径，性价比的颠覆，便水到渠成。