计算机是怎么长出来的
总目录/ 第 0 部/ 0.4 两种芯片架构/ 0.4.2

0.4.2 苹果 M 系列为什么既省电又快

约 1.1 万字 · 6 张图 · 读完你能说清 M1 的优势里哪些来自架构、 哪些来自工艺、哪些来自「别人学不了」的垂直整合

2020 年 M1 发布时,最流行的一句话是「ARM 打败了 x86」。 这句话结果对,原因错。 同样用 ARM 的 Windows 笔记本早就有了,一台都没成; 而 M1 让一台 1.3 公斤的机器剪 4K 视频不用插电。 差别不在指令集,在「内存放哪、GPU 在哪、电给谁」这三件事上。 而这三件事,只有一家公司能同时决定。

本节的小部分

  1. 0.4.2-1 先把三个流行解释检验一遍
  2. 0.4.2-2 统一内存:省掉的不是带宽,是复制
  3. 0.4.2-3 带宽的账:68 GB/s 其实不算高
  4. 0.4.2-4 一颗芯片上有什么
  5. 0.4.2-5 一个功耗池:谁闲谁让电
  6. 0.4.2-6 大核与小核:待机功耗的秘密
  7. 0.4.2-7 每瓦性能:优势到底有多大
  8. 0.4.2-8 Rosetta 2:怎么让旧软件跑起来
  9. 0.4.2-9 被夸大的部分:三笔不能忽略的账
  10. 0.4.2-10 为什么别人学不来
  11. 0.4.2-11 ARM PC 的真实处境
  12. 0.4.2-12 小结与十道自测题

0.4.2-1先把三个流行解释检验一遍

关于 M1 为什么快,网上有三个流传最广的解释。我们一个一个看。

解释一:「因为它是 ARM,RISC 比 CISC 快」

上一节已经算过:指令集对功耗的贡献大约 10% 到 30%,对性能的影响更小。 而且 x86 内部本来就是 RISC 核心。

更直接的反证是:2012 到 2019 年,高通、微软、三星都做过 ARM 笔记本, 一台都没站住。如果「ARM 就快」,它们早该赢了。 所以这条解释最多算「不拖后腿」,不是原因。

解释二:「因为台积电 5nm 比 Intel 14nm 先进」

这条有一半对。M1 在 2020 年用台积电 5nm,而当时 Intel 的主力还是 14nm (10nm 刚起步且良率不好)。制程领先一代半到两代,同功耗下性能确实能高 30% 到 50%。

但这解释不了两件事:

一是同期 AMD 也用台积电 7nm,一样打不过 M1 的每瓦性能。 二是 M1 的芯片面积特别大——160 亿晶体管, 比同期的移动 x86 芯片多出一大截。 用更多的晶体管换性能,这不是「制程红利」,这是「设计选择」。

解释三:「因为苹果会设计芯片」

这条对,但太笼统。苹果从 2010 年的 A4 开始做芯片,到 M1 已经十年。 真正的问题不是「会不会设计」,是「它能决定什么,别人不能」。

具体说,苹果能同时决定四件事:

这四条合起来,才是 M1 的真正原因。 而每一条,单独拿出来都不算技术创新——它们是「组织能力」。

这不是苹果第一次换指令集

理解 M1,需要知道一件事:苹果换过三次 CPU 架构,每一次都成功了。

年份从到翻译层
1994摩托罗拉 68kPowerPC内置 68K 模拟器
2005PowerPCIntel x86Rosetta(第一代)
2020Intel x86ARM64Rosetta 2

三次迁移有一个共同的结构:新硬件先上,旧软件靠翻译层过渡, 两年后开发者跟上,翻译层退居次要位置。

1994 年那次,苹果在 PowerPC 里塞了一颗 68k 的兼容芯片, 老程序跑在上面,慢一点但能用。 2005 年那次,Rosetta 第一代做的是「翻译 + 缓存」,思路和 Rosetta 2 一样。

所以 2020 年那次,苹果不是在冒险,是在重复一件做过两遍的事。 而这件事的难度,一大半不在技术,在「让开发者相信你这次是认真的」—— 苹果前两次都做到了,所以第三次大家愿意跟。

对比一下微软:Windows on ARM 从 2012 年的 Surface RT 开始, 到 2017 年才支持 64 位 x86 模拟,中间五年用户买到的机器「很多软件装不上」。 不是技术不行,是承诺不清楚。 开发者不知道这个平台会不会被放弃,就不敢投入。

一句话记住这一节:M1 不是「一颗更好的 ARM 芯片」, 是「一台被重新组织过的电脑」。 芯片只是这个组织的中心,不是全部。

M1 之后发生了什么

把后面几代排一排,能看出苹果在干什么——它一直在做同一件事:加位宽、加核心、换工艺。

芯片工艺晶体管带宽关键变化
M15nm160 亿68 GB/s第一代,4+4 核
M1 Pro5nm337 亿200 GB/s位宽翻两倍,核翻倍
M1 Max5nm570 亿400 GB/s位宽再翻倍
M1 Ultra5nm1140 亿800 GB/s两颗 Max 拼接
M25nm200 亿100 GB/s改良版,LPDDR5
M33nm250 亿100 GB/s首次 3nm
M43nm280 亿120 GB/s第二代 3nm

