在人工智能（AI）大模型時代下，算力扮演著越來越重要的角色，成為關(guān)鍵生產(chǎn)力。

艾瑞咨詢發(fā)布的《2023年中國智能算力行業(yè)發(fā)展白皮書》報告顯示，2023年大模型算力需求集中爆發(fā)，AI 大模型相關(guān)行業(yè)占中國智能算力總需求的58.8%，接近60%，是智能算力的最大需求方；排名第二的是算法推薦，占比14.2%。

報告還顯示，2022年中國算力結(jié)構(gòu)中，智能算力規(guī)模占比達(dá)22.8%，但同期中國服務(wù)器結(jié)構(gòu)中，AI服務(wù)器出貨量占比僅6.8%。這意味著，智算資源存在稀缺性，而智算中心建設(shè)將有效改善中國智算資源供需結(jié)構(gòu)。

艾瑞咨詢產(chǎn)業(yè)數(shù)字化研究院負(fù)責(zé)人徐樊磊表示，未來，通用人工智能（AGI）技術(shù)將不斷發(fā)展，將推動整體智算需求提升，因此需要擁有足夠的高端智能算力和不斷優(yōu)化的軟硬件融合解決方案，以及可以構(gòu)建生態(tài)匯聚上下游、全鏈條、各領(lǐng)域的參與者，并使用門檻足夠低和便利。

事實上，過去一年多，以ChatGPT為代表的生成式 AI 技術(shù)風(fēng)靡全球。而作為以95%的市場占有率壟斷了全球 Al 訓(xùn)練芯片的英偉達(dá)，成為了這輪 AI 混戰(zhàn)的最大贏家，其研發(fā)的A100/A800、H100/H800等多個 AI 芯片成為 AI 熱潮中的“爆品”。

正如英偉達(dá)自己所說：“GPU 已經(jīng)成為人工智能的稀有金屬，甚至是黃金，因為它們是當(dāng)今生成式 AI 時代的基礎(chǔ)?！?/span>

從技術(shù)角度來說，GPU優(yōu)于CPU（通用處理器），特別是在并行計算能力、能耗效率和CUDA生態(tài)等方面，它的高算力和可擴(kuò)展性使英偉達(dá)GPU成為AI加速芯片市場的首選。

根據(jù)斯坦福大學(xué)最近發(fā)布的一項報告顯示，自2003年以來，過去20年GPU性能提高了約7000倍，單位性能價格也提高了5600倍。該報告還指出，GPU是推動 AI 技術(shù)進(jìn)步的關(guān)鍵動力。

如今，算力正加速向政務(wù)、工業(yè)、交通、醫(yī)療等各行業(yè)應(yīng)用加速演進(jìn)，推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等與實體經(jīng)濟(jì)深度融合，極大地激發(fā)了數(shù)據(jù)要素創(chuàng)新活力。


什么是GPU（圖形處理器）？

GPU是顯卡的核心部件，英文全名叫Graphics Processing Unit，圖形處理單元（圖形處理器）。GPU并不能和顯卡劃等號。顯卡除了GPU之外，還包括顯存、VRM穩(wěn)壓模塊、MRAM芯片、總線、風(fēng)扇、外圍設(shè)備接口等。

1999年，英偉達(dá)（NVIDIA）公司率先提出了GPU的概念。之所以要提出GPU，是因為90年代游戲和多媒體業(yè)務(wù)高速發(fā)展。這些業(yè)務(wù)給計算機(jī)的3D圖形處理和渲染能力提出了更高的要求。傳統(tǒng)CPU搞不定，所以引入了GPU，分擔(dān)這方面的工作。

根據(jù)形態(tài)，GPU可分為獨立GPU（dGPU，discrete/dedicated GPU）和集成GPU（iGPU，integrated GPU），也就是常說的獨顯、集顯。

GPU也是計算芯片。所以，它和CPU一樣，包括了運算器、控制器和寄存器等組件。但是，因為GPU主要負(fù)責(zé)圖形處理任務(wù)，所以，它的內(nèi)部架構(gòu)和CPU存在很大的不同。

如上圖所示，CPU的內(nèi)核（包括了ALU）數(shù)量比較少，最多只有幾十個。但是，CPU有大量的緩存（Cache）和復(fù)雜的控制器（CU）。

這樣設(shè)計的原因，是因為CPU是一個通用處理器。作為計算機(jī)的主核心，它的任務(wù)非常復(fù)雜，既要應(yīng)對不同類型的數(shù)據(jù)計算，還要響應(yīng)人機(jī)交互。

復(fù)雜的條件和分支，還有任務(wù)之間的同步協(xié)調(diào)，會帶來大量的分支跳轉(zhuǎn)和中斷處理工作。它需要更大的緩存，保存各種任務(wù)狀態(tài)，以降低任務(wù)切換時的時延。它也需要更復(fù)雜的控制器，進(jìn)行邏輯控制和調(diào)度。

