GPU

GPU（图形处理单元，Graphics Processing Unit）是一种专门用于加速图形处理和计算的电子电路。最初，GPU主要用于图像渲染和显示，如3D游戏、动画等，但随着技术的进步，GPU的用途已经扩展到许多高性能计算领域。

一）为什么发明GPU？

随着计算机技术的发展，游戏领域开始出现3D游戏。和2D游戏相比，3D游戏能提供更真实的游戏体验，但它带来的一个问题就是，3D游戏的计算量和2D游戏相比大大增加。

于是问题来了：3D游戏加速的重担，究竟是让CPU来扛，还是让显卡来扛？

历史的重任还是交给了显卡，因为显卡本身承担着2D加速的任务，再加一个3D加速的功能可以让游戏玩家玩得更爽，因此，GPU，作为游戏加速的芯片，就加到了显卡中。

然而，上个世纪90年代，做GPU的都是业内赫赫有名的实力派显卡厂商，比如3dfx，Trident，ATI等，Nvidia只是众多不起眼的一个小厂商。当时3dfx推出的高性能3D加速卡Voodoo一度是游戏玩家的首选，并且他们还搞了一个Glide API作为3D加速的软件接口。在当时，3D加速接口除了Glide API，还有跨平台的OpenGL，以及微软自己的Direct3D。

Direct3D在最初很长一段时间都没有OpenGL流行，但Nvidia做了一个简单而重要的决定，即放弃支持其他的3D接口，全力支持微软的Direct3D。随着Direct3D的版本迭代并在游戏中应用越来越广泛，Nvidia的3D显卡逐渐成为市场的头号玩家，并于2000年收购了3dfx的大部分资产。

GPU，实际上诞生于90年代初，但GPU这个名字，直到1999年才由Nvidia为了推广它的GeForce256芯片才正式提出。

二）GPU的主要功能和特点

GPU（图形处理单元）的主要功能和特点包括以下几个方面：

1. 并行计算能力

• 核心数量多：GPU 拥有数千个小型处理核心，可以同时执行大量的并行计算任务。这使得 GPU 非常适合处理具有高并行性的数据集，例如图像、视频处理以及机器学习中的神经网络计算。
• 处理大规模数据：GPU 能够快速处理大规模数据，例如 3D 图形渲染中的像素和顶点数据、视频解码中的帧信息等。

2. 图形渲染

• 3D 渲染：GPU 能够高效处理复杂的 3D 图形渲染任务，如多边形绘制、光影计算、纹理映射等。它负责将 3D 模型转换为可视的 2D 图像，并为图像添加光照、阴影、反射等效果。
• 像素和顶点处理：GPU 可以对图像的每个像素进行操作，并通过顶点着色器进行顶点的几何变换、缩放、旋转等操作，生成三维图形场景。

3. 高效的视频处理

• 视频解码和编码加速：现代 GPU 包含硬件加速的解码器和编码器，可以快速处理高分辨率视频的解码和编码任务。例如，它可以硬件加速 H.264、H.265（HEVC）等常见视频格式的解码。
• 实时视频处理：GPU 能够在游戏、直播或视频编辑软件中，实时处理并输出高质量的图像和视频，确保流畅的视觉效果。

4. 并行数据处理和科学计算

• 高性能计算（HPC）：由于 GPU 具有大规模并行处理能力，它被广泛应用于需要高计算性能的科学领域，如气象预测、基因组学、金融建模和物理仿真等。
• 机器学习和深度学习：在人工智能领域，尤其是训练深度学习模型时，GPU 可以显著加快神经网络的训练速度。其并行计算架构使得它可以同时计算数百万个参数，大大提高了处理效率。

5. 节能高效

• 相较于使用 CPU 进行同等的计算任务，GPU 能够以更低的功耗完成相同的工作。尤其在处理大规模并行任务时，GPU 的能耗效率通常优于 CPU。

6. 可编程性

• 着色器编程：现代 GPU 提供了可编程的着色器管线，开发者可以使用着色器语言（如 GLSL、HLSL）来编写自定义的顶点、像素和几何着色器，生成复杂的视觉效果。
• 通用计算（GPGPU）：通过 CUDA、OpenCL 等编程框架，开发者可以编写非图形相关的计算任务，利用 GPU 的并行处理能力进行数据处理、加密解密、物理模拟等任务。

7. 实时处理能力

• GPU 能够实时处理大量的数据流，确保在游戏、虚拟现实（VR）、增强现实（AR）等应用中实现流畅的画面表现。这使得它在处理实时任务（如游戏渲染和视频播放）中非常高效。