注意 M1 Ultra 那一行:它不是一颗更大的芯片,是两颗 M1 Max 用硅中介层连起来。 这个设计的关键是「连接带宽要足够高」——两颗芯片之间的通道做到了 2.5 TB/s, 高到操作系统可以把它们当成一颗芯片用。

这条路线的意义在于:它绕开了「芯片面积不能无限大」的限制。 一颗芯片做不了 1140 亿晶体管(良率会崩),但两颗 570 亿的可以分别制造,再拼起来。 这也是整个半导体行业的方向(chiplet),只是苹果先在自己产品上做成了。

传统笔记本的分离式结构与 M1 的封装内统一内存对比
图 0.4.2-1 左边:CPU、内存、显卡各在一块板子上,数据要过 PCIe。右边:内存和 SoC 在同一个封装里,数据不用出门。

0.4.2-2统一内存:省掉的不是带宽,是复制

这是 M1 最核心的一个设计,也是最容易被误解的一个。

传统结构:数据要搬两次

一台普通笔记本里,CPU 和 GPU 各有各的内存:

这两块内存物理上分开,电气上不连通。GPU 想看 CPU 的数据,必须:

  1. CPU 把数据从系统内存读出来;
  2. 写进一块「共享缓冲区」;
  3. 通过 PCIe 总线传到显卡;
  4. 显卡把数据写进显存;
  5. GPU 开始算。

算完之后,结果还要按原路返回一遍。 一次「GPU 处理」= 两次跨总线复制 + 两次内存写入。

对于一张 4K 照片(约 25MB),这个复制不算什么。 但视频剪辑是每秒 30 帧、每帧 25MB、连续几分钟—— 复制量是几十 GB。这时候 PCIe 的 32 GB/s 就成了瓶颈,而且复制本身也耗电。

M1:只有一块内存

M1 把内存直接放在 SoC 的同一个封装里(不是同一个 die,是同一块基板上, 紧挨着芯片)。CPU、GPU、NPU 全都访问这同一块内存。

于是上面那五步变成了:GPU 直接读,算完直接写回。没有复制。

这就是「统一内存」(unified memory)的全部意思。 它不是一个新技术——游戏机用这套结构已经二十年了(PS4、Xbox One 都是统一内存)。 苹果做的是把它搬到笔记本上,并且做得足够快。

「封装内」是什么意思

这里要区分三个层次,它们的距离差一个数量级:

M1 的内存不在 die 上(那是 eDRAM 或 SRAM 的做法,容量做不大), 而是在封装基板上,紧挨着 SoC。 距离从「几厘米」缩短到「几毫米」,短了大约二十倍。

这个距离带来两个好处:信号衰减小,所以能跑更高频率;驱动电流小,所以更省电。 LPDDR4X 在封装内跑 4266 MT/s,如果做成内存条插在主板上,这个频率很难稳定。

为什么不用 HBM

有人会问:既然要近,为什么不用 HBM(高带宽内存)?它离得更近,带宽高十倍。

三个原因:

一是贵。HBM 要用硅中介层(interposer)把内存和芯片连起来, 这块中介层本身比芯片还难做,成本翻几倍。 专业显卡用得起,笔记本用不起。

二是容量做不大。HBM 的堆叠层数有限,单颗容量小, 要做 64GB 就要堆很多颗,封装面积撑不住。

三是功耗。HBM 的硅中介层走线虽然短,但带宽极高, 总功耗反而不低。对一台靠电池的机器,这不是好选择。

所以 M1 选的是「普通 LPDDR + 封装内」这个折中—— 不如 HBM 快,但便宜、容量大、够省电。 M1 Ultra 用「拼接两颗 M1 Max」的方式做到 800 GB/s,走的还是这条路,不是 HBM。

为什么游戏机能用、PC 不能?因为游戏机也是「一家公司决定一切」: 索尼定死了内存规格,游戏开发商照着写。 PC 不行——显卡是插上去的,随时能换,所以必须有独立的显存。 统一内存的前提是「不允许你换显卡」。

省掉的到底是什么

有三样东西,按重要性排:

一、延迟。GPU 读自己的显存,大约 200 到 400 纳秒; 通过 PCIe 读系统内存,要 1 到 2 微秒,差五倍。 对图形渲染这种「大量小访问」的活,延迟比带宽更要命。

二、功耗。数据在 PCB 上跑一趟要驱动 IO 电路, 而 IO 电路的功耗和走线长度、信号速率成正比。 省掉一次跨总线复制,就省掉一份 IO 功耗——这在笔记本上是实打实的续航。

三、芯片面积和成本。不用做 PCIe 控制器、不用做显存接口, PCB 也简单很多。这一段省下的钱,被苹果用来买更大的芯片面积了。

0.4.2-3带宽的账:68 GB/s 其实不算高

这里必须泼一盆冷水,因为「统一内存」经常被说成「带宽超高」。

M1 的内存带宽是 68.25 GB/s(128 位 LPDDR4X-4266)。 我们把它放进一张表里看:

