组装电脑中的 gpu 和 cpu 有什么区别?第一点,概念不同。 cpu 又叫中央处理器,它就相当于我们人的大脑,对于计算机来说非常的重要,它是一块超大规模的集成电路, 包括运算核心和控制核心,主要的功能呢就是计算计算机的指令。而 gpu 呢,它叫图形处理器,可以理解为它是显卡的核心,主要用于图形处理。 第二点区别,两者有不同的缓存, cpu 有大量的缓存结构,目前主流的 cpu 芯片上有四级缓存,而 gpu 的缓存相对来说比较简单,最多只有两层。 第三点,不同的工作方式。 cpu 要求的是实时响应,对单个任务的处理速度要求比较高,而 gpu 呢,是把所有的任务都排好,然后再进行批量处理, 相对来说 gpu 对缓存的要求要低一些。第四点,有不同的服点预算方式。 cpu 除了负责服点整形预算外,还有很多其他的指令级负载,比如说多媒体解码、硬件解码等。而 gpu 基本上只做服点预算, 设计结构相对简单,也就可以做得更快。第五点,应用方向不同。 cpu 擅长像操作系统这类应用,需要快速响应实时信息,而 gpu 更适合 队友极高的可预测性以及大量相似的运算、高颜值、高吞吐的架构运算进行处理,由此可见,两者还是有本质的区别的。
粉丝28.0万获赞181.4万
![[硬件实验室]CPU与GPU的区别#电脑知识 #组装电脑 #cpu](https://p9-pc-sign.douyinpic.com/image-cut-tos-priv/fc3b23cdf3b92aa6315b637561a1ecc6~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2110230000&x-signature=EUmqZhxauqqn4XM7asLDFuqGdI8%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=20261117070144F699C81E6D75C4343FDE)
同学们好,我是博士,有同学问为什么 cpu 和 gpu 同为芯片, cpu 跌价而 gpo 居高不下?首先我们要知道 cpu 和 gpu 的区别, 虽然 cpu 和 gpu 的内部结构啊,是有控制单元、运算单元和缓存构成,但是啊,他的设计目的不同,所以他们的各个单元呢,在内部的占比就不一样, cpu 的缓存啊,占了很大一块, gpu 呢,则是运算单元占了一大部分,因为 cpu 外通用计算,他要计算各种类型的数据,所以 cpu 的控制单元和缓存单元主要负责一些复杂的控制和数据转发的功能,再就是用来放一些已经计算完成的结果,或者是后面马上就要用到的数据。 当我们 gpu 的控制和缓存单元主要是负责合并和转发数据,比如我们的 gpu 的计算单元有一百个计算单元,需要用到同样的数据,这个时候 gpu 控制和缓存单元就会把大家的需求合并到一起,然后再去内存的里面 拿,拿过来之后再同意转发给大家。最后就是 cpu 和 gpu 的预算单元, cpu 预算单元的数量虽然没有 gpu 的多,但是 cpu 预算单元拥有非常强大的逻辑运算能力,就像是有四个专家一样,既可以做奥数题,也可以做加减法。 虽然 gpu 的单个流处理器啊,也可以完成和 cpu 几乎一样的复杂计算,只不过这时 gpu 的延迟会比 cpu 大很多罢了。 gpu 最大的优点是牺牲单条指令延迟,以简化控制逻辑,这样大部分芯片面积和能量可以用于计算。好的本期视频啊,到这里就结束了, 如果这些视频对你有帮助,请点赞加关注,也可以分享给有需要的朋友,如果有疑问可以在评论区留言,不是看到后啊会第一时间回复,下期想我讲什么你们说了算。

对于硬件芯片如何理解和区分什么是 cpu? gpus、 tgs、 iccpu 又称中央处理器,擅长逻辑控制和通用类型数据运算。 cpu 有很强的通用性, 可处理不同的数据类型,主要负责顺序控制、操作控制、时间控制、数据加工等操作。因此在任何一个电脑或嵌入式的计算中都有 cpu 或其裁剪版本。 cpu 由控制器、寄存器和逻辑单元构成,其中控制器和寄存器占比较大,而处理数据的逻辑单元占比较小, 因此对于专用领域,数据处理能力较弱。代表厂商及 vx 八六处理器的英特尔和嵌入式处理器的 rmg p u 要称图形处理器,俗称 显卡,擅长大规模并行计算。据 p u 拥有计算单元数量众多和超长的流水线,处理的数据类型通常为高度统一的相互无依赖,省去了大量 c p u 的不必要控制指令。计算模块并行计算能力叫 cp 又强。 随着人工智能的发展,区域 pu 不断被应用于数据模拟、机器学习、视觉处理、语音识别等领域。厂商代表即为英伟达。 f p g a 全称是可编程逻辑门阵列, 算力较高,适合小规模定制化开发测试,用户可通过烧入配置文件来定义其内部结构的连线,从而达到定制电路的目的。 f p g a 的芯片量产成本较高,能效比较差,不如 ss 专用芯片,适用于科研企业科 开发阶段,一旦方案确定,其成本优势就不再突出。代表厂商,赛林斯、阿尔特拉、深圳科技 ns i c 是一种为专门目的而设计的集成电路,具有算力最高、能效比优等特点,打 ss 一面向特定用户的需求, 适合较为单一的大规模应用场景,运行速度在同等条件下别 pg a 快。但在架构层面,对特定智能算法做硬化支持 指令,即简单或指令完全固化支持的功能无法更改。代表厂商,博通、盛科等。如果这个分享对大家有帮助,欢迎点赞并关注!