CPU的強(qiáng)項是管理和調(diào)度。真正干活的功能，反而不強(qiáng)（ALU占比大約5%——20%）。

如果我們把處理器看成是一個餐廳的話，CPU就像一個擁有幾十名高級廚師的全能型餐廳。這個餐廳什么菜系都能做，但是，因為菜系多，所以需要花費大量的時間協(xié)調(diào)、配菜，上菜的速度相對比較慢。

而GPU則完全不同。GPU為圖形處理而生，任務(wù)非常明確且單一。它要做的，就是圖形渲染。圖形是由海量像素點組成的，屬于類型高度統(tǒng)一、相互無依賴的大規(guī)模數(shù)據(jù)。所以，GPU的任務(wù)，是在最短的時間里，完成大量同質(zhì)化數(shù)據(jù)的并行運算。所謂調(diào)度和協(xié)調(diào)的“雜活”，反而很少。

并行計算，當(dāng)然需要更多的核啊，如前圖所示，GPU的內(nèi)核數(shù)，遠(yuǎn)遠(yuǎn)超過CPU，可以達(dá)到幾千個甚至上萬個（也因此被稱為“眾核”）。

GPU的核，稱為流式多處理器（Stream Multi-processor，SM），是一個獨立的任務(wù)處理單元。

在整個GPU中，會劃分為多個流式處理區(qū)。每個處理區(qū)，包含數(shù)百個內(nèi)核。每個內(nèi)核，相當(dāng)于一顆簡化版的CPU，具備整數(shù)運算和浮點運算的功能，以及排隊和結(jié)果收集功能。

GPU的控制器功能簡單，緩存也比較少。它的ALU占比，可以達(dá)到80%以上。

雖然GPU單核的處理能力弱于CPU，但是數(shù)量龐大，非常適合高強(qiáng)度并行計算。同等晶體管規(guī)模條件下，它的算力，反而比CPU更強(qiáng)。

還是以餐廳為例。GPU就像一個擁有成千上萬名初級廚師的單一型餐廳。它只適合做某種指定菜系。但是，因為廚師多，配菜簡單，所以大家一起炒，上菜速度反而快。


GPU集群：人工智能計算的重型裝備

GPU群集，也稱為圖形處理單元群集，是一個并行計算系統(tǒng)，它利用多個GPU來增強(qiáng)計算功能。這種方法可以通過大規(guī)模并行化來加速各種應(yīng)用和模擬。 GPU群集的組成由幾個關(guān)鍵組件組成。首先，GPU本身是集群的核心，是專門為并行計算任務(wù)設(shè)計的。與用于順序處理的傳統(tǒng)CPU不同，GPU同時執(zhí)行多個任務(wù)，使其成為并行工作負(fù)載的理想選擇。此外，GPU群集通常合并多個節(jié)點，每個節(jié)點包含一個或多個GPU，一個CPU，內(nèi)存，存儲和網(wǎng)絡(luò)功能。這些節(jié)點之間的有效溝通和協(xié)作對于集群的整體性能至關(guān)重要。

CPU充當(dāng)協(xié)調(diào)員，管理和協(xié)調(diào)集群中的任務(wù)，尤其是那些不適合并行處理的任務(wù)。內(nèi)存在GPU群集中也起著至關(guān)重要的作用，每個GPU在計算過程中都有自己的高速內(nèi)存（VRAM）用于數(shù)據(jù)存儲。此外，節(jié)點還配備了GPU和CPU之間共享的系統(tǒng)內(nèi)存（RAM），以促進(jìn)有效的數(shù)據(jù)傳輸。為了容納數(shù)據(jù)集，應(yīng)用程序和結(jié)果的存儲，GPU群集需要大量的存儲空間。高性能存儲解決方案（例如SSD）通常用于最大程度地減少數(shù)據(jù)檢索時間并確保實現(xiàn)平穩(wěn)的工作流程。

互連是指節(jié)點之間的通信路徑，在GPU群集中也至關(guān)重要。高速互連技術(shù)（例如Infiniband或Nvidia Nvlink）通常用于最大程度地減少延遲并最大化數(shù)據(jù)傳輸速率。 GPU群集的利用率擴(kuò)展到各個字段?？茖W(xué)研究，特別是在物理，化學(xué)和生物學(xué)方面，從GPU群集的平行處理能力中受益匪淺，啟用了諸如分子動力學(xué)模擬，天氣預(yù)測和粒子物理模擬之類的任務(wù)。對人工智能和機(jī)器學(xué)習(xí)的需求激增也驅(qū)動了GPU群集的采用，因為它們非常適合培訓(xùn)深層神經(jīng)網(wǎng)絡(luò)并提高AI應(yīng)用的效率。在石油和天然氣行業(yè)中，GPU群集用于諸如需要密集計算的地震數(shù)據(jù)處理和收集模擬等任務(wù)。財務(wù)建模，計算機(jī)輔助設(shè)計和繪圖行業(yè)還采用GPU集群來加快復(fù)雜的數(shù)學(xué)建模，渲染高質(zhì)量的圖像和視頻，并促進(jìn)更好的決策過程。在醫(yī)學(xué)領(lǐng)域，GPU集群在醫(yī)學(xué)成像，藥物發(fā)現(xiàn)和基因組學(xué)等任務(wù)中起著至關(guān)重要的作用，加速了大型數(shù)據(jù)集的分析，并推進(jìn)了個性化醫(yī)學(xué)和基因組研究。