8. 高带宽显存

• GPU 通常配备高带宽的显存（如 GDDR6 或 HBM），能够以极快的速度访问大数据集，确保复杂图形渲染或数据处理任务能够高效执行。这对于处理高分辨率图像、3D 模型和大规模数据集尤为重要。

9. 支持多显示器和高分辨率输出

• 现代 GPU 支持多个显示器的连接，并能够输出 4K、8K 分辨率等高质量图像。这使得它们在图形设计、游戏和多媒体应用中表现出色。

三）GPU的历史

GPU 的发展历程体现了计算机图形处理技术的进步，以及它如何逐渐扩展到更广泛的高性能计算领域。以下是 GPU 发展的主要历史阶段：

1. 早期阶段（1970s – 1980s）

在计算机发展的早期，图形处理是由 CPU 处理的，性能非常有限。此时，图形显示主要集中在 2D 图像，图形的复杂性也相对较低。最早的图形硬件称为图形加速卡，它们只能处理一些基本的图像绘制任务，如绘制线条和简单的几何图形。

2. 硬件加速的出现（1980s – 1990s）

在 1980 年代和 1990 年代，随着图形用户界面（GUI）的普及和视频游戏的崛起，需求促使图形处理硬件的性能不断提升。3D 图形加速技术开始发展，专用硬件用于加速 3D 图形渲染的任务，如多边形填充和纹理映射。

• 1981年，IBM发布了IBM PC Color Graphics Adapter (CGA)，是最早的图形加速器之一，支持基本的图形功能。
• 1996年，3dfx公司发布了Voodoo Graphics显卡，标志着现代 GPU 的早期雏形。Voodoo 能够显著加速 3D 图形的处理，并使得更复杂的游戏图像效果得以实现。

3. GPU 的正式诞生（1999）

1999 年，NVIDIA 发布了首款被称为 GPU 的显卡——GeForce 256。它是世界上第一个真正的图形处理单元，能够集成硬件 T&L（Transform and Lighting，变换和光照），将 3D 图形处理从 CPU 转移到 GPU。这款 GPU 标志着图形处理和计算能力的大幅提升，并且为后来的 GPU 发展奠定了基础。

4. 可编程 GPU 的兴起（2000s）

进入 2000 年代，GPU 的可编程性成为了新一代发展的关键。通过引入可编程的顶点着色器和像素着色器，开发者能够直接控制 GPU 的行为，设计出更复杂的图形效果。

• NVIDIA 和 ATI（后被 AMD 收购）推出了支持可编程着色器的显卡，如 GeForce 3 系列和 Radeon 8500 系列。
• 2006年，NVIDIA 发布了具有统一着色架构的GeForce 8800 GTX，这标志着现代 GPU 可用于更广泛的并行计算任务。

5. 通用计算 GPU（2006 – 至今）

2000 年代后期，GPU 开始被广泛用于通用计算（GPGPU，General-Purpose Computing on Graphics Processing Units），其并行处理能力使其成为机器学习、科学计算等领域的理想选择。

• 2006年，NVIDIA 发布了 CUDA（Compute Unified Device Architecture），这是一个让开发者能够使用 C 语言编写程序在 GPU 上运行的并行计算平台。这使得 GPU 的计算能力得以扩展到科学计算、物理模拟和深度学习等领域。
• AMD 也推出了相应的并行计算平台OpenCL，使得 GPU 的应用进一步多样化。

6. GPU 在人工智能中的爆发性应用（2010s）

在 2010 年代，随着深度学习技术的崛起，GPU 在 AI 和机器学习中的应用进入了新的阶段。由于深度神经网络训练需要大量的并行计算，GPU 成为深度学习训练中最重要的硬件加速器。

• NVIDIA 的 GPU（如 Tesla 和后来推出的 A100 等系列）成为了深度学习领域的标准计算硬件。
• Google、亚马逊和微软等科技公司也开始推出基于 GPU 的云计算服务，以支持机器学习、数据分析和大规模并行计算任务。

7. 现代 GPU 的多样化应用（2020s）

进入 2020 年代，GPU 不仅仅局限于图形处理和游戏领域，其应用范围已经扩展到自动驾驶、虚拟现实（VR）、增强现实（AR）、加密货币挖矿、基因研究等各个方面。

• NVIDIA 和 AMD 继续主导市场，推出了一系列具有更高并行计算性能的 GPU，如 NVIDIA 的 RTX 系列和 AMD 的 RDNA 架构。
• GPU 也在加密货币挖矿中得到了广泛应用，特别是以太坊等数字货币的挖矿，需要大量的 GPU 计算能力。