显卡在某种程度上来讲甚至是比处理器还重要,他也是电脑的神经中枢,来一起看看他的工作原理。 以英伟达的幺零八零钛为例,打开它之后我们会发现一块 p c b 电路板,这里就是显卡的核心 g p u。 周边这些方块是 v r a m 芯片,在其侧面还有 v r m 稳压模块。 显卡的表面有一个风扇以及一排散热片。端口一侧为 h d m i 接口和 displayport 显示接口,正前方是 p c a 接口,另一侧这边是电源接口。显卡的供电就是从这里输入。 重点来看看 gpu 的集成电路,它与 cpu 十分相似,底部有超过一千个焊接点,这样才能和电路板紧密连接。打开封装,我们能看到 gpu 的裸屏, 这里与 cpu 有很大的区别,在它上面大约有一百一十八一根晶体管。按照区域划分,他们又被分成了六个图形处理集群,一共有二十八个流式多处理器,每个流式多处理器由一百二十八个内核组成,总数为三千五百八十四个。 每个内核都有用于整数和浮点运算的部分,除此之外,还有用于在操作数中排队和收集结果的部分,整个流程要比 cpu 简单的多,就像这样。 另外,芯片上还有一个在所有图形处理及群之间共享的 lr 内存缓存,一组连接到位于处理器周围的 vr am 的内存控制器,以及一个用于连接到 cpu 的 pcie 接口。如果我们把集成电路放大到纳米级别,就会发现 一些神奇的东西。没错,他们的底部就是晶体管,上面则是多层由金属线组成的迷宫,所有这些结构都是由昂贵的半导体制成,由此可以看出显卡制造的重要性。当然重要归重要,但在使用上也需要八大件的合理搭配, 才能使其性能得到更充分的利用。不知道怎么配的兄弟们推荐区名龙塘灶看看。一个专业的游戏电脑 diy 平台, 他们不仅有游戏实测、真律数据,还有一套专业的智能 diy 系统,能根据游戏和预算得到合适的配置,支持直播装机验货,对码品质信得过,快点击评论区置顶充吧! 话说回来, gpu 和 cpu 在很多方面都非常相似,但也有明显的区别。比如说 gpu 有三千多个内核,这些内核 核的作用仅限于最基本的算法,而 cpu 一般只有十来个内核,他们执行的操作要比 gpu 更复杂。另外, cpu 具有分支预测和深度管道,可以优化代码的执行。我们可以举个例子来理解 gpu 和 cpu 的区别。 这张图片由一千六百万个像素组成,其中每个像素都有其 rgb 值,现在我们需要把这张图片变亮,方法很简单,就是把每个 rgb 数值都加二十。但具体怎么操作呢? 注意哈!重点来了, cpu 有十个内核,他来操作的话就是执行一次十个数字的算数运算。但是 gpu 有着几千个内核,他会将数据分配给这些内核,然后执行更多的病情处理,结果一样,但是谁快谁慢一目了然。通俗点讲, gpu 相当于成千上万个小学生,他们只会简单粗暴的加减法,但是奥数题却一窍不通。好处是胜在人多,分配之后能在极短的时间内就解决简单的问题, 而 cpu 就像是几个大学生,他们很擅长奥数题,加减法自然不在话下。同等难度的问题,由于人少,所以需要的时间自然就比 gpu 要慢很多。 幺零八零泰是英伟达系列较为低端的显卡,最新的高端显卡四零九零更加出色,有兴趣的可以查一下相关资料,或者去刚才提到的评论区置顶咨询。

现在的显卡分为计算显卡和游戏显卡两种构架,计算卡更接近于 cpu 的构架,它具备超强的运算能力,著名的拆 gpt 就是计算卡芯片提供的算力。现在我们拆开一块游戏显卡,先看看它里面的样子。 首先拿掉显卡的散热片,这块 pcb 版的正中央就是显卡芯片,芯片的周围是他的显存颗粒,右侧是供电的稳压模块,他们需要一块巨大的散热片来解决工作中的散热问题。 显卡的左侧是连接屏幕的显示接口,但如果是计算卡,则没有显示接口,也没有散热风扇,因为这种显卡都会装在服务器的机柜里面,会统一构建散热通道,有一组暴力风扇统一散热。 显卡芯片是通过一千多个触点焊接到 p、 c、 b 板上的,打开它的封装盖,里面是芯片的核心部分,它集成了超过一百 一十八亿个晶体管,他们被分为六个区域,一共有二十八个图形处理单元。这是每个单元的结构图,里面包含了一百二十八个核心,也就是一颗显卡芯片,总共有三千五百八十四个核心。 这种核心的功能比较简单,他只做单一的图形处理工作,而 cpu 的核心要比他复杂很多。此外, gpu 芯片的六个区域都配备了存储数据的二级缓存, 他们通过周围的内存控制器连接到外面的显存上,而下面的 pcie 则是用于将数据传输到 cpu。 现在把芯片放大到纳米级的大小,它里面有着和 cpu 相同的晶体管层级,上面也是由金属通孔和金属导线所组成。 虽然使用同样的半导体材料、制造工艺和制造厂商,但他们的功能结构则完全不同。 gpu 的核心只做单 一的图形处理工作,三千八百五十四个核心都只做同一件事,所以结构比较简单。而 cpu 虽然只有十个核心,但他的结构则要复杂的多,他需要对操作指令进行任务分析、物理运算、逻辑运算、代码执行以及各个硬件之间的协调工作。 因此显卡芯片和电脑的 cpu 有着本质的不同。而我们手机的显卡在他的 soc 芯片里面,这是苹果 a 十六的 soc 芯片,这是 cpu 的核心区,而他的显卡芯片则要大很多,与他配套的显存也更大了。这就是苹果十四 pro max 的游戏性能比较强悍的原因。 因此我联合了左下角厂家,准备了不限量的顶配苹果十四 pro max, 颜色任选,升级就能领,现在上线更有机会额外领取 ipad pro, 直接凑齐苹果全家桶,都是官方 直邮到家,现在点我左下角链接下载上线等等级一到,填填地址,手机平板直接送到家。活动火爆,早领早享受!我们拿游戏显卡再和计算卡做一下对比, 计算卡的芯片带有先进的 h b m 显存,它取消了游戏光追单元,换成了大量的计算核心,并且用了台机电最新的制造工艺。 h b m 显存是个啥?它是把显存直接放进 g p u 芯片里面来交换数据,因此它拥有超高的代宽, 也就是计算卡的 gpu, 具备超强的运算能力。他是把游戏显卡中的三 d 引擎部分替换成大量的运算单元了,以同一代的计算卡和游戏卡来对比,计算卡的核心要比游戏卡大很多,同样是显卡,架构却完全不同。计算卡需要应对 ai 领域和超级计算机领域的运算, 而游戏显卡则只需执行三 d 画面的任务。游戏卡四零九零需要一万三千元左右,而计算卡 gh 一百要比他贵二十倍。

