大家好，我是IT售前工程師Bernie.

近幾個月，幾乎每個行業的小夥伴都了解到了ChatGPT的可怕能力。你知道麼，ChatGPT之所以如此厲害，是因為它用到了幾萬張NVIDA Tesla A100顯卡做AI推理和圖形計算。

本文就簡單分享下GPU的相關內容，歡迎閱讀。

GPU是什麼？

GPU的英文全稱Graphics Processing Unit，圖形處理單元。

說直白一點：GPU是一款專門的圖形處理晶片，做圖形渲染、數值分析、金融分析、密碼破解，以及其他數學計算與幾何運算的。GPU可以在PC、工作站、遊戲主機、手機、平板等多種智能終端設備上運行。

GPU和顯卡的關係，就像是CPU和主板的關係。前者是顯卡的心臟，後者是主板的心臟。有些小夥伴會把GPU和顯卡當成一個東西，其實還有些差別的，顯卡不僅包括GPU，還有一些顯存、VRM穩壓模塊、MRAM晶片、總線、風扇、外圍設備接口等等。

GPU和CPU誰最強呢？

這個其實不好說，好點的GPU內部的電晶體數量可以超過CPU，CPU的強項是做邏輯運算，GPU的強項是做數學運算和圖形渲染。這就ChatGPT用大量高性能顯卡做AI推理的原因。

接下來，我們做個簡單的對比。

CPU和GPU都是運算的處理器，在架構組成上都包括3個部分：運算單元ALU、控制單元Control和緩存單元Cache。

但是，三者的組成比例卻相差很大。

在CPU中緩存單元大概占50%，控制單元25%，運算單元25%；

在GPU中緩存單元大概占5%，控制單元5%，運算單元90%。

結構組成上的巨大差異說明：CPU的運算能力更加均衡，但是不適合做大量的運算；GPU更適合做大量運算。

這倒不是說GPU更牛X，實際上GPU更像是一大群工廠流水線上的工人，適合做大量的簡單運算，很複雜的搞不了。但是簡單的事情做得非常快，比CPU要快得多。

相比GPU，CPU更像是技術專家，可以做複雜的運算，比如邏輯運算、響應用戶請求、網絡通信等。但是因為ALU占比較少、內核少，所以適合做相對少量的複雜運算。

緩存不同

在CPU裡面，大概50%是緩存單元，並且是四級緩存結構；而在GPU中，緩存是一級或者二級的。

浮點運算方式不同

CPU性能更加注重線程的性能，在控制部分做的事情較多，這樣做就是為了確保控制指令不能中斷，在浮點計算上功耗少。

相較於CPU，GPU的結構更為簡單，基本上它也只做單精度或雙精度浮點運算。GPU的運算速度更快，吞吐量也更高。

響應方式不同

CPU基本上是實時響應，採用多級緩存來保障多個任務的響應速度。

GPU往往採用的是批處理的機制，即：任務先排好隊，挨個處理。

我們假設在實時渲染中，一幀1080*720P的圖片，那麼這張圖就有大概777600個像素點。如果按照最基本的24幀/秒的幀率計算。1秒鐘就要求計算機處理18662400個，即：1866.24萬個像素點。

這還是高清的情況下，如果是1090*1080、2K、4K甚至8K的視頻渲染，可想而知，這個計算量是何其巨大。尤其是在像遊戲這樣的實時渲染場景下，顯然僅僅依靠CPU渲染是會超時的。

實際上，在屏幕中顯示的三維物體都要經過多重的坐標變換，並且物體的表面會受到環境中各種光線的影響，呈現不同的顏色和陰影。這就包括了光線的漫射、折射、透射、散射等。

接下來，我們以英偉達NVIDIA RTX3090 為例，看下GPU是如何進行渲染的。

RTX3090的流式多處理器有10496個，每個內核都有具備整數運算和浮點運算的部分，還有用於在操作數中排隊和收集結果的部分。

所謂流式多處理器可以認為是一個獨立的任務處理單元，也可以認為一顆GPU包含了10496個CPU同時處理各個圖片處理任務。

我們就可以通過算法和程序，對1秒鐘18662400個像素點的整體任務進行切割分片，讓10496顆處理器並行計算。

這樣的話，每個處理器負責大概每秒處理18662400/10496，即1778個像素點的渲染任務就行了。

如下圖所示，在GPU中會劃分為多個流式處理區，每個處理區包含數百個內核，每個內核相當於一顆簡化版的CPU，具備整數運算和浮點運算的功能，以及排隊和結果收集功能。

注意，除了流處理器CUDA以外，影響GPU性能的還有

一言以蔽之，GPU不管是處理圖形渲染、數值分析，還是處理AI推理。底層邏輯都是將極為繁重的數學進行任務拆解，化繁為簡。

然後，利用GPU多流處理器的機制，將大量的運算拆解為一個個小的、簡單的運算，並行處理。我們也可以認為一個GPU就是一個集群，裡面每個流處理器都是一顆CPU，這樣就容易理解了。

以上是關於GPU概念、工作原理的簡要介紹。說是簡單，其實在圖形處理方面，還有很多深層次的處理邏輯沒有展開，比如像素位置變換、三角原理等等。感興趣的小夥伴可以深入研究下。

我是IT售前工程師，後續將會分享更多的有趣的網際網路所見所聞。感謝關注！下期見~