8. 未来趋势

• AI 专用硬件的兴起：尽管 GPU 仍然是深度学习的核心硬件，但随着 AI 的快速发展，许多公司（如谷歌的 TPU）开始开发专用 AI 加速器，以满足特定任务的需求。
• 量子计算和边缘计算的出现，也可能引发 GPU 应用的新革命。

总体而言，GPU 从最初的图形加速器发展为如今多用途的高性能计算设备，它不仅在推动游戏和图形技术的发展，同时也在人工智能、科学研究、工程计算等领域扮演着重要角色。

四）GPU的应用领域

GPU（图形处理单元）最早是为图形渲染而设计的，但随着其并行计算能力的提升，它的应用领域已经远远超出传统的图形处理。以下是 GPU 的主要应用领域：

1. 图形渲染与游戏

• 3D 游戏开发：GPU 在游戏中用于实时渲染复杂的 3D 场景和图形效果。现代游戏对光影、纹理、物理模拟的需求越来越高，GPU 提供了强大的计算能力来实现这些效果。
• 虚拟现实（VR）和增强现实（AR）：GPU 能够处理高分辨率的图形和快速响应用户的头部或手部运动，因此在 VR 和 AR 应用中被广泛使用，保证沉浸式体验的流畅性和即时反馈。
• 动画和影视制作：电影和动画制作中，GPU 用于渲染高质量的图像、视频和特效，显著加快了渲染时间。

2. 人工智能和深度学习

• 深度学习模型训练：GPU 被广泛用于训练人工神经网络，特别是深度学习中的卷积神经网络（CNN）和循环神经网络（RNN）。它们能够加速大规模并行计算，显著缩短模型训练的时间。
• 推理加速：在模型部署时，GPU 还用于加速推理过程，特别是在实时应用中，如自动驾驶汽车、智能家居设备等。
• 大数据分析：GPU 可以并行处理大量数据，使其在大数据处理、数据分析和实时数据流处理领域非常高效。

3. 高性能计算（HPC）和科学计算

• 科学仿真：在科学研究中，GPU 被用于气象预测、宇宙模拟、地震模拟等领域。它们可以同时处理多个计算任务，提高计算效率。
• 分子动力学和基因分析：GPU 也广泛应用于生命科学中的分子动力学模拟、基因组学和蛋白质折叠研究等领域。
• 量子化学与物理仿真：GPU 被用于模拟复杂的化学反应和物理过程，如量子力学计算和流体动力学仿真。

4. 自动驾驶

• 感知系统：自动驾驶汽车需要处理来自摄像头、雷达和激光雷达的数据，GPU 用于处理这些传感器生成的图像和点云数据，以实现物体识别、路径规划等功能。
• 实时决策：在自动驾驶中，GPU 的高并发处理能力能够实时处理和分析大量数据，做出快速反应，确保驾驶安全。

5. 加密货币挖矿

• 加密货币挖矿：GPU 被用于执行加密货币挖矿任务，尤其是在比特币和以太坊等加密货币的早期阶段，由于其强大的并行处理能力，GPU 能够加速挖矿过程中所需的复杂哈希计算。

6. 视频处理与图像处理

• 视频编码和解码：GPU 可以硬件加速视频的编码和解码任务，尤其是在处理 4K、8K 等高分辨率视频时，这大大提高了视频处理效率。常见的视频格式如 H.264、H.265 都能被 GPU 高效处理。
• 实时流媒体处理：在视频流媒体服务（如 Netflix、YouTube）中，GPU 用于实时编码和转码，确保用户能够顺畅观看视频。
• 图像编辑与处理：GPU 用于 Photoshop 等图像处理软件中，加速滤镜应用、图像渲染和其他复杂的图像处理任务。

7. 医疗影像处理

• 医学成像分析：在 CT、MRI 和超声波成像等领域，GPU 用于处理和分析复杂的三维医学图像。这不仅提高了成像质量，还加速了诊断过程。
• 生物医学模拟：GPU 被用于模拟生物体的行为，进行药物开发、疾病研究等生物医学应用。

8. 金融与风险分析

• 高频交易：在金融领域，GPU 用于加速高频交易算法的执行，帮助投资者在极短时间内完成大量交易操作。
• 风险分析与建模：金融机构使用 GPU 来运行复杂的市场风险模型、资产定价模型和风险管理系统，提高计算效率。

