简介：《计算机体系结构量化分析第六版课后答案》针对英文原版教材第一章，提供完整习题与案例解答，适合正在学习计算机体系结构、备考课程作业或研究生复试的本科生与研究生。解答逐题展开芯片制造成本核算、良品率与多核缺陷概率、芯片面积与单价的关系、电压与频率缩放下的能耗和功率变化、多核部分负载时的能效，以及 Amdahl 定律对并行加速上限的约束等核心考点，并列出每步计算公式与中间数值，便于对照课本案例复盘推导过程、核对答案并理解建模思路。压缩包内只有 1 个 PDF 文件，大小约 3.73MB，按章节与 Case Study 顺序编排，公式、组合数表格与结论汇总集中呈现，可直接检索查阅。目前已有 3609 人学习，适合用作课后自测与考前梳理的参考。

1. 良品率那道"反常"的算术题：为什么芯片越造越大反而越赚钱

先把结论摆出来：一颗芯片能不能卖，不取决于它设计得多先进，而取决于它在一片晶圆上被"良品率"筛选后还剩多少颗能活。这就是《计算机体系结构量化分析》第一章第一道案例题真正在教的东西。题目要求计算 Phoenix8 每片晶圆产出 724 颗、Red Dragon 产出 1234 颗，在 4% 缺陷率下，前者利润 $7384.80，后者 $9601.71——小芯片赢得毫无悬念。

可题目紧接着又让你算 Phoenix4：良品率 57%，Phoenix2 只有 0.11%，Phoenix1 只剩 0.0004%。从 8 核切到 4 核，良品率反而 "回血"，这是很多人第一遍做题时最容易翻车的点。它背后是芯片成本模型里最反直觉的一条机制：面积越大，缺陷累积的概率呈指数级放大，而你卖的每一颗大芯片都在替整片晶圆上的坏片买单。

这道题值得挖到底，因为它不是"课后习题"这么简单。良品率模型、面积-成本关系、Amdahl 定律、功耗-电压频率缩放，这四个模型构成了量化分析体系的地基，后面所有 cache、流水线、多核、DRAM 的取舍判断，本质上都从这几个公式出发。所以这篇不带着你抄答案，而是把每一道题背后的机制拆开——你会看到为什么公式长这样，为什么答案是这个数，为什么教科书要先用一个芯片厂的案例开场，而不是直接讲 CPU 结构。

2. 良品率模型：为什么缺陷率乘上面积后会指数级吞噬利润

2.1 从晶圆到裸片：Die per Wafer 这个几何公式的来历

任何一张晶圆成本表，第一栏都是"这片晶圆能切出多少颗裸片"。教材给出的公式是：

Dies per wafer = π × (wafer_diameter / 2)² / die_area - π × wafer_diameter / sqrt(2 × die_area)

这个式子看着复杂，其实就两件事：用晶圆总面积除以单颗裸片面积，得到"理论最大颗数"；再减去边缘那一圈切不出完整方形的废料。第二项是圆边修正，面积越小修正越少。

我在第一次做 1.2 题时就吃过亏：直接拿 π×45² 除以 (2×2) 算 Phoenix 的裸片数，得到 1590，跟答案 724 差了整整一倍。原因不是公式错了，而是我把"面积"当成了"边长"——题目里 Phoenix 是 2cm×2cm，die_area 是 4，而我在分母里用了 2。这类错误的典型症状是"算出来数值特别漂亮，但就是跟选项对不上"，血泪经验是：先把所有尺寸统一成同一单位，再代入公式。

把 Phoenix 和 Red Dragon 的数字代进去：

注意表格最后一列：缺陷率不是直接乘面积，而是乘"面积相对某基准的倍数"。教材的约定是缺陷密度 0.04 每平方厘米（per cm²），而公式里出现的0.04 × die_area就是"每颗芯片平均摊到几个缺陷"的期望值。这个小细节是做 1.3 题的关键，后面会用到。

2.2 负二项分布与那个 14 次方：良品率为什么不是线性衰减

教材给的良品率公式是：

Yield = 1 / (1 + Defects_per_die / 2)^14

这个 14 次方是很多学生的噩梦。它的来历不是拍脑袋，而是负二项缺陷分布模型：芯片制造中的缺陷不是均匀撒上去的，而是成团聚集的，聚集程度用参数 α 刻画，14 对应 α≈4 的典型工艺值（即"每颗芯片平均缺陷数的分布形状"）。当 α 越大，缺陷越均匀，良品率越接近泊松模型的 e^(-D)；α 越小，聚集越严重，良品率越低。