为什么 ai 要靠 gpu? 显卡 cpu 难道不行吗?相信百分之九十九的人都会认为,在电脑中, cpu, 也就是中央处理器才是运算的大脑。所有的 cpu 都是由运算器、 alu、 控制器、寄存器这三大部分组成。他负责了计算机中读取指令、对指令密码并执行指令的工作。既然叫他中央处理器,肯定他的运算能力也很强。但是当我们打开一片 cpu 时, 你就会发现, cpu 中几乎百分之八十的空间都被控制单元和存储单元占据,计算单元 a i u 只占到百分之二十左右。而实际上和你理解的不同, cpu 擅长的是逻辑控制而非计算,并且依照冯诺伊曼架构顺序执行原则,我们的 cpu 只能执行完一条指令再来下一条。也就是说, cpu 实际是串行处理模式,计算能力实际很有限,而 gpu 却完全不同。大家都知道,显卡设计的初衷主要就是为了接替 cpu 完成图形渲染。我们计算机显示的图像,每一个像素点都需要随时进行处理,奇迹算量相当大,但是由于每个像素处理方式及流程几乎完全相同,所以 gpu 的任务可以用并行计算来瞬间解决。 于是 gpu 与 cpu 正好相反,几乎全由计算单元 alu 组成,仅有少量的控制单元和存储单元,于是他可以简单粗暴,凭借众多的 alu 来完成任务。 如今的 gpu 可以拥有数百数千上万个核心来同时处理计算,例如 mvd 新一代 h 一百 gpu 核心具有恐怖的一点八万 q 的核心,即使是家用的 rtx 四零九零显卡库的核心数量也达到了一点六万个,它的并行度得到成千上万倍提升,最终 gpu 也就是图像处理 器可以实现通用的超高并行计算能力。当然, gpu 也同样是用并行的科学计算,乃至完成现在我们复杂的 ai 任务。这下你明白 ai 要靠 gpu 而不是 cpu 的原因了吧。欢迎大家关注叮当新科技,了解关于 ai 计算的问题,我们下期见。

cpu 是英文 central processing unit 的缩写,也就是中央处理器。它是电脑的核心,是电脑中最为重要的芯片之一。你可以把它看成是一个计算机的大脑,它会接受处理和存储电脑中的所有指令和数据。例如你在电脑上打开的各种软件, 比如处理文档的 word、 处理照片的 photoshop 等等,都需要 cpu 去完成各种计算和处理的工作。总之, cpu 相当于是电脑的大管家,他负责处理和管理系统中所有的计算任务。 gpu 是英文 graphics processing unit 的缩写,翻译成中文就是图形处理器。它是专门处理图形三 d 渲染和视频处理的芯片,通常被用在游戏、影视、后期制作等领域中。与 cpu 不同的是, gpu 有很多的处理核心,能够并行完成大量的 计算任务,这使得他对于处理图像和视频等大规模数据的任务非常高效。在游戏中, gpu 可以帮助你展示更加逼真的画面,同时也能够帮助你渲染更多的游戏物品,这样你玩游戏时就会感到更为流畅和真实。 所以, cpu 和 gpu 是两种不同类型的芯片,它们各自拥有不同的特点和应用场景。 cpu 是电脑的大管家,它负责处理和管理系统中所有的计算任务, 而 gpu 则是专门处理图形三 d 渲染和视频处理的芯片,它在处理大规模数据的任务方面相当高效。

这绝对是你见过最详细的电脑硬件讲解视频。我们采用三 d 动画的形式把一台电脑完全拆散,详细了解每个配件。 注意哈,这个就是 cpu, cpu 是计算机的大脑顶部这个盖子叫做集成散热器,起保护和散热作用。里面这个小的金属封装包着的就是内核了,它由单金龟制成,里面有上一个晶体管, 内核下面这个叫做基板,基板承载着内核,负责内核与外部的通信连接,并决定这颗芯片的时钟频率。 一个 cpu 可以有多个内核,每个核心都非常复杂,用来完成所有的计算、数据处理等。接下来我们把内核放大到纳米级,可以看到 里面有非常多非常小的晶体管,每个只有几纳米宽,数量为八到一百亿个。晶体管上面有很多层金属导线,他们一起创造了数条高速通路,使得计算机每秒可以进行数十亿次运算。 我们再来看看 cpu 的其他部分,每个核心侧面都有共享的 l 三内存、缓存和环形互联。 最右边的是集成显卡,可以充当较弱的 gpu。 左上角的是内存控制器,负责内存与 cpu 之间数据交换。 最左边的是系统代理和平台 io, 他与主板上的芯片组通信,并管理电脑中许多其他组件之间的数据流。了解完 cpu, 我们再来详细看看主板。主板是一块大型印刷电路板,内部 有成千上万根电线,还有焊接到上面的各种微芯片组件、插槽、端口、接头和连接器。除了电路板外,最重要和最昂贵的组件就是芯片组,它位于散热器下方,直接连接到 cpu 中的系统代理部分, 这张图表可以帮助我们理解 cpu 和芯片组是如何连接到其他所有部件的。如图所示,和 cpu 直连的设备有内存、显示器、显卡以及插入 m 二插槽的固态硬盘。 芯片组管理着其他大部分功能,如网络数据,通过 soti 端口插入的固态硬盘和机械硬盘, pcie 插槽,键盘和鼠标、 usb 设备以及音频数据。现在视频中标黄的这部分是 cpu 的电压调节模块, 快,这些组件用于将电源供应的电压降低到 cpu 使用的一点三伏。他的工作效率可达百分之八十到百分之九十,发热量很大,因此需要在顶部安装散热器。 而 cpu 工作时的功率约等于十六个 led 灯泡,也会产生大量热量,必须通过散热器进行降温。散热器有风冷和水冷之分,视频中展示的就是水冷,水冷成本更高,效率也更高,相对来说故障率也会更高。 这是电源,电源中的主变压器,降低电压,分配给一侧的高电压和另一侧的低电压。这里是一个控制线路板,用于确保稳定的输出电压,并使用光电隔离器将调整信号发送到主侧的开关功率晶体管。其他输 六十个组件用于过滤输入电压并输出各种电压,然后将这些电压发送到计算机中的各种硬件。 接下来了解一下曾经的理财产品。显卡拆下风扇,我们可以看到一块长条形印刷电路板,中间的是 gpu 芯片,旁边蓝色的是显存,黄色的是电压调节模块。显卡上方是散热器和风扇,显卡一侧是各种接口, 另一侧是电源插口。 gpu 的集成电路与 cpu 类似,有一千多个焊接点,将其连接到印刷电路板。 打开封装,我们可以看到 gpu 芯片约一百一十八亿个晶体管,组成了六个图形处理集群,总共有二十八个流处理器。每个流处理器由一百二十八 的核心组成,共计三千五百八十四个核心。每个核心都有用于整数和浮点运算的部分,以及用于排队操作数和收集结果的部分,比 cpu 简单很多。 当我们放大到纳米级来看 gpu 时,会发现与 cpu 中相似的结构,底部是晶体管,上面是多层金属导线。所有这些结构都是在价值数十亿美元的半导体制造工厂中制造的。 gpu 和 cpu 在许多方面都很相似,但 gpu 具有数千个核心,比 cpu 的核心多得多。 cpu 的核心更擅长单个复杂任务, 通过一个简单的视力可以更好理解。拿这个图来说,它由一千六百万个像素组成,每个像素都有 r、 g、 b 数值,如果 想把图像变亮,可以将每个像素数字都加上二十。 cpu 有十个核心,可以同时执行十个数字的运算,而 gpu 可以将数据分配给数千个核心,效率会更高。 内存和固态硬盘的工作原理非常复杂,后续可能单独展开一期视频详细讲解,感兴趣的可以先关注小编,等待后续。 机械硬盘内有多张磁盘和一个电机,电机以几千转的速度工作,磁头会不断在磁盘上移动,访问上面的数据。 磁头通过改变磁力子的即兴来存储数据,他的读写速度都远远不及固态硬盘,但胜在价格便宜。都看到这里了,确定不点个赞支持一下小编吗?