方案带宽给谁用
DDR5-5600 双通道89.6 GB/s普通笔记本的 CPU
M1 统一内存68.25 GB/sCPU + GPU + NPU 共享
PCIe 4.0 ×1632 GB/sCPU 到独显的通道
GDDR6 128 位448 GB/s中端独显的显存
M1 Pro200 GB/s统一内存(256 位)
M1 Max400 GB/s统一内存(512 位)

看清楚第二行和第四行:M1 的 68 GB/s,连一块中端独显的六分之一都不到。

那它为什么还能跑得动剪辑?因为它不需要把数据搬来搬去。 独显的 448 GB/s 很猛,但 CPU 喂给它的数据要先过 32 GB/s 的 PCIe。 一条管线,入口只有 32 GB/s,里面再宽也没用。

这个道理可以打个比方:独显像一条八车道的高速公路, 但通往高速的匝道只有一条车道。 M1 像一条四车道的路,但从头到尾都是四车道,没有匝道。

到了 M1 Pro 和 Max,苹果把位宽加上去(256 位、512 位), 带宽到 200 和 400 GB/s——这时候它才真正开始和独显比带宽。 而代价是内存必须焊死,容量买定离手。

一个绕不开的取舍:位宽换带宽,就是要更多颗粒

带宽 = 位宽 ÷ 8 × 速率。想提高带宽,只有两条路:加位宽,或者提速率。

提速率受制于 LPDDR 本身的物理极限(当时 4266 MT/s 已接近上限), 所以苹果的做法是加位宽:M1 是 128 位,M1 Pro 是 256 位,M1 Max 是 512 位。

但位宽不是免费的:每 32 位就要多一颗内存颗粒,多一组走线,多一份功耗。

芯片位宽颗粒数带宽最大内存
M1128 位268 GB/s16 GB
M1 Pro256 位4200 GB/s32 GB
M1 Max512 位8400 GB/s64 GB
M1 Ultra1024 位16800 GB/s128 GB

看清楚最后两列的关系:带宽和容量是一起涨的。 因为加位宽就要加颗粒,加颗粒就顺带加了容量。 所以「高带宽」和「大内存」在苹果这里是一件事,不是两件。

这也解释了 M1 为什么最大只有 16GB:不是苹果不想给,是 128 位只能挂两颗颗粒。 想给 32GB,就得做成 256 位——那就是 M1 Pro 了。

反过来说也成立:如果你买的是「M1 + 16GB」, 它的带宽和「M1 + 8GB」完全一样。容量和带宽在这套设计里是解耦的,只是恰好一起涨。 但如果你买的是「M1 Pro + 32GB」,你同时得到了双倍带宽——这是很多人忽略的一点。
各种内存方案的带宽对比,以及 M1 的「无匝道」结构
图 0.4.2-2 M1 的带宽在独显面前很低,但它没有那道 32 GB/s 的 PCIe 匝道。左边是数字,右边是这些数字为什么不能直接比。

0.4.2-4一颗芯片上有什么

M1 不是一颗 CPU,是一颗 SoC(System on Chip,片上系统)。 打开它的封装,里面是这样几块:

模块规模干什么
大核(Firestorm)4 个跑前台应用、编译、渲染
小核(Icestorm)4 个后台任务、系统服务
GPU8 核图形、视频滤镜、部分计算
神经网络引擎16 核人脸识别、图像增强、语音
媒体引擎专用电路H.264 / HEVC 编解码,硬件的
内存控制器128 位连到封装内的 LPDDR4X
统一缓存十几 MB所有核心共享的最后一级缓存

这张表里最值得注意的不是「核多」,是「它们都在同一块硅片上」。

这意味着三件事:

一、通信不用出芯片。GPU 要读 CPU 刚算好的数据, 走的是片内总线,延迟几十纳秒,而走 PCIe 是几微秒。 差两个数量级。

二、可以共享缓存。传统结构里,CPU 的 L3 和 GPU 的 L2 是分开的, 同一份数据可能在两边各存一份。统一缓存没有这个问题。

三、面积大、良率低。一颗 M1 的 die 面积约 120 平方毫米, 比同期移动 CPU 大不少。面积越大,一颗硅片上出现缺陷的概率越高,良率越低、成本越高。 苹果能承担这个成本,因为它卖的是整机,不是芯片。

被低估的那块:媒体引擎

上面那张表里,「媒体引擎」只有一行,但它在 M1 的实际体验里占的分量很重。

媒体引擎是一块专用电路,只干一件事:视频编解码。 它不认识「通用计算」,只会 H.264、HEVC、ProRes 这几种格式的压缩和解压。

但正因为专用,它极省电、极快。 一段 4K HEVC 视频,用 CPU 软件解码要占满 4 个大核、耗 20 瓦; 用媒体引擎,功耗不到 1 瓦,而且不占 CPU。

这就是为什么「M1 剪 4K 不卡、不烫、不掉电」—— 剪辑软件的时间线预览,走的是媒体引擎,不是 CPU 或 GPU。 发布会演示的那些「同时剪 8 条 4K 流」,靠的就是它。

一个能验证的对比:同样一段 4K 视频转码, 有硬件编码器的机器可能 2 分钟完成、风扇不转; 没有的机器要 10 分钟、风扇狂转。 这不是「性能差五倍」,是「一个在用专用电路,一个在用通用电路」。 Intel 和 NVIDIA 也有这类引擎(Quick Sync、NVENC),只是苹果把它放进了同一个功耗池。