代入 Phoenix：0.04 × 2 = 0.08，1 / (1 + 0.08/2)^14 = 1 / 1.04^14 ≈ 0.34。这跟答案 b 给的 0.34 完全吻合。Red Dragon 是0.04 × 1.2 = 0.048，1 / 1.024^14 ≈ 0.519。两者对比就能看出：缺陷数从 0.08 降到 0.048，良品率却从 0.34 跳到 0.52，涨幅超过 50%，远大于缺陷数下降 40% 的幅度。这就是指数项的威力——面积每缩小一点，收益不是线性叠加，而是被 14 次方放大。

提示：做题时最容易犯的错是把Defects_per_die误当成"每片晶圆的缺陷数"。公式里的分母是"每颗裸片"，不是"每片晶圆"。如果题目给出的是整片晶圆的缺陷总数，得先除以裸片数才能代入。

2.3 利润公式：每片晶圆赚多少钱，到底该先切哪种芯片

1.2 题最后问"最赚钱的分配方案"，答案是 40 片 Red Dragon 晶圆 + 30 片 Phoenix 晶圆。这一步的计算逻辑值得单独拎出来：

Phoenix 每片晶圆利润 = 724 × 0.34 × $30 = $7384.80 Red Dragon 每片晶圆利润 = 1234 × 0.519 × $15 = $9601.71 Phoenix 需求 25000 颗 → 25000 / 724 ≈ 34.5 片 Red Dragon 需求 50000 颗 → 50000 / 1234 ≈ 40.5 片

Red Dragon 单片利润更高，需求也更大，但总共只有 70 片晶圆的产能。先满足 Red Dragon 的 40.5 片（取整 40 片，余下产能给 Phoenix），剩下的 30 片给 Phoenix。这里有个隐含约束：题目暗示总产能 70 片，而不是无限产能。

关键洞察在于：单片利润高不等于"应该全切它"。如果 Red Dragon 需求只有 5000 颗，只需 4 片晶圆，剩下 66 片全切 Phoenix 反而更划算。这道题真正训练的是"线性规划思维"——在需求约束、产能约束、单片利润三个变量下找最优解，而不是简单比大小。

3. 多核良品率：为什么 8 核里坏一个核心反而可能"救活"整颗芯片

3.1 单核良品率 87% 怎么来的：从 8 核反推单核

1.3 题给了一个很美妙的设定：单核良品率 87%。这个数字来自1 / (1 + 0.04 × 0.25 / 2)^14，其中 0.25 cm² 是单核面积（8 核共 2 cm²）。算出来约 0.865，取 0.87。

有了单核良品率，就能算"恰好 N 个核心无缺陷"的概率：

P(N defect-free) = C(8, N) × 0.87^N × 0.13^(8-N)

代入 N=4: C(8,4)=70，70 × 0.87⁴ × 0.13⁴ ≈ 0.21（教材给的 0.21）。N=8: 0.87⁸ ≈ 0.33。所以"至少 4 个核心完好"的累计概率是 0.33+0.39+0.21+0.06+0.01 ≈ 0.57，这就是 Phoenix4 的良品率。

这里有个容易被忽略的建模假设：核心缺陷是相互独立的。现实中同一片晶圆上相邻的核心可能受同一个缺陷影响，相关性会让"恰好坏一个"的概率高于独立模型。教材用二项分布是为了简化计算，但你要知道这个近似在真实工艺里偏乐观。

3.2 卖 4 核不卖 2 核：截断收益函数的拐点在哪

教材的结论是"只有 Phoenix4 值得卖，Phoenix2 和 Phoenix1 概率太低不值得"。为什么是 4 而不是 2？

看累计良品率：Phoenix4 有 57% 的芯片能凑够 4 个核，Phoenix2 只有 0.11%，Phoenix1 只剩 0.0004%。假设每颗 Phoenix4 卖 $25、Phoenix2 卖 $10、Phoenix1 卖 $5，那每片晶圆的期望收益是：

Phoenix4: 724 × 0.57 × $25 ≈ $10,317 Phoenix2: 724 × 0.0011 × $10 ≈ $8 Phoenix1: 724 × 0.000004 × $5 ≈ $0.014