人工智能的算力是什么? gpu 和 cpu 的区别到底在哪里?还有什么叫存算一体?今天带大家沉浸式体验人工智能算力的底层构成。你是一个研究人工智能的博士,在国外留学,今年春节回国和几年不见的家人来团聚。 春节后, chat gbt 概念突然在国内爆火,你也被一个大学时很要好的室友请到了他所在的基金公司去做科普培训,给基金经理们讲了讲 chat gbt 是如何说出我想你的。 这次培训效果很不错,你把人工智能的原理说的深入浅出,有人整理后发到了网上的短视频平台,居然一下子能有几十万的播放量,让你不禁感到有点小成就。这天,你的那位同学又打来电话,说要再请你去讲讲人工智能算力的事情,你痛快的 答应了。讲座的这天,你发现会议室里面的人比上次更多了,而且有些人的穿着风格感觉并不是基金公司的投研人员。和之前一样,你的同学来做开场白, 上次牛博士给我们揭示了一个底层逻辑,算力规模在推动人工智能的发展,所以今天咱们就请牛博士专门来讲讲算力。 这次讲座呢,除了咱们公司的投研团队外,还有几位咱们的基金专户客户也特别感兴趣过来参加了。这位是牛厂长,他的光伏龟片厂最近几年规模扩张的很快,最近也正在建设半导体及的龟片生产线。 旁边这位是牛总带来的一个朋友,是咱们省很有名的牛肉面连锁品牌阿牛的老板。阿牛牛肉面,你马上想起了你大学边上的那家牛肉面馆,价格不贵,而且每次牛肉的量都很足, 所以你们寝室最喜欢做的就是周末去这家店里改善伙食,顺便一起吹吹牛。脑海中浮现出的大学画面,让你觉得眼前的这位牛肉面老板很亲切,所以你单独冲他点了点头,打了个招呼,然后开始了你的讲座。 好,那咱们今天就讲讲人工智能的算力。首先,人工智能的算力服务器最主要的支撑就是底层的计算芯片, 计算芯片中的 cpu 和 gpu 大家都听过,咱们就先从他们说起。 cpu 是最传统的计算芯片,有计算机以来就有 cpu 了, 他是统一处理指令、数据、内存、接口等各种请求的,什么事情都能干,所以擅长的是各种任务的调度。 gpu 就不一样了,他只能处理最简单的数学计算指令,但他内部有几千个处理单元, 可以同时做处理,因此特别擅长做简单但是大规模的并发计算。讲到这里,你习惯性的观察了一下听众的反应,发现大部分人一脸茫然,显然没有完全理解。 这时你看到了那位牛肉面连锁的老板突然有主意了,继续说道,咱们可以把 cpu 理解成一个五星主厨, 煎炒烹炸样样精通,从一碗阳春面到一桌满汉全席都能做,同时也还能负责食材的采买、菜品调度、后厨管理等所有事情。 可以说,主厨是一个饭店,尤其是高档饭店不可缺少的角色。而 gpu 不一样,他就是一个专项的厨师,只会做最简单的某个菜品。比如一个拉面师只会做牛肉面,别的菜不会做,但他做出的牛肉面不比五星级主厨做出来的味道差,所以 一般的应用场景下,说到这里,你顿了一下,突然意识到又不自觉的说出了专业名词,所以你马上改口说道。因此,一个饭店,如果客人不多,主厨直接做全桌菜就行了,不用请专门的拉面师傅。 可如果是一个万人大聚餐,要想让这一万人同时都吃饱,一个主厨肯定不够,必须再请一千个拉面师傅,每个师傅同时出十碗面才能完成这个任务。 这时候大厨就不直接做菜了,更主要干的是工作调度和场面管理了。那回到人工智能这件事上也一样。 最开始的时候,业内都是直接用 cpu 这种五星大厨去做模型训练的,虽说 cpu 并行,处理能力差,做菜慢,但没关系,一个 cpu 不够,就上两个,数据量不多的时候凑合能用。但到了后来,训练数据越来越多,哪怕 上十几个 cpu, 速度也开始变慢,所以就必须要想办法加速。最简单的加速方法就是把 cpu 继续扩充到成百上千个,但这种方法成本太高,很难做到,所以行不通。就像开炒菜馆和面馆一样, 炒菜馆有主厨,啥菜都能做。但正因为这样很难做,标准化的管理成本太高了,所以连锁的规模不太容易做得大。而如果是牛肉面馆,虽然只能做一碗面,但是简单容易标准化,所以哪怕开几千家连锁店都是可能的,也就可以同时容纳更多的人吃饭了。 一代 g b t 模型训练只用了五 g b 的文本数据,二代就用到了四十 g b, 三点五代用了四十五 t b, 这么大规模的数据量和计算,你必须把它们分流到几千个牛肉面馆里才行。上次讲座我和大家讲了 chat g b t 模型 是概率模型,这种模型的训练和推理,其实里面每一步的计算都不复杂,全都是最基础的矩阵运算,比如矩阵乘法、矩阵加法等等,咱们高中数学里就全学过, 但是需要做的运算量可非常大,但好在他们相互之间没有前后顺序的依赖,可以并发同时做, 那这就有点像万人大聚餐了。 gpu 就非常合适,一个 gpu 里有几千个处理单元,就像有几千个拉面师傅一样,简单的事情重复做,同时做,半个小时 gpu 就能处理完了。所以大家看到 ai 的算力服务器,也叫加速服务器,基本上都是采用 cpu 加 gpu 的模式。 比如最典型的英伟达 a 一百服务器,里面就配置了两颗 cpu 和八颗 gpu, 其中的两颗 cpu 负责任务和数据调度,而八颗 gpu 才是真 正负责模型训练计算的。因此 cpu 虽然是必不可少的,但如果说人工智能的算力更多取决于 gpu, 也就是说大厨作为管理者一定要有,但你饭店规模的大小,最终取决于你有多少拉面师傅可以同时拉面。 听到这里,牛肉面店主不自然的挺了挺胸脯,插嘴道,我懂了,发展人工智能就要发展 gpu, 那 gpu 的算力规模能一直增长下去吗?这几千个拉面师傅能变成几万甚至几十万个吗?听到这个问题,你点了点头,喝了口水,继续说道。 其实现在 gpu 的算力发展确实已经开始碰到瓶颈了,业界也在研究一些解决方案,比如现在很多人在说的存算一体,存算一体什么意思呢?现在无论 cpu 还是 gpu, 采用的都是七十年前的 蒙诺伊曼体系架构,这种架构的核心就是把数据的处理和存储分开,也就是 cpu 和内存是在不同芯片上的,而他们之间的通信要通过总线来进行,数据量少的时候没问题,但一旦数据变多,总线本身就会拥挤成为瓶颈。 这个道理和牛肉面后厨也是一样的。现在的 gpu 病情处理能力越来越强,相当于我们已经有了几万个拉面师,分布在几万个小厨房里,可以同时煮面。 可是我们后厨却只有一个集中式的大冷库,牛肉、面粉、鸡蛋、萝卜,所有的食材都放在这一个大冷库中。