SoC 的代价:一切都是焊死的

集成度越高,可维修性越差。这是同一个硬币的两面。

一台传统笔记本,坏了可以换件:内存条、SSD、无线网卡、风扇、电池, 大部分都是插接或者几颗螺丝。维修成本是「零件的价格」。

一台 M1 的机器,坏了只能换整块主板: 内存、SSD、CPU、GPU 全在一块板上,任何一样坏,整块换。 维修成本是「半台机器的价格」。

部件传统笔记本M1 机器
内存可换(有插槽)封装内,不可换
硬盘M.2,可换焊死,不可换
无线网卡M.2,可换焊死
电池可换(部分机型胶粘)可换(苹果官方)
风扇可换Air 没有风扇

这不是「苹果偷工减料」,是集成度的必然结果: 统一内存要求内存贴着 CPU,就不可能做成插槽。 你想要那种「数据不用搬」的性能,就得接受「坏了不能换」的代价。

对个人用户,这意味着买的时候就要把配置买够(第 0.3.2 节讲过同样的道理)。 对企业用户,这意味着要买 AppleCare,因为过保后的维修价格接近换新。

M1 的 SoC 布局:大小核、GPU、NPU、媒体引擎、统一缓存与内存控制器
图 0.4.2-3 所有单元在同一块硅片上,共享一片缓存和一条内存。这是「统一内存」的物理基础。

0.4.2-5一个功耗池:谁闲谁让电

上一章讲笔记本时提过一个概念:双烤时 CPU 和 GPU 抢一个功耗池。 M1 把这个「抢」做成了系统级的日常行为。

传统结构:各自为政

x86 笔记本里,CPU 有自己的功耗墙(PL1/PL2), 显卡有自己的 TGP。两个数字是分开定的,各管各的。

结果就是:跑一个只用 CPU 的任务时,显卡那 100 瓦的预算闲着, CPU 却只能用 45 瓦。反过来也一样。

有些平台做了动态分配(Dynamic Boost),但它是两个独立固件之间的协商, 反应慢、粒度粗,而且要留安全余量。

M1:一个预算,动态切

因为 CPU、GPU、NPU 都在一颗芯片上,苹果可以让它们共享同一个功耗预算, 由一套电源管理实时分配。

具体表现是:

这套东西的难点不在「分配」,在「感知」。 要实时知道每个单元在干什么、下一毫秒需要多少电, 这需要操作系统和芯片固件的深度配合。 苹果两样都有,所以能做;别家只有一半,所以做不彻底。

一个具体场景:剪一段 4K 视频

假设在时间线上拖动预览,这个过程里各个单元在干什么:

阶段谁在干活大约功耗
读文件SSD 控制器 + 内存1 – 2 W
解码媒体引擎0.5 – 1 W
加滤镜 / 转场GPU3 – 6 W
合成与输出GPU + 显示控制器2 – 4 W
调度与界面1 个大核1 – 2 W
合计8 – 15 W

注意每一行的数字都不大,但没有一行是「CPU 满载 45 瓦」。 这就是 SoC 结构的意义:把活分给最省电的那个单元,而不是全部丢给 CPU。

传统笔记本做同样的事,路径是:CPU 解码(20W)→ 内存 → PCIe → 显存 → GPU 处理(40W)→ 回到内存 → 显示。 功耗高,而且中间有两次搬运。

一句话:M1 的省电,很大一部分不是「每个单元更省」, 是「不需要的单元真的关掉了,空出来的电给需要的」。 这听起来简单,但在一个由七八家厂商拼起来的 PC 里,做不到。
固定功耗墙与共享功耗池在三种负载下的分配差异
图 0.4.2-4 上排是各自为政:一个忙死、一个闲死。下排是共享池:闲的把电让出来,忙的能跑满。

0.4.2-6大核与小核:待机功耗的秘密

M1 的 8 个 CPU 核不是一样的:4 个大核(Firestorm)+ 4 个小核(Icestorm)。

这不是苹果发明的——ARM 的 big.LITTLE 早在 2011 年就有了。 但苹果的做法有几个特别之处。

小核有多大

Icestorm 小核的解码宽度大约是 3 条指令, 而 Firestorm 大核是 8 条,重排序缓冲 630 项。 大核的规模接近一些桌面 CPU,而小核只相当于十年前的主流移动核。

面积上,一个小核大约是大核的四分之一到三分之一; 功耗上,小核满载大约 0.2 到 0.5 瓦,大核满载能到 3 到 5 瓦。 差一个数量级。

为什么待机功耗那么低

因为待机时大核是真的关掉的,不是降频。

系统把后台任务(同步、索引、通知)都丢给小核, 大核进入断电状态(power gating),漏电几乎为零。 需要时再上电,启动延迟只有几微秒。

传统 x86 笔记本做不到这么彻底:核心不能随便断电, 因为唤醒延迟大,而且调度器不总是知道该把任务给谁。 所以它只能「降频」,而降频仍然在漏电。

大小核不是苹果发明的

这个设计叫 big.LITTLE,ARM 在 2011 年就提出来了。 但头几年用得很糟,值得看一看,因为它解释了「为什么苹果等到 2017 年才用」。

2013 年,三星 Exynos 5410 第一次商用(4 大 + 4 小)。 问题是:两组核不能同时工作,只能整组切换。 切换要几百微秒,期间性能掉一个坑。 用户体验就是「偶尔卡一下」,而且说不清为什么。