差距是三个数量级。拐点出现在"累计概率 × 单价"不足以覆盖额外测试、封装、分档成本的地方。教材隐含的判据是：良品率低于千分之一时，分档销售的管理成本已经吃掉全部利润。这就是量化分析的精髓——不是"能不能卖"，而是"卖它值不值"。

3.3 每颗 Phoenix8 成本 $73.25 的拆解：面积-成本模型的反向用法

1.3c 题问"每颗 Phoenix8 成本 $73.25 是怎么来的"，这题很多人直接跳过，其实它最考验对成本模型的理解：

Phoenix4 芯片数 / Phoenix8 芯片数 = 0.57 / 0.33 ≈ 1.73 每颗 Phoenix8 成本 = $30（晶圆摊销）+ 1.73 × $25（Phoenix4 的机会成本） = $30 + $43.25 = $73.25

逻辑是：如果我把这颗 Phoenix8 改切成 4 颗 Phoenix4，我损失了 1.73 倍的 Phoenix4 收益机会。这个 $73.25 是"机会成本"而非"制造成本"，它是定价决策的底线——Phoenix8 卖不到 $73.25 就不如改切小芯片。这种"用错失收益定义成本"的思路，在量化分析里反复出现，是理解后续 cache 替换策略、分支预测器面积预算的共同语言。

4. 功耗与 Amdahl 定律：电压频率缩放为什么不是线性关系

4.1 能量与功率的区别：同样是降 1/8，两者差三个数量级

1.4 题的核心是分清 energy 和 power。教材给的数据：电压降到 1/8，能量降到原来的 15.6%，功率不变；频率降到 1/8，能量降到 1.56%，功率降到 0.00195。

这组数字看着矛盾，其实公式一摆就通了：

Energy ∝ Capacitance × Voltage² × (每次操作) Power ∝ Capacitance × Voltage² × Frequency

电压降 1/8：能量 ∝ (1/8)² = 1/64 ≈ 0.0156，即 15.6%。功率还要乘频率，但题目 1.4b 里频率没变（只降电压），所以功率降幅跟能量一样是 15.6%？不对——题目说的是"Energy: 15.6%, Power: unchanged"。这里的陷阱在于：电压降低通常伴随着频率降低，但 1.4a 和 1.4b 是两种独立假设。1.4a 只降电压不降频率，功率不变是因为频率没变、V² 项被隐藏了？再读题：1.4a 说"Energy: 1/8, Power: Unchanged"，意思应该是电压不变、频率降 1/8，能量按频率比例降，功率按频率比例降但题目标注 unchanged 指的是……这里教材的表述确实含糊，我自己做的时候反复对了两遍才对上：1.4a 是"电压不变、频率减半类似场景"，能量降 1/8 对应的是"每次操作能量"。

诚实的读法是：把 1.4 四个小问当成四个独立的缩放假设，逐个用E ∝ V²和P ∝ V²f套，不要试图用一条叙事串起来。这也是做量化分析题的一般原则——教材的题干经常是"假设 A 成立"式的孤立场景，强行串联反而会把自己绕进去。

4.2 Amdahl 定律的三种写法：为什么 80% 并行化只换来 2.5 倍加速

1.5a 是标准 Amdahl：

Speedup = 1 / (Fraction_enhanced / Speedup_enhanced + (1 - Fraction_enhanced)) = 1 / (0.8/4 + 0.2) = 1 / 0.4 = 2.5

20% 不可并行部分把上限死死压在 5 倍，4 核只能拿到 2.5。这题的意义不在算数，而在于让你看到"串行部分是天花板"。

1.5b 更进一步：4 核各降频到原来的 1/2.5，电压同比例降，能量变成 4 × (1/2.5)² = 0.64，功率 0.64 × (1/2.5) = 0.256。这里的关键机制是降频降压的平方收益：性能损失 2.5 倍，但功率只付 0.256 倍，能效比反而提升。这就是后来"多核低频"路线打败"单核高频"的理论依据。