9. 云计算与边缘计算

• GPU 云计算：很多云计算平台（如 AWS、Google Cloud、Azure）提供基于 GPU 的计算资源，帮助企业加速 AI 训练、数据处理和渲染任务。
• 边缘计算：在需要快速响应的场景（如智能城市、智能工厂），GPU 能够处理大量实时数据，减少对远程服务器的依赖。

10. 工业设计与CAD

• 计算机辅助设计（CAD）：在工业设计、建筑设计和制造业中，GPU 加速了 CAD 软件中的 3D 模型渲染和复杂设计模拟，使设计师可以实时预览设计效果。
• 虚拟仿真：GPU 被用于虚拟产品测试和仿真，如汽车、飞机的风洞实验或结构分析等。

11. 密码学与安全

• 密码学计算：GPU 的强大计算能力也被应用于密码学领域，用于加速加密算法和解密过程。
• 区块链技术：GPU 也用于区块链系统中，帮助处理交易验证和共识算法。

五）特定用途的GPU 清单

根据具体用途，GPU 的性能和特性各不相同。以下是针对不同应用领域常用的 GPU 清单：

1. 游戏与图形渲染

• NVIDIA GeForce RTX 40 系列（如 RTX 4090, RTX 4080）：
  • 特点：实时光线追踪（RTX）、DLSS（深度学习超采样）、高分辨率渲染、VR 支持。
  • 应用：高端 4K 游戏，虚拟现实（VR）体验，图形渲染。
• AMD Radeon RX 7000 系列（如 RX 7900 XT, RX 7900 XTX）：
  • 特点：支持光线追踪、高性能游戏引擎优化。
  • 应用：高性能游戏，3D 图形渲染，VR 应用。
• NVIDIA GeForce GTX 16 系列（如 GTX 1660 Super）：
  • 特点：适合中端游戏用户，不支持 RTX 实时光线追踪。
  • 应用：1080p 高效能游戏，基础图形渲染。

2. 人工智能与深度学习

• NVIDIA A100 Tensor Core GPU：
  • 特点：专为深度学习、AI 推理和训练设计，具备高性能 FP32 和 INT8 计算能力。
  • 应用：深度学习训练、大规模数据并行处理、AI 推理加速。
• NVIDIA Tesla V100：
  • 特点：适合机器学习、AI 和高性能计算，支持 CUDA 和 Tensor Cores。
  • 应用：神经网络训练、数据科学、HPC 应用。
• AMD Instinct MI100：
  • 特点：为数据中心和深度学习设计，支持高性能并行处理。
  • 应用：AI 和机器学习任务、高性能计算。

3. 高性能计算（HPC）和科学计算

• NVIDIA A100 Tensor Core GPU：
  • 特点：高性能计算专用，支持 HPC 应用中的大规模并行任务和数据分析。
  • 应用：气象模拟、基因组学、物理仿真。
• AMD Instinct MI200 系列：
  • 特点：支持大规模并行计算，面向科学计算和研究应用。
  • 应用：物理模拟、科学研究、工程设计。
• NVIDIA Tesla 系列（如 Tesla T4）：
  • 特点：适合数据中心的计算任务，具有较低功耗。
  • 应用：科学仿真、数据中心任务处理、HPC 应用。

4. 自动驾驶

• NVIDIA DRIVE AGX Pegasus：
  • 特点：专为自动驾驶设计，具备感知、路径规划和驾驶决策的计算能力。
  • 应用：自动驾驶汽车的 AI 计算平台，自动驾驶系统开发。
• NVIDIA Jetson AGX Orin：
  • 特点：高效 AI 计算平台，适合边缘计算和自动驾驶中的 AI 处理。
  • 应用：自动驾驶车辆、智能机器人、无人机。

5. 加密货币挖矿

• NVIDIA GeForce RTX 3090：
  • 特点：强大的多核并行处理能力，高显存，适合加密货币挖矿。
  • 应用：以太坊挖矿等基于 GPU 的加密货币。
• AMD Radeon RX 6800 XT：
  • 特点：高效的算力和能耗比，在加密货币挖矿中表现良好。
  • 应用：加密货币挖矿，特别是高效的以太坊挖矿。

6. 视频处理与内容创作

• NVIDIA Quadro RTX 6000 / RTX 8000：
  • 特点：为专业图形工作站设计，支持高性能视频渲染、图像处理和动画制作。
  • 应用：3D 渲染、视频编辑、电影制作、虚拟现实开发。
• AMD Radeon Pro W6800：
  • 特点：面向专业内容创作领域，具备高性能图像处理能力。
  • 应用：图形设计、影视后期制作、工程可视化。
• NVIDIA GeForce RTX 3080：
  • 特点：强大的视频编码能力，支持实时视频编辑和流媒体处理。
  • 应用：视频编辑、实时 4K/8K 视频处理、3D 渲染。