盡管GPU群集提供了重要的計算能力，但仍然存在諸如功耗，散熱和編程復(fù)雜性之類的挑戰(zhàn)。但是，預(yù)計硬件設(shè)計，互連技術(shù)和軟件優(yōu)化的進(jìn)步將解決這些挑戰(zhàn)并增強(qiáng)GPU群集的能力。最終，GPU群集代表了各種科學(xué)，工業(yè)和技術(shù)領(lǐng)域的平行計算和驅(qū)動突破的最前沿，將GPU集成到群集系統(tǒng)中，塑造了高性能計算的前景。

GPU如何成為AI計算的主流？

早在2005年和2006年就有研究采用GPU進(jìn)行兩層的神經(jīng)網(wǎng)絡(luò)（NN/CNN）計算，并且對比了GPU和CPU上的性能差異，不過那時在GPU上的加速效果并沒有現(xiàn)在這樣明顯，通常在1-3倍左右，在CPU上采用特定的加速工具也能取得不錯的效果，可能正是因為GPU上的加速效果有限，在那個時候GPU并沒有成為AI計算的主流，也就是在研究層面做些嘗試和探索。

2011年Dan等的研究采用英特爾Core i7-920的CPU，以及英偉達(dá)GTX 480和GTX 580的GPU，進(jìn)行CNN模型的計算，結(jié)果顯示GPU的加速效果達(dá)到了CPU的10-60倍，其中網(wǎng)絡(luò)規(guī)模小的模型加速效果10倍速左右，對于網(wǎng)絡(luò)規(guī)模大的模型加速效果達(dá)到60倍。GPU在AI計算中的加速效果已經(jīng)非常顯著，為進(jìn)一步擴(kuò)大GPU在AI計算領(lǐng)域應(yīng)用創(chuàng)造了有利條件。

2012年，Hinton和Alex Krizhevsky設(shè)計的AlexNet，使用了兩塊英偉達(dá)GTX 580訓(xùn)練了兩周的模型，將計算機(jī)圖像識別的正確率提升了一個數(shù)量級，并獲得了2012年ImageNet競賽冠軍，充分展示了GPU在AI計算中的巨大潛力。此前，在谷歌使用1000臺CPU服務(wù)器，完成了貓臉識別的任務(wù)，2012年吳恩達(dá)等采用3臺GTX680-GPU服務(wù)器完成了同樣的任務(wù)。毋庸置疑，AlexNet和吳恩達(dá)等工作在業(yè)界和學(xué)界都產(chǎn)生了良好的示范效應(yīng)?；蛟S從這段時間開始，學(xué)術(shù)界關(guān)于AI相關(guān)的研究逐漸更多的采用了GPU，互聯(lián)網(wǎng)頭部廠商也陸續(xù)開始引入GPU到各自的生產(chǎn)研發(fā)環(huán)境。

2016年AlphaGo戰(zhàn)勝李世石，2017年AlphaGo又戰(zhàn)勝柯潔，標(biāo)志著新一波AI發(fā)展熱潮的開始，帶動了全球AI產(chǎn)業(yè)發(fā)展。也是在AlphaGo之后，以深度學(xué)習(xí)為核心的AI技術(shù)逐漸在越來越多的應(yīng)用場景落地，AI領(lǐng)域的創(chuàng)新創(chuàng)業(yè)也不斷涌現(xiàn)，差不多從這時候開始，GPU基本開始成為AI計算的標(biāo)配。最近隨著AI技術(shù)的應(yīng)用領(lǐng)域不斷擴(kuò)大，對GPU算力需求也是不斷增加，目前還呈現(xiàn)出GPU供不應(yīng)求的局面。

從2005/2006年開始有人嘗試用GPU進(jìn)行AI計算，到2012/2013年GPU被更大范圍的接受，以及到2016/2017年GPU成本AI計算的標(biāo)配，具有一定的偶然性，發(fā)現(xiàn)深度學(xué)習(xí)網(wǎng)絡(luò)層次越深、網(wǎng)絡(luò)規(guī)模越大，GPU的加速效果越顯著。然而這又注定會是個必然的結(jié)果，AI經(jīng)歷三起三落的發(fā)展，每一次“落”的過程都為下一次“起”積蓄能量，第三“落”似乎算力不足是重要的因素，GPU的工作原理正好很大程度上契合了AI計算的需求，GPU算力的不斷提升，以及2016年英偉達(dá)新的GPU架構(gòu)專門針對AI計算場景進(jìn)行優(yōu)化和支持，對更多的AI計算場景采納GPU都有重要推動作用。