顯卡的GPU是如何工作的，它的算力為甚麼如此強悍

顯卡的原理看似複雜,其實一點也不簡單。 顯卡里面最重要的就是這塊芯片,被稱爲GPU。 GPU跟CPU類似,都是通過成百上千個針腳連接到PCB電路板的。 但是就是這麼一塊小芯片,裏面卻集成了超過100億個晶體管。 如果將芯片放大到納米級別,可以看到,裏面是一座座的高科技迷宮。 與CPU只有少數幾個核心不同的是,GPU的核心能達到幾千甚至上萬個。 雖然GPU核心衆多,但是它只擅長做相對簡單的計算,尤其是大規模的並行計算。 什麼是並行計算呢?這是一張圖片,圖片有很多像素組成。 GPU在渲染圖片時,像素並不是一個接一個按順序計算的。 因爲順序計算,會導致其他的核心不工作,都跑一邊喝茶聊天去了,計算效率大大降低。 所以GPU策略是誰搶到資源誰計算,計算之間相互獨立。 最終只要將圖片組合在一起顯示出來就可以了。 現在我們來看一下GPU是如何展現它恐怖的計算實力的。 這裏有100個任務需要GPU進行處理,每個任務被稱爲一個線程。 最理想的方法是,這100個任務分配給100個核心一次處理。 問題是,GPU處理的任務太龐大了,如果需要處理100萬個線程,就要使用100萬個核心。 這是不現實的,解決方案就是以線程爲中心進行處理。 這裏有100萬個線程任務,對應一個擁有1000個核心的GPU。 處理時,我們需要將100萬個線程分別發送到核心的某個地方。 分配過程異常複雜,爲了方便,現在我們將核心分成10個處理單元, 每個單元裏面100個核心,然後再進行任務分配。 這樣雖然簡單了一些,但是依舊還是很複雜。 可以這樣,我們將100萬個線程任務也進行分組,每1000個任務一組, 一共1000組,再進行分配的話就簡單多了。 但是有個問題,這裏的每組任務裏面有1000個, 而每個處理單元裏面只有100個核心,還是不能一次處理掉每組任務。 那怎麼辦呢?很簡單,將1000組任務再進行分組, 每100個任務打包在一起,分成10個包, 一個包對應一個處理單元裏面的100個核心,從而一對一進行處理。 GPU就是以包圍單位來處理任務的。 目前市面上比較先進的顯卡,核心數量超過1萬個, 這些核心每128個分爲一組,核心組的任務也是每128個任務打包在一起, 所以一個包可以分配給一組核心來執行。 有個問題,當核心執行任務時,需要從內存中讀取數據, 這會產生一定的延遲,那GPU是如何解決延遲問題呢? CPU解決延遲問題是通過增加高速緩存來解決的, 我們來看一下GPU的解決方案。 當核心組在執行一個任務包時,如果出現延遲, 它並不會等待,而是立即執行下一個任務包。 如果繼續出現延遲,它又會立即跳到下一個, 也就是說GPU的核心會不停地進行運算。 只要有活幹任勞任怨,GPU一開始主要是爲了加速圖形渲染而設計的, 但是它大規模處理問題的能力,剛好與現今高速發展的人工智能不謀而合。 人工智能一個重要技術就是深度學習, 學習過程需要輸入大量的數據,然後對其進行並行運算, 得出預期結果值,而這正是GPU所擅長的, 所以GPU常用來訓練AI模型。 在實際應用中,最爲人所熟知的就是比特幣挖礦, 比特幣的開採方式是不斷添加任意數字, 直到得到規定的哈希值, 這種挖礦的方式又是GPU極其擅長的, 所以顯卡在比特幣挖掘中至關重要。 未經許可,不得翻唱或使用