几万个拉面师在拉面之前都需要到冷库里取食材, 同时去的拉面师一多就需要开始排队了,再多的时候呢,走廊里面可能都挤满了人,根本走不动了。这个例子中,冷 库就是我们说的内存芯片,里面存着所有的数据,而拉面师傅运货的走廊就是总线,人挤满了就成为平静了。 gpu 现在就碰到了这个所谓的存储墙的平静。总线不够用了,数据传输速度不够快,就会限制算力的天花板。 你看这次美国对中国的 gpu 限制,就是对芯片总线带宽和算力联合做限制。所以英伟达在这个新规下,能对中国销售的 a 八百芯片,他的总线带宽就必须从原来 a 一百的六百 gb 每秒降低到四百 gb 每秒,所以数据的传输带宽越来越成为 gpu 的瓶颈。 解决办法有没有呢?有,就是给这几万个小厨房里面,每个厨房都配备一个小冰柜,把牛肉、面粉等食材事先分配到每个厨房的小冰柜里。这样一来,每个 小厨房既能单独备料,又能单独做面,走廊里面就再也不会挤满去领食材的拉面师了。对应到 gpu, 就是把之前集中存储在外面的数据改为存在 gpu 的每个计算单元内,每个计算单元既负责存储数据,又负责数据计算。这种方法就叫存算一体, 总线平静一解决,算力规模又可以继续上升了。所以存算一体是未来的计算芯片的架构趋势。听到这里,听众明显显得兴奋起来,有个研究员就说道,今天终于搞清楚存算一体是怎么回事了,原来真是一碗牛肉面就能解决的, 我就知道有好几家国内的公司都说在做纯算一体,看来咱们国家被卡脖子的算力问题啊,很快能得到解决。你看大家这么兴奋,于是你摆了摆手和大家说道,可能并没有那么快。 国内确实已经有做存算一体的公司了,而且和国外的差距并没有那么大,所以也被认为是未来能换到追赶的一个机会。 但是存算一体总体来讲,目前的阶段确实非常早期,还不能投入实际应用。当然了,这点大家可以讨论,因为诸位是做投资研究的,可能和我关注的侧重点并不太一样。讲到这里,你看到听众们纷纷开始点头,你知道今天的这个培训可以圆满结束了。 会后大家散开来开始查点和聊天,你也有点饿了,正犹豫着要吃块巧克力饼还是小蛋糕,一个穿着西装的大个子突然走到你面前说道,牛博士你好,咱俩都姓牛,是本家有个问题请教您一下, 现在我们进口不了先进的 gpu 芯片了,但我们自己生产的 gpu 会不会性能特别差呢?我们有没有什么英 对方法呢?你扶了扶眼镜,认真看了看这个人,想起来了,刚才你同学开场白的时候介绍过他,他好像是一家光伏龟片厂的厂长。你认真想了想回答道,牛厂长,我个人觉得 gpu 咱们不用过于悲观,目前还是有一些方法能够帮咱们解决问题的。 比如我知道做芯片的时候可以用一种叫做 chiplet 的技术,就可以缩小咱们在制成方面的差距。但芯片制造这块我不是专家,如果您有兴趣,我有个大学同学现在正好做芯片制造,我下次把他拉过来专门讲讲这块。

gpu 全称是这个 gibel pear algebra, 中文翻译为图形处理器,也就是我们常说的显卡。你的屏幕会亮,全靠显卡。相较于 gpu, 显卡的逻辑能力非常弱,县城多,而 cpu 的县城少,但逻辑能力强, 显卡更适合大规模简单数据的处理,能理解吗?举个例子哈,两个人配合工作, a 工作技术高,复杂的工作都得他来完成, b 技术不行,但他三头六 b, 工作速度比 a 快的多,简单不动脑子的工作就交给 b 来做, a 就是 cpu, b 就是显卡。例子可能不够生动,形象大致就是这个意思吧。如果 cpu 想显示一个图形,需要发 发个指定给显卡,那显卡在屏幕中间画一个长和宽为二十乘十的长方形啊。 显卡收到指令后,就负责计算出该图形的所有像素,并在显示器指定的位置上画出相应的图形,画完之后通知 cpu, 然后等待下一条指令。 显卡可以分为集成显卡、核心显卡以及独立显卡。集成显卡是指主板的芯片阻力,集成了电脑的显示芯片。使用这种芯片组的主板,基于这种特性就可以完全不需要独立显卡就能用了, 可以达到满足电脑使用者。一般的家庭也应娱乐以及轻微的办公需求。这种显卡节省了独显的开支。但是电脑上使用 集成显卡的主板大多数都不带有显存,所以他需要占用一部分内存作为显存。 另外一种也就是我们常说的和弦。在市场中我们能看到的显卡一般有 amd 的 apu 以及英特尔的核心显卡, 他们和集成显卡一样,显存同样是从内存中分享来的,这样以来更高频率的内存就能让和显有更高的性能。但是面对现在的大部分三 a 游戏来说,集成显卡和核心显卡的性能显然不够,这时候我们就需要挑选一张性能更强的独立显卡。 独立显卡顾名思义是指这种显卡是呈独立的版卡存在的,需要插在主板的相应连接口上。独立显卡具备单独 显示内存,他不会再像核心显卡一样占用系统的内存了,而且还有自己的缓存。所以从中我们可以看到,独立显卡的技术上比较核心显卡要先进的多, 能够得到更好的显示效果和性能升级也比较方便。来看显卡的内部构成 电路板负责把显卡上的其他部件连接起来,电路板下面的接口是显卡和主板连接的位置, 接口类型需要与主板插槽类型相似,不同的接口决定着主板能否使用这种显卡。在之前的主板介绍视频中有提及各种接口,这款显卡采用的是现在主流的 pcie 乘十六接口,说实话现在买个别的接口的显卡也很困难, 这个接口还可以为显卡仅供七十五瓦的供电,能满足中低显卡的需求。但是对于大多数显卡来说,这点供电显然是不够的,这时候显卡就要从电源处取电了。通过右上角的辅助供电接口, 理论值上一个六拼的接口能提供七十五瓦的供电,八拼的可以提供一百五十瓦,一般情况下供电接口的供电能力都高于理论值,这样以来也可以简单看供电接口来判断显卡的大致供好。 pcb 版左侧连接的是显示输出接口,这方面内容我在主板篇一样有提到。目前显卡常见的输出接口是 vga、 hdmi、 dvi、 dp。 vga 就是显示 试卡上输出模拟信号的借口,是之前的显卡上非常广泛的借口类型,而现在的显卡基本都取消了这种借口。一下是我整理的各类借口信息。 dp 接口还可以向后兼容,比如 atdmi、 dvi 啊,都能通过转接头来兼容。 中间的这颗便是显卡的核心芯片。决定显卡性能主要就是看这个核心芯片的频率以及流处理契单元数量。核心显卡的频率是指显示核心的工作频率,其工作频率在一定程度上可以反映出显 是核心的性能,核心的频率越高,代表显卡的性能越强。