同年,联发科的「真八核」被骂得更惨——它其实是 8 个大核, 功耗高得离谱,被戏称为「一核有难,七核围观」。 那几年「八核」这个词在手机圈是负资产。

苹果的做法不一样:它一直等到调度器成熟,才在 2017 年的 A11 上第一次用大小核 (2 大 + 4 小)。而且一上来就是「所有核可以同时工作」的版本。

这个差别看起来是技术细节,实际是产品判断: 「能不能用」和「用了会不会更好」是两件事。 苹果的选择是「不成熟就不上」,代价是参数上落后几年。

一个能观察到的现象:M1 的 MacBook Air 没有风扇, 却能连续剪 4K 视频不降频到卡顿。 原因不是「它不发热」,是它的发热量本来就低—— 15 瓦左右的整机功耗,靠机身自然散热就够。 而一台 45 瓦的 x86 轻薄本,必须有风扇。

代价:小核也会拖后腿

大小核的调度是个难题。如果一个重任务被分到小核上,性能会掉得很惨。

苹果的办法是操作系统级的调度器:它知道每个线程的优先级、 历史行为、以及当前的电量状态,然后决定放哪个核。 这套调度的效果,直接决定了「大小核」是加分还是减分。

Windows 上的大小核(从 12 代酷睿开始)就遇到过这个问题: 早期调度器把游戏线程丢到小核上,帧数反而下降。 这不是硬件不好,是软件没跟上。

0.4.2-7每瓦性能:优势到底有多大

讲到这里,可以给一个尽量客观的评估了。

同一个功耗点上比

「每瓦性能」只有在同一个功耗点上比才有意义。 说「M1 比 i9 省电」是不公平的——i9 能跑到 100 瓦,M1 最多 20 瓦。

公平的比法是:把 x86 限制到 M1 的功耗,看谁快。 多方评测的结论大致是:

功耗点大致结论说明
5 W 以下M1 明显领先小核效率高,x86 在这个点几乎没有合适的产品
10 – 15 WM1 领先 30% – 50%这是 M1 的甜点区
25 – 35 WM1 领先 10% – 25%x86 开始追上
45 W 以上差距明显缩小,某些多核场景 x86 反超M1 的 8 核不够打了

看清楚第一行和第四行:功耗越低,M1 的优势越大;功耗越高,优势越小。

几组能查到的数字

下面的数字是大致量级,来自 2020 到 2021 年的公开评测,不同测试项差别很大, 只用来建立数量级感:

测试M1同期 i7-1165G7说明
Geekbench 单核约 1700约 1500M1 高 13%
Geekbench 多核约 7500约 5000M1 高 50%
Cinebench R23 多核约 7800约 5500M1 高 40%
单核满载功耗约 5 W约 25 W差五倍
多核满载功耗约 20 W约 45 W差两倍多

看最后两行:M1 用五分之一的电做了更快的事。 这就是「每瓦性能」的含义,也是它真正的优势所在。

但要公平:i7-1165G7 在插电、散热良好的情况下,多核可以跑到接近 M1 的水平 (通过长时间维持 45 瓦)。M1 的优势在「不插电、不发热、不吵」,不是「绝对性能」。

这不是偶然,正好对应它的设计目标——它是一颗为 10 到 20 瓦设计的芯片。 在这个窗口里,它把能用的手段都用上了;超出这个窗口,它的规模就不够了。

为什么 x86 在低功耗区格外吃力

上一张表里有一个现象值得解释:功耗越低,M1 的优势越大。 这不是巧合,有三个结构性原因。

一、固定开销降不下去。一颗 x86 核心的译码器、uop cache、 分支预测器,不管你跑 5 瓦还是 45 瓦,它们都要工作。 在 5 瓦的预算里,这些「固定成本」占的比例很高。 而 M1 的小核根本没有这些复杂结构,5 瓦里几乎全是有效计算。

二、电压墙。要跑到 4.5 GHz,电压必须给到 1.2 伏以上; 而 M1 的大核最高 3.2 GHz 左右,电压 0.9 伏就够了。 电压差 25%,动态功耗差 44%。 这不是「谁的设计更好」,是「谁愿意跑低一点」。

三、漏电。高频设计需要更低的阈值电压(让晶体管更容易导通), 代价是关不严、漏电大。所以在待机时,x86 核心的漏电比 M1 的小核高不少。

这三条加起来,就是「低功耗区差距大、高功耗区差距小」的原因。 换句话说:M1 的优势,一部分来自「它敢跑得慢」。

优势的来源,大致可以拆成四份

这是估算,不是精确测量,但量级是对的:

所以「ARM 打败 x86」这个说法,只覆盖了第二项的一小部分。 把 M1 的指令集换成 x86,它大概率还是一颗很优秀的芯片—— 只是会多一些译码开销,大概损失百分之十几。