4.3 异构计算的功耗账：TPU 加速比 41 倍为什么整体只快 1.67 倍

1.6 题把 GPU、TPU 拉进来做三方对比，数据很有意思：

TPU 在 A 上快 41 倍，但因为 A 只占 40% 时间、B 占 10%、剩下 50% 是不加速的部分，整体加速比只有1/(0.4/41 + 0.1/21.2 + 0.5/1)≈ 1.67。这个结果极其反直觉，却是最真实的工程写照：加速器再快，也只能加速它能加速的那部分。功耗那栏更有意思——TPU 290 W 比 GPU 357 W 低，但性能高得多，能效比完胜；而通用 CPU 功耗最低但性能最差。

这组数据是整章"量化分析"的方法论缩影：任何架构决策都是三维权衡（性能、功耗、成本），单看任何一维都会得出错误结论。后面 cache 章节的 set-associative 取舍、DRAM 章节的 bank 数量选择，全部是同一套权衡框架的变体。

5. 避坑指南：做这套题时最常见的五个翻车点

5.1 现象：面积代入算出一倍误差

原因：把 die 的边长当成面积代入π × (D/2)² / die_area。2cm×2cm 的芯片，die_area 是 4 不是 2。解决：代入前统一单位，把所有尺寸换算成 cm 或 mm 再算，并在草稿上标清"这是边长还是面积"。

5.2 现象：良品率算出 0.08 而不是 0.34

原因：误把Defects_per_die直接当成良品率，漏掉了1/(1+x/2)^14的变换。解决：记住缺陷数只是输入，良品率一定要过一遍负二项公式；且公式里的x是每颗裸片的期望缺陷数，不是整片晶圆的。

5.3 现象：Phoenix2 该不该卖，算出来跟答案反了

原因：只比较单价不看累计概率，或者把"恰好 N 核完好"当成"至少 N 核完好"。解决：先算单点概率C(8,N)·p^N·(1-p)^(8-N)，再累加 4 到 8 的项才是 Phoenix4 的良品率；判断卖不卖时用"概率 × 单价 vs 分档成本"。

5.4 现象：功耗题目里 energy 和 power 混用

原因：E ∝ V²、P ∝ V²f，两个公式差一个频率因子，题目又经常只给一个缩放比例。解决：每道题先明确"不变的是电压还是频率"，再选公式；遇到题干含糊，按最保守解读逐项验证量纲。

5.5 现象：Amdahl 定律套错分子分母

原因：把"加速部分的占比"和"加速比"位置写反，或者忘记加上未加速部分。解决：固定写成1 / (P/S + (1-P))，P 是并行比例、S 是加速比；先算串行残差1-P作为下限检查。

6. 从课后题到真实设计：量化分析的框架比答案更值钱

做完这一章，你会发现所有题都指向同一个方法论：先把系统抽象成一个可计算的成本/收益函数，再在约束下求极值。良品率题是"面积 vs 缺陷 vs 利润"的约束优化，Amdahl 是"并行比例 vs 加速比"的上界分析，功耗题是"电压/频率 vs 能效"的缩放律。这套框架比任何一道题的具体答案都长寿——十年后工艺节点从 45nm 走到 3nm，良品率参数变了，公式结构没变；十年后加速器从 GPU 换到专用芯片，Amdahl 依然在那里卡着你。

我个人的习惯是：每做完一章，把这一章用到的所有公式抄在一张纸上，只写变量含义和量纲，不写推导。下次遇到新题先对着公式表找"这道题在考哪个模型"，而不是从头推。这个习惯帮我躲过了无数次"思路对了但公式记混"的翻车。比如 1.14 题那种多层加速叠加，1/(0.7 + 0.2/2 + 0.1×3/2)里的0.1×3就很容易漏——它是"被减速的部分"，不是加速。

如果你手上有这套第六版课后答案的完整资源，建议不要只看数字对错，而是把每道题的"错误答案为什么错"也当资料读。教材配套答案最大的价值不在最终数值，而在它展示的中间步骤——哪一步用哪个模型、哪个量纲怎么统一、哪个假设被悄悄用上了，这些才是从"会做题"跨到"会设计"的桥。我见过太多人背下 2.5 倍这个数字，却答不出"如果串行部分降到 10%，4 核加速比是多少"——答案在1/(0.9/4 + 0.1) ≈ 2.1，比 2.5 还接近理论极限，这个变化趋势比固定数字有用得多。

从那以后我每次复盘架构决策，都会强制走一遍"量化三问"：哪部分能被加速、加速比多少、剩下那部分的天花板在哪。希望这份答案资源能帮到正在啃这一章的你。

本文还有配套的精品资源，点击获取