流处理器单元数量的多少也决定着显卡的性能高低。 从理论上来说,在同一型号的 gpu 中,流处理器数量越多, gpu 的性能越强。注意是在同一型号的 gpu 中,这个概念很重要哈,比如 gtx 幺零六零三 g 版本就是这样。流处理器数量的增减是厂商练习刀法最合适的切入点。 呃,黄老板在这方面基本是无人能及的。但是有一点要注意,就是英伟达和 am 店显卡旅游处理去数量不具有可比性,自家只能跟自家比,因为他们两家的核心价格不同,因为显示芯片的复杂性, 设计早期制造芯片的厂商只有一定伟大。 ati s i s 三 d l 这边的这个公司啊,如今已经见不到 sis 和三 d 的显卡芯片了, a t i 已被 a m d 收购了。 而截止目前的显卡份额, amd 和银维达显卡的占额均为百分之二十左右,剩下的百分之六十被英特尔所占有。 注意啊,这里的显卡份额是包括和险和毒险的,要知道目前英特尔只生产和险,因为英特尔 cpu 卖的好,所以占市场的份额高。 amd 则是毒险和 apu 都有, 但却只占了百分之二十左右,因为达则是指生产图片。如果只算独立显卡,因为达占领了百分之八十左右的独立显卡市场,剩下的 百分之二十则是 amd。 说回参数啊,不管是什么显卡,显存都是重要的参数之一。往旁边看,这些就是显卡的显存。显存是显示内存的简称。呃,类似于内存,主要功能就是暂时存储显示芯片要处理的数据以及处理完的数据。 显存颗粒目前也是由三星、美光以及海力士在提供。显示芯片的性能越强,需要的显存也就越多。 要注意选存的 gddr 和内存的 ddr 并不同,之前市面上大部分减卡都是采用的 gddr 五选存, 现在最新的显卡则都采用了性能更为出色的 gddr 六或 gddr 六叉。 gddr 六之前的版本都是属于单通道读写设计,而 gddr 阿六和六叉显臀采用了双通道凸显设计。回头再来看看外面的风扇,显卡散热绝大多数采用的都是风冷,主动残忍,就是在散热铝块或散热漆片上加装上风扇,利用散热管和漆片传递热量,再用风扇散热。 而早期的显卡很多都是被动散热,也就是不带风扇,依靠自然去留散热。散热的好坏可以通过观看散热面积的大小,热管的直径和数量,风扇的尺寸等等来大致判断。 显卡这方面大概就是这些了。内容都是在网上整理的,可能会有错误或不足的地方欢迎在评论区和弹幕中补充。我是园林,希望大家下次一定。

为什么显卡渲染能比 cpu 快几十倍?他们是如何工作的呢?美国有个科普电视节目留言终结者曾经做过一场这样的实验,他们用两台机器生动地还原了 gpu 和 cpu 的工作原理。 首先登场呢,是个看起来非常别致的机器。他接下来会我们演示 cpu 是如何工作的。按下启动按钮之后呢,只见他在画布上一步一个脚印,画出一张笑脸。 其实这就是 cpu 所擅长的串行计算,按照规定的顺序执行任务,就好像人走楼梯一样,通常都是一步爬一个阶梯,你总不能一下蹦到五楼,然后又跳回二楼吧。 接下来就是演示 gpu 工作的机器了,它的体积是 cpu 内台的好几倍,按一下启动按钮的瞬间啊,一副蒙娜丽莎就画好了。通过慢动作回放,可以看到红绿蓝三原色几乎是同时发射出来的。 这就是为什么 gpu 渲染会比 cpu 快几十倍的原因了。由于 gpu 的核心更多,所以它适合进行并行计算,可以多个任务同时进行。而 cpu 是一个一个执行的,效率自然是天壤之别。你还知道哪些领域是 gpu 的并行计算所擅长的呢?

这是电脑的独立显卡,打开显卡,里面是一块 pcb 电路板,中央这个是显卡的 gpugpu, 和 cpu 究竟有什么区别呢?我们举个简单的例子,这里有一百名小学生和一位数学博士,然后让一百名小学生和数学博士做一百道非常简单的算术题。 一百名小学生每人分配一道题,但是博士一人要做一百道题,哪一种解题速度更快?当然是一百名小学生会更快的解决问题,但是现在有一道非常复杂的数学问题, 由于知识超纲,一百名小学生根本无法解决,而数学博士却很快给出了答案。这个例子中,数学博士就相当于计算机的 cpu, 而这一百名小学生组成的整体就相当于 gpu。 cpu 主要用于快速的处理复杂的运算,而 gpu 主要用于处理数据等巨大 的简单运算,尤其对图形处理性能最佳。那 gpu 是怎么处理图形数据的呢?我们以三 d 游戏为例讲解。这是一个三 d 模型,是由点、线、面组成,将点和点连接起来就成了线,填充这些线就成了面,其中最重要的就是顶点,将这些顶点连接在一起 就形成的三维模型。顶点非常重要,里面包含了生成三 d 模型的坐标信息、图像信息以及深度信息等等。当我们操作游戏时, gpu 就会开始处理图形数据。首先三 d 模型的顶点数据会被输入到 gpu, 接着 tpu 读取描述三 d 图形外观的顶点数据,并根据顶点数据确定三 d 图形的形状及位置关系,建立起三 d 图形的骨架,而后进行光商化计算显示其实际显示的图像是由像素组成的, 我们需要将前面生成的图形通过一定的算法转换到相应的像素点上,接着进行纹理映射,前面的步骤只是生成了三 d 物体的轮廓,纹理映射就是将多边形的表面贴上相应的图片,从而生成真实的三 d 模型。生成的三 d 模型 还需要调整模型的光影效果,最后利用三 d 模型的深度信息,计算出三 d 模型的遮挡部分,最终由光山化引擎完成像素的输出。 一般来说,大型的三 d 游戏帧率都在六十帧左右,也就是每秒显示六十张图像。而现在显示器的分辨率大多为一千九百二十乘以一千零八十,将水平和垂直像素数量相乘, 显示器上显示大于二百万个像素,所以计算机一秒钟需要计算一两千万个像素点。更要命的是,我们在打游戏的时候, 三 d 模型都是移动的,他会改变位置,改变大小,还会旋转,这些都是 gpu 实时进行计算更新的。如此大的数据量, gpu 是怎么处理的呢?其实 gpu 在进行图形处理时,顶点或预制像素并不是按顺序计算的, 什么意思呢?比如这个计算,如果说想计算低的值,必须先计算除四的值,也就是第一步和第二步不能同时进行。而图像处理则是完全相互独立的并行计算,比如这张图形每一个像素都是独立的,不需要按顺序计算,谁抢到资源谁计算,只要保证最终图片显示就可以了。 所以 gpu 并行计算效率机构,这是用于处理图形的指令,如果你把它编译成 gpu, 能理解的积极语言就是这样的。这些指令由 gpu 上的算数逻辑单元处理。如果 gpu 有两个内核, 则能同时计算两个指令。如果增加内核的数量,就可以一次计算更多的指令。也就是说,核心越多,一次计算的指令就越多。 gpu 究竟有多少核心呢?这是显卡里面的 gpu, 中间是 gpu 的芯片, 芯片大约有一百一十八亿个晶体管,这些晶体管被组织成六个图形处理集群,共计二十八个流时多处理器。每个流时多处理器由一百二十八个核心组成,一共三千五百八十四个核心。而有些更先进的显卡, 核心数超过一万个。这也让 gpu 在并行处理大量数据方面的效率极高。比如最近爆火的叉 cpt, 需要对 ai 模型进行海量数据的训练,而这种海量数据的计算恰恰就是 gpu 所擅长的,这也让显卡在人工智能的应用上大显身手。