0.4.2-8Rosetta 2:怎么让旧软件跑起来

硬件再好,软件跑不了就是废铁。这是所有 ARM PC 都栽过的坑。

苹果的答案是 Rosetta 2:一个 x86-64 到 ARM64 的翻译层。

它和「模拟器」不一样

传统的模拟器是逐条解释执行:读一条 x86 指令,模拟它的效果。 慢,通常只有原生的 10% 到 30%。

Rosetta 2 做的是提前翻译(ahead-of-time): 第一次运行某个程序时,把整个可执行文件翻译成 ARM64, 存进缓存;以后再启动,直接跑翻译好的版本。

翻译的粒度是「基本块」——一段没有分支的指令序列。 翻译一次,这段代码以后都直接用。 所以第一次启动慢,后面就正常了。

性能代价

实测大约原生性能的 70% 到 80%。 对办公软件来说完全够用,对游戏来说会掉帧。

为什么能这么高?三个原因:

一、x86 和 ARM 的差别没那么大。都是寄存器机器, 都是 load-store 风格(x86 内部也是)。翻译不是「换一种思维方式」,是「换一套编码」。

二、可以做针对性优化。比如 x86 的 add [mem], 1 翻译成 ARM 的 ldr + add + str, 但如果是连续访问,可以合并成带后索引的 ldr w3,[x0],4。

三、内存模型可以对齐。x86 是强内存模型(TSO),ARM 是弱内存模型。 Rosetta 2 通过在必要的地方插入屏障指令来保证语义正确, 这会损失一些性能,但保证了不会出现「诡异的并发 bug」。

最难的那一块:内存模型

翻译指令是简单的,翻译内存顺序才是难的。这是 Rosetta 2 真正技术含量所在。

x86 用的是强内存模型(TSO,Total Store Order): 你写的代码里 store 是什么顺序,别的核看到的就是什么顺序。 这对程序员友好,但硬件要为此付出代价(写缓冲要按序提交)。

ARM 用的是弱内存模型:默认允许乱序, 只有当程序显式插入屏障指令(DMB)时,才保证顺序。 这对硬件友好,但对程序员不友好——忘了插屏障,就会出现「偶尔才复现」的并发 bug。

那么问题来了:一段按 x86 强顺序写的程序,翻译成 ARM 之后,怎么保证还是强顺序?

最笨的办法是每条 store 后面都插一个屏障,那样性能会掉一半。 Rosetta 2 的做法更聪明:它只在「可能被其他核观察到」的位置插屏障—— 比如跨线程共享的写、原子操作、系统调用边界。 大部分单线程代码根本不需要屏障,所以开销很小。

具体实现苹果没有公开。从结果看,性能损失控制在 20% 到 30%, 而且没有出现「翻译后并发 bug」的大规模报告——这说明它的屏障插入策略是保守但正确的。 这件事的难度,比翻译指令本身高一个数量级。
Rosetta 2 救不了什么: 内核扩展、驱动、虚拟机里的 x86 系统、以及带反作弊的游戏。 前三者因为要跑在特权层,翻译层管不到; 后者因为反作弊会检测「代码是否被修改」,翻译就等于修改。 所以「M1 不能玩某些游戏」不是性能问题,是机制问题。

苹果做对了什么

对比微软:Windows on ARM 也有 x86 模拟(从 Windows 10 ARM 开始), 但体验差很多。原因有三个:

苹果的做法是给一个明确的时间表:Rosetta 2 只保证「过渡期」可用, 两年后开始收紧。开发者知道「不移植就没有未来」,所以移植得快。 这是一个「用管理手段解决技术问题」的典型。

Rosetta 2 的提前翻译流程,以及哪些程序能翻译、哪些不能
图 0.4.2-5 第一次运行时翻译整个程序,之后直接跑缓存。但特权层和反作弊程序在它的能力之外。

0.4.2-9被夸大的部分:三笔不能忽略的账

这一节专门讲「不好听的那一面」,因为网上讲 M1 的文章很少有。

第一笔:不能升级,也不能修

统一内存意味着内存焊在封装里,买的时候是多少,一辈子就是多少。 16GB 和 32GB 的差价,在苹果官网上是 3000 块左右—— 而同样容量的内存条,市场价是 400 块。

这笔差价的官方解释是「封装成本和良率」,但无论怎么解释, 用户失去了「以后再加」的选项。 对一台要用五年的机器,这是个实实在在的限制。

硬盘也一样:M1 的 SSD 是焊死的,而且一旦主板坏了,数据拿不出来。 这是统一设计的代价——它把所有东西绑在了一起。

第一笔的延伸:数据也一起被焊死了

这一条很少有人提,但它比「不能加内存」更严重。

M1 的 SSD 是焊在主板上的(不是 M.2 插槽), 而且苹果的 SSD 控制器是自研的,盘上的数据用了硬件加密, 密钥存在芯片里(Secure Enclave)。

好处是安全性极高:把闪存颗粒拆下来,读不出任何东西。 这是很多政府和企业采购 Mac 的理由。

坏处是:主板一旦坏了,数据也就没了。 不是「修一下能读」,是「换主板 = 换一台新机器」。 所以用 Mac 的人必须备份,这不是建议,是硬性要求。

对比一台普通笔记本:SSD 坏了,拆下来插到别的机器上,数据还在。 这种「可救援性」在企业环境里很重要。 苹果用「安全」换掉了「可救援」,这是一次明确的价值取舍。