7. 医疗影像处理

• NVIDIA Quadro RTX 5000 / RTX 6000：
  • 特点：支持医疗成像、实时 3D 模型可视化和分析。
  • 应用：医学影像分析、CT/MRI 图像处理。
• AMD Radeon Pro VII：
  • 特点：专为高精度的医学成像处理设计，具有高带宽和多显示输出支持。
  • 应用：医疗成像、虚拟手术规划。

8. 金融与风险分析

• NVIDIA Tesla V100：
  • 特点：强大的并行计算能力，适合复杂金融建模和风险分析。
  • 应用：高频交易、金融衍生品定价、风险评估。
• NVIDIA A100：
  • 特点：大规模并行处理，适用于实时金融数据处理。
  • 应用：金融市场建模、实时交易策略分析。

9. CAD 与工业设计

• NVIDIA Quadro RTX 4000 / RTX 5000：
  • 特点：专为工程设计和 CAD 软件优化，支持实时 3D 渲染和模型处理。
  • 应用：建筑设计、汽车和航空制造、产品开发。
• AMD Radeon Pro WX 7100：
  • 特点：为 CAD 工具优化，提供高效图形渲染和处理能力。
  • 应用：工业设计、工程模拟、虚拟产品测试。

10. 云计算与边缘计算

• NVIDIA A100 Tensor Core GPU：
  • 特点：适合云计算服务，支持 AI、机器学习、大规模数据处理。
  • 应用：云端 AI 训练和推理，边缘计算数据处理。
• NVIDIA Jetson Nano / Jetson Xavier NX：
  • 特点：为边缘计算设计，低功耗、高性能，支持 AI 处理。
  • 应用：物联网设备、智能城市、边缘计算应用。

六）集成显卡的工作原理

集成显卡（Integrated Graphics Processing Unit, iGPU）与独立显卡（Dedicated GPU）不同，它是集成在中央处理器（CPU）或主板上的一部分，不单独存在于一个独立的硬件设备上。其工作原理如下：

1. 与CPU共享资源

• 共享内存：集成显卡没有独立的显存（专门的图形内存），它需要与系统内存（RAM）共享。这意味着集成显卡在处理图形任务时，会占用部分主内存作为显存使用，通常分配大小可以根据系统需要动态调整。
• 共享处理器资源：集成显卡与CPU在同一芯片上，它们可以共享处理器资源进行协同工作。例如，CPU处理计算任务，而集成显卡负责图形处理任务。

2. 图形处理与渲染

• 图形加速：集成显卡通过其内置的图形处理单元来执行基础的图形任务，如2D/3D 渲染、图像缩放、色彩填充等。虽然其并行处理能力比独立显卡弱，但仍能应付日常使用中的基本图形需求。
• 像素和顶点处理：集成显卡可以处理显示器上的每一个像素，将CPU处理好的数据转换成图像信号，并输出到显示器上。它还可以对3D图像中的顶点进行处理，创建基础的3D图形。

3. 硬件加速

• 视频解码加速：集成显卡通常内置专门的视频加速模块，用于硬件加速常见视频格式的解码（如 H.264、H.265），从而减轻CPU的负担，确保高清视频播放的流畅性。
• 显示输出：集成显卡支持显示器的连接和输出，通常支持多个显示器，并且可以处理高分辨率图像的显示。

4. 低功耗设计

• 节能特性：集成显卡的设计目标是低功耗和高效能，适合轻量级应用场景。它不需要像独立显卡那样的专门供电，依赖CPU提供的电源，因此非常适合移动设备（如笔记本电脑）和轻型台式机使用。
• 自动切换：在配有独立显卡的设备中，集成显卡可以作为系统的备用显卡，当系统处于低负荷时会切换到集成显卡，以节省能耗。

5. 与操作系统和应用的交互

• 集成显卡通过图形驱动程序与操作系统和应用程序进行交互。操作系统或应用程序在需要图形处理时，将图形任务交给集成显卡，由集成显卡负责完成渲染、显示等工作。

总结：

集成显卡通过与CPU共享资源来处理图形任务，它的主要工作原理包括与CPU共享内存、执行图形渲染、进行视频加速以及低功耗设计。虽然性能有限，但它在日常应用中能有效地执行大部分基础的图形任务，并通过硬件加速来优化特定任务的处理。

Entires个相关

• 个人电脑
• 中央处理器
• CPU