cpu、 gpu apu s o c 联系与区别上期我们了解了什么是 cpu。 cpu central processing unit, 中文名, 中央处理单元,简单来说就是在电脑上做出一个操作之后,由 cpu 来思考并且发出指令,让屏幕把反馈显示给你。 cpu 无论是在办公场景还是游戏场景中的应用都至关重要。 gpu graphics processing unit, 中文名, 图形处理器,又称显示核心、视觉处理器、显示芯片,是一种专门在个人电脑、 工作站、游戏机和一些移动设备,如平板电脑、智能手机等上做图像和图形相关运算工作的微处理器。计算机没有 gpu 也可以工作,就像远程服务器一样。但如 如果我们对显示有要求,就不得不使用它了。现在基本 cpu 上都会集成 gpu, 也就是常说的集成显卡,但它的能力有限。我们的显示器上会有很多像素点, gpu 的作用就是根据指令给每个像素点找到对应的颜色,每个像素点有上千万种颜色可供选择,一块屏幕又有数十万个像素点,游戏过程中还要随时刷新, 因此这是一个庞大的工作量,就不得不交给独立的 gpu 来完成。 apu accelerated processing unit, 中文名字叫加速处理器,其实是 gpu 和 cpu 的集合,将两个单元整合后,能帮助各元件之间更好的通信。因为是 amd 公司开发的,所以叫做 apu。 apu 在移动端有着很 好的表现,不仅突出 cpu 的办公能力,还能节省空间。如果不运行大型游戏,一般的办公软件使用集成显卡也能完美运行。比较典型的例子就是苹果 macbook 系列,都是集成显卡,但办公性能一流。 s o c vistamont chip 的缩写,称为系统及芯片,也称片上系统,是将 cpu、 gpu、 内存、基带和 gps 模块整合在一起的解决方案, 是将系统运行所需的芯片整合在一块芯片上。 soc 是一个微小型系统,如果说中央处理器 cpu 是大脑, 那么 soc 就是包括大脑、心脏、眼睛和手的系统。 soc 芯片是手机上非常重要的一部分,像我们经常听到的高通骁龙、华为麒麟、苹果 a 系列都是属于 soc 芯片。

最近咱们街头巷尾啊,都在讨论这个大芯片, 什么是大芯片?大芯片有哪几种?那你数一数 cpu, gpu, gpgpu。 那这三种东西有什么联系和区别呢?其实啊,这个概念很早以前就是你存电脑买的那个零件, 很有以前那个主板呀,他这个 cpu 集充度很低的,就现在一颗芯片顶过去十颗。 但是呢, cpu 这个概念呢,从那个时候起啊,是没有发生变化的,那原则上 cpu 是干什么?数学计算,系统控制等。后来啊,这电脑呢,又能听歌,又能上网,又能看电影,对不对?那这 cpu 他那么多图形相关的事 干不了了,所以得啊,专用的那个硬件加速器啊,也就是 gpu 芯片。所以说呢,我们说这个电脑除了通用的一些任务,控制一些任务,那画画,媒体这些事,哎,就外包给了 gpu。 但是啊,咱们人啊,对这种漂亮的东西都是 要多少有多少,对吧?想有多少要有多少,那 gpu 呢,肯定是越来越复杂, 不可能说你每一种需求都搁一个专用芯片放在那里,对不对?那后来呢,咱们工程师呢,就想了个办法, 让这个 gpu 啊,做一些图像类的通用计算,怎么办呢?给他搞一些这个阵列,就做成那个很小但是很多的这种阵列。那我们把这些图像算法呀,都通过数学的办法来变成这些阵列上的任务。 那这个时候科学家发现一个问题,那么这些病情的任务不仅仅可以做图像呀,可以做科学计算呀,对不对?大有用武之地。所以呢,那个时候啊, gpu 呢,就有了个新的名字,叫通用 gpu, 哎,也叫 gp gpu 等。后来啊,这个芯片的发展呢,越来越快,就说有一种芯片呢,他把 cpu, gpu, gp gpu 全搞在一起了。那你说这个芯片叫什么呢?我们现在知道它叫 soc, 可是如果拆开架构的里面看的话,它其实呢就是一个迷你的小型主板放在里面 啊,这个缝合怪呢,很有意思了,那以后会怎么样呢?我们知道现在 cpu 盒也很多呀,两个四个都不算多,十二个二十个都有, 是不是长得越来越像 gpgpu 了呢?因此啊,我们说这三个东西这个概念之间越来越模糊了,那有可能是不是以后有同一种架构能做所有的事情,图像、视频, ai 大包大揽, 能不能做到呢?然后我们拭目以待吧。

cpu 渲染和 gpu 渲染有什么区别?这个 cpu 渲染说白了就是处理器渲染, gpu 指的是显卡,显卡渲染那三 d max 里边安装的这个 vivo 渲染器啊,我们在选择的时候,这里选择渲染器, 然后这儿呢有一个 bury 五,这个指的就是 cpu 渲染,而下面这个 gpu 呢,就是显卡, 所以常规情况下我们都是用 cpu 去选的,对吧?但这里这个 gpu 也可以用啊,但有一个前提条件,就你显卡配置要特别好,这样才能用,如果显卡不是太好的话,这个硬件设备不要用这个 gpu。 好,那现在我就把这个 g p u 的参数跟大家讲一下。选择 g p u 确定好,然后我们来到它这个 这个设置的一个面板里边来啊,公用里边呢,我们把这个框高尺寸调好,这个测试的时候,测试效图大概就是按一千或者八百就可以了, 大度的话就三千吧,三千就比较高清了,这是他的一个输出的一个大小,然后位置选项卡里边来 这个时间限制,可以不动到点控制,到点限制,小图测试零点零一,大图的话我们改成零点零零五,这就可以了。 