第二笔:生态的缺口

三年过去,主流软件基本都移植了。但还有三类东西是缺的:

第三笔:benchmark 的选择

发布会的对比图有一个共同特点:选的都是「M1 擅长」的项目—— 视频剪辑、图像处理、编译。 这些活正好能用上媒体引擎、NPU、统一内存。

而纯浮点计算、大型 3D 渲染、科学计算这些项目, M1 的优势就小得多,甚至不如同价位的 x86。 不是它造假,是「选择性地展示真实数据」。

所以怎么评价 M1 才准确:它是一颗为移动创作场景重新设计的芯片。 在这个场景里,它确实领先;出了这个场景,它只是一颗「还不错的芯片」。 「M1 碾压 x86」和「M1 被吹过头了」两种说法都抓住了局部,都不完整。

0.4.2-10为什么别人学不来

既然统一内存、大 SoC、共享功耗池都这么好,为什么 Intel 和 AMD 不做?

因为它们不能。这不是技术问题,是商业模式问题。

Intel 卖的是芯片,不是整机

Intel 的客户是华硕、联想、戴尔。这些厂商要的是: 一个能插内存条的 CPU 插座、一个能插显卡的 PCIe 插槽。

如果 Intel 出一颗「内存焊死、显卡集成」的芯片, 这些厂商的产品线就没了——它们靠「可升级、可定制」卖机器。 Intel 不是不想做,是做了会得罪所有客户。

内存厂商也不会同意

统一内存要求内存颗粒紧挨着 CPU 封装, 这需要内存厂商和 CPU 厂商联合设计封装。 在 PC 生态里,内存是标准件(金士顿、威刚、三星都能做), 没有人为某一颗 CPU 定制封装。

只有在「一台机器只用一个方案」的时候,这种定制才划算。

软件是最后一环

即使硬件做出来了,还需要操作系统能调度大小核、 能协调 GPU 和 CPU 的功耗、能让编译器针对这颗芯片优化。

Windows 要兼容几百万种硬件组合,它不可能为某一颗芯片做深度优化。 macOS 只跑在苹果自己的硬件上,所以可以。

那 Intel 能不能「硬做」一次

技术上完全可以。Intel 有制程、有设计能力、有封装技术。 它甚至试过——2017 年的 Kaby Lake G, 把 Intel 的 CPU 和 AMD 的 GPU 封在同一个基板上,共享一块 HBM2 显存。

结果失败了。三个原因:

一是贵。HBM2 成本太高,那颗芯片只用在少数高端轻薄本上, 价格劝退。

二是软件不管。Windows 不知道怎么在 CPU 和 GPU 之间调度这块共享显存, 大部分时候它只当普通显存用,统一内存的好处一点没拿到。

三是没有下一代。Intel 和 AMD 是竞争对手,合作一次已经是奇迹, 不可能一起迭代。而苹果可以每一代都自己决定。

这件事说明:「把零件封在一起」是工程问题, 「让软件用上这个结构」是生态问题。 前者花钱能解决,后者要花十年。

能力苹果Intel / AMD
决定内存形态能(自己设计主板)不能(厂商要插槽)
决定 GPU 来源能(自研)Intel 能,AMD 能,但必须留 PCIe
决定功耗策略能(整机一套固件)不能(多方协商)
决定操作系统能(自研)不能(要兼容 Windows)
决定软件分发能(App Store)不能

五行全是「能」,这才是 M1 的门槛。 它的技术每一项单看都不神奇,难的是「同时拥有这五项权力」。

0.4.2-11ARM PC 的真实处境

最后看一眼「苹果之外」的 ARM PC,因为这才是这个问题的完整答案。

为什么 Windows on ARM 一直不温不火

2024 年之后,高通推出了骁龙 X 系列,性能终于接近 M1 的水平。 但市场反应平淡,原因还是那三样:

一是软件。x86 模拟能跑,但体验有折扣; 而且用户一旦发现「这个软件有点慢」,就会归因于「ARM 不行」。

二是价格。ARM PC 没有价格优势——它要和已经很成熟的 x86 笔记本竞争, 而后者有规模效应。同样性能,ARM 版往往更贵。

三是没有「非买不可」的理由。M1 有「剪 4K 不用插电」这个杀手级场景, 而 Windows on ARM 的卖点是「续航长一点」,这不足以让人换平台。

但在服务器上,ARM 已经赢了

这是一个常被忽略的事实:云厂商的自研 CPU 大量用 ARM。 亚马逊的 Graviton、谷歌的 Axion、微软的 Cobalt,都是 ARM 架构。

这不是小打小闹。亚马逊的 Graviton 从 2018 年的第一代做到现在, 已经承载了 AWS 相当大比例的通用计算实例,而且比同规格的 x86 实例便宜 20% 左右。

谷歌、微软、阿里、字节也都有自研 ARM 芯片。 这个市场的规模,比「ARM 笔记本」大得多——只是普通人看不见。

原因很实际:服务器不需要兼容 Windows 软件。 云厂商自己控制软件栈,自己编译,自己优化。 这正好是「垂直整合」的另一个版本——只不过整合的是云,不是笔记本。