采样可以保持五千不动,选择的这个样式啊,这个采样器同样支持渐进式和渲染块两种,这个你自己来选啊,你用渲染块也行,用渐进式也可以,都行啊,那出大图我还是建议大家用渲染块啊。好,这是这个,然后 灯光缓存里边细分值,这个很关键,测试的话我们就来个五百就行了,出大图两千,输入两千个数值好了。然后性能里边啊,性能里边需要调整的地方是这个, 哎,这个你看 vivo gpu 渲染设备选择,他默认是只选择了显卡啊,显卡这个是英伟达的,因为我这个显卡不是太好啊, 但是这个选项里边是必选的,你也可以把这个勾上,勾上这个的话就是结合 cpu 两个设备一起去渲染,这样的话速度可能更快一点。 好,这个大家了解一下啊。呃,然后设置里边啊,设置里边这个核心就是颜色映射啊,我们可以把它改为专家模式,然后类型给 选择进行倍增吧。伽马的选择我们可以结合一下,你用威瑞的伽马也行啊,用 sunny max, 它的伽马和 rot 那个也行啊。好,然后模式这里用的是威瑞的啊,颜色映射和伽马这个不管测试还是出大鼓都是一样的啊,明暗度这个大家适当的可以做一些调整 好了。那么除此之外呢,渲染元素里边,我们仍然需要去加载这几个比较关键的渲染元素,像江骚七啊,登混还有渲染 id 都可以加上去啊,那么这个参数就比较简单啊,它相对于 cpu 的模式来说就少了很多选项。 好,然后接下来呢,我们再去进行一个测试的渲染,用这种显卡啊,用 g p u 的渲染方式来看一下效果, 嗯,渲染的差不多了啊,所以这个选择啊也是可以的,但有一点就是显卡设备配置一定要高,否则的话不建议使用这个 gpu 渲染。

黄雷勋,英伟达 ceo 了名了,亲爱的 gpd 的灵性,直接开启了一场 ai 算力的准备竞赛,英伟达当仁不让的就接住了。二零二三年,这才过去一个月,身价暴涨百分之三十三,四十六亿美金了。刚刚过去的二零二二年,老黄楠楠换卡,收入暴跌无敌, 这笔大收入以后那十万不上了。 pc 显卡呢?折腾了几年,全球经济摇摇欲坠的,连两耳不闻窗外似的,玩家们家里的余粮也不多了,销量爆点,但凡能开个魔术,我绝不换显卡都这样,老王发慌啊,亲爱的 gpt 突然崛起,狠狠的把 gpu 又拿了起来,亲爱的 gpt 再接下来一年内, 预估会为英伟达带来三十到一百一十亿美元的价格欠条。 gpt 只是个代表,疫情三年憋掉了很多行业,也憋出了一个 ai 大脸,各种 ai 功力大灯,能力表现也让我们嘴巴越长越大。这一切 都需要句句大胆的算力,都在渴望 gpu, 老黄他是怎么就把 gpu 这手牌打的这么好呢?一波波的吃啊吃的准准。 gpu 得好好的了解一下了。世上本没有 gpu, 只因 cpu 弹一条经呐。这是一个典型的 cpu 架构,核心可多可少,单个核心,内部 控制器、运算器、存储器缺一不可,每个核心都有自己单独可用的一级缓存,二级缓存,谁都别抢我的这样就保证了每个核心都能独立的执行任务,不够用去抢外面的共用的三级缓存。多核心就相当于三个数学家同时减 道题,当然速度更快了。多核心组成的数学家这个专家团很强啊,什么题他都能解,只是杀猪用啥牛刀啊?一加一等于二,这个事情没必要每次都让专家去算吧。图像处理就是这种大量重复简单的活, 计算机能不能画曲线?不能,屏幕是由一个个的像素点组成的,只能连直线咋办?把曲线无限的切割成直线就行了,只要切的足够多,片过眼睛就行了。早点连线这事大量重复简单。 cpu 的核心数学家们很火, 我还有那么多的大事要干,一天天的就叫我干这小学生都会的事情。王连勋听到了,对呀,干嘛不直接叫小学生干呢?不找数学家核心了,直接找一堆没那么强的小学生来连线,于是就有了 gpu 这结构,绿色的专家核心被一堆的小学生替代了。 cpu, 我帮你干这些,你 该干啥干啥去。小学生们同时移动领带一百个点,连线太少了,连他四百个。瞬间我们眼睛看到这曲线好平滑啊,这说的还只是二 d 三 d 一样啊,不能画曲线,一样不能画曲面咋办?还是切割切割成三角形?这简单重复的工作量,那就更是 量级上升了,小学生们就更受欢迎了。小学生们具体要做哪些事情呢?比如显示一个三点图形,先读起物体的顶点数据,建立起一个由一堆点连线而成的三点股价。这些点和连线怎么用屏幕的像素呈现呢?需要算法转换,这就是光山化计算,什么颜色什么材质呢?再就是 纹理贴图,往无数的小三角形上贴,只要贴的足够精细,足够多,就能欺骗人家,让你分不清真假。同时进行的就是像素处理,渲染,输出,方向盘,就这四种活,大量重复的干,招大量小学生简单培训就上流水线赚钱了。往人群干的就是这活,他之前别人也这么干过,只是 他是第一个坚定的认为在虚拟空间最大化,真实模拟现实这条路势不可挡,而且前途大大的。好游戏就是最好的在一起。现在新的我这辈子就干这活了,于是就发明了一个词, gpu, 以后就专业到 gpu 了, 不同的思路造不同的硬件, cpu, gpu 就这么的分家了。兄弟俩干活方式不太一样啊, cpu 擅长串形计算,也就是如何快速的把一件事情干完, gpu 擅长如何同时干很多活,那给他们下命令的方式是不是也就不一样了?对 基于 gpu 的软件编写,那也就不一样了,你们按我的方式写代码,编软件,下命令吧,这样我就能跑的更快。于是因为大概二零零六年就推出了苦胆,这是一种编程模型,在我的地盘上你就得听我的。这么写,能最大化的调动 gpu 的并写计算能力, 应对大规模的密集计算,这是一种 gpu 加速技术,这是不是有点自私与霸道了?突然只能在你英伟达自己家的 gpu 硬件上运行,这多不好啊。于是就推出了 opencr 大踏不踏,只不过是开放的支持任何一种大规模并行处理器,支持老黄的 gp 帝国就搭建完成了。前朝会不如一朝绝啊。 gpu 吃完游戏机,吃 pc, 吃完 pc 吃挖矿,这刚吃完挖矿,现在又吃人工智能的,同样都是专业干那些大量的 老黄牛啊,一辈子一个老婆,一辈子只干一件事情,这么难的两件事情他都做到了,服不服?另外一边,因特尔呢?我就不做 gpu, 我就要让 cpu 把 gpu 的活一起干了,分什么家,就这么坚持着, 是不是也不得不服?不过看当前的制成工艺的发展趋势, cpu 与 gpu 做一块去只是个时间早晚的事情了。常回基地观看,谢谢。