所以在「谁赢」这个问题上,正确的答案不是「ARM 赢」或「x86 赢」,而是: 在「谁能控制整个栈」的地方,ARM 赢了;在「必须兼容历史」的地方,x86 还守着。

M1 优势的来源拆解:制程、架构、统一内存、软硬协同各占多少
图 0.4.2-6 把「M1 为什么快」拆成四份。制程和架构占大头,指令集只占其中一小块。

三条能带走的判断

这一节讲的是一颗具体的芯片,但背后有三条更通用的判断,值得记住。

一、看「数据要搬几次」,而不是「峰值多高」。 一个系统的实际性能,往往不是被峰值带宽卡住,是被「搬来搬去」卡住。 统一内存赢在这里,很多分布式系统也是同一个道理。

二、看「谁能让谁让路」。 M1 的功耗优势,一大半来自「闲着的单元真的关掉了」。 任何系统里,「资源能不能动态让出来」都比「资源有多少」更影响体验。 这也是为什么共用一台服务器时,调度器比 CPU 型号更重要。

三、看「这个优化需要几家配合」。 需要五家配合的优化,基本做不成;需要一家决定的优化,才可能落地。 M1 的每一项技术都不神奇,神奇的是「一家就能决定」。

0.4.2-12小结与十道自测题

把这一节收成一张表

设计具体做法好处代价
统一内存LPDDR 封装在 SoC 旁不用复制、延迟低、省 IO 功耗不能升级,带宽受限
大 SoCCPU/GPU/NPU 同 die片内通信、共享缓存面积大、良率低
共享功耗池整机一个预算闲的让电给忙的需要系统级配合
大小核4 大 + 4 小待机功耗极低调度难,依赖系统
Rosetta 2提前翻译 + 缓存旧软件能跑,70–80% 性能驱动和反作弊救不了

把这一节压缩成六句话:

  1. M1 快,主要不是因为 ARM,是因为「内存、GPU、电源、系统」被重新组织过一遍。
  2. 统一内存省掉的不是带宽,是「数据在两块内存之间搬两次」这个动作。
  3. M1 的 68 GB/s 其实不高,但它的对手要先过一道 32 GB/s 的 PCIe 匝道。
  4. 共享功耗池让「闲着的单元」把电让出来——这需要芯片和系统由同一家控制。
  5. 优势在低功耗区最大(10–15 W 领先 30%–50%),到 45 W 以上就明显缩小。
  6. 别人学不来,不是技术难,是「同时决定内存、GPU、电源、系统、商店」这件事太难。
下一节的入口:这一节讲的是「一颗芯片怎么被组织起来」。 但同样是 ARM,手机芯片、平板芯片、服务器芯片的差别巨大: 手机要省电、服务器要吞吐、车规要耐温。 下一节把这三类放在一起比,你会发现「同样的架构,可以长出完全不同的东西」—— 而选择哪一种,取决于它要被装进哪里。

自测:能答上 8 题,这一节就算过了

  1. 「M1 快是因为 ARM」这个说法,最直接的反证是什么?
  2. 传统笔记本里,GPU 要用 CPU 的数据,数据要经过哪几步?
  3. 统一内存省掉的到底是什么?按重要性排,前三项是什么?
  4. M1 的内存带宽是多少?为什么说它「其实不高」?
  5. 为什么说独显像「八车道高速配一条匝道」?
  6. 共享功耗池和传统的 PL1/TGP 分开定,差别在哪?
  7. M1 待机功耗低的关键是什么?为什么 x86 做不到这么彻底?
  8. Rosetta 2 和传统模拟器的区别是什么?性能大概是多少?
  9. Rosetta 2 救不了哪三类程序?为什么?
  10. 把 M1 的优势拆成四份,大致各占多少?
点开看简答(先自己想,别急着点)

1. 2012–2019 年高通、微软、三星都做过 ARM 笔记本,一台都没成。如果「ARM 就快」,它们早该赢了。
2. CPU 读内存 → 写共享缓冲 → 过 PCIe → 写进显存 → GPU 算;算完还要反向再来一遍。
3. 省掉的是「跨总线复制」。按重要性:延迟(差五倍)、功耗(IO 驱动)、芯片面积与成本。
4. 68.25 GB/s(128 位 LPDDR4X-4266)。中端独显的 GDDR6 128 位就有 448 GB/s,是它的六倍多。
5. 独显内部带宽很高,但 CPU 喂数据要经过 PCIe 4.0 ×16 的 32 GB/s,入口窄,里面再宽也没用。
6. 传统是 CPU 一个墙、GPU 一个墙,各管各的,一边闲一边忙。共享池是一个总预算动态切分,闲的把电让出来。
7. 关键是「大核真的断电」而不是降频。x86 核心唤醒延迟大、调度器不确定该给谁,只能降频,而降频仍在漏电。
8. 模拟器逐条解释执行(原生的 10%–30%);Rosetta 2 提前把整个程序翻成 ARM64 并缓存,之后直接跑,约 70%–80%。
9. 内核扩展与驱动(跑在特权层)、虚拟机里的 x86 系统(多一层翻译)、带反作弊的游戏(翻译等于修改代码,会被判定作弊)。
10. 制程约 30%、架构约 30%、统一内存与 SoC 约 25%、软硬协同约 15%(估算,量级正确)。

← 0.4.1 x86 与 ARM