AMD HSA 异构计算架构和AMD-KFD内核驱动&NVIDIA内核驱动

当前的CPU和GPU是分立设计的处理器，不能高效率地协同工作，编写同时运行于CPU和GPU的程序也是相当麻烦。由于CPU和GPU拥有独立的地址空间，应用程序不得不明确地控制数据在CPU和GPU之间的流动。CPU代码通过系统调用向GPU发送任务，此类系统调用一般由GPU驱动程序管理，而驱动程序本身又受到其他调度程序管理。这么多的环节造成了很大的调用开销.

为了充分释放并行处理器的计算能力，架构设计者必须打破既有格局，采用新的思路。设计者必须重塑计算系统，把同一个平台上分立的处理单元紧密整合成为不断演进单颗处理器，同时无需软件开发者的编程方式发生重大的改变，这是HSA(Heterogeneous System Architecture)设计中的首要目标。

2012年6月份，AMD联合ARM、Imagination、联发科、德州仪器共同组建了非营利组织“异构系统架构基金会”(HSA Foundation)，随后吸引了三星电子、高通以及大批行业公司、科研机构的加盟。

10年前这个消息公布之后，AMD还给业界画了一个大饼——未来是属于HSA异构运算的，十六年前54亿美元收购ATI公司也是为了CPU+GPU异构运算的大业，其中CPU负责通用运算及管理，GPU则依靠强大的浮点性能提供主要输出。

不过10年过去了，HSA并没有推出什么重要的产品，实际上这几年盟主AMD都不怎么提HSA异构的事了，尽管自家的APU产品还在推。

意大利网站bitchips日前表示AMD的HSA异构运算死了，要被埋葬了，CPU、GPU共处一个核心的APU也会停止了，未来将是CPU+GPU同一封装的天下(猜测可能是chiplets 芯粒基数，GPU和CPU封装在一起，但不是同一颗DIE).

APU是“Accelerated Processing Units”的简称，中文名字叫加速处理器，是AMD融聚未来理念的产品，它第一次将处理器和独显核心做在一个晶片上，协同计算、彼此加速，同时具有高性能处理器和最新支持DX11独立显卡的处理性能，大幅提升电脑运行效率，实现了CPU与GPU真正的融合。APU是处理器未来发展的趋势。

相比INTEL的酷睿系列集成显卡，APU的GPU所占面积要大很多，将近50%，毕竟集成进同一颗芯片的是独立显卡，并非是功能受限，阉割严重的核显。

从APU的发展来看，AMD在做的事情是让CPU和GPU彻底融为一体，无论是AMD的Llano，还是Brazos，目标都是一致的。AMD认为，CPU和GPU的融合将分为四步进行：第一步是物理整合过程(Physical Integration)，将CPU和GPU集成在同一块硅芯片上，并利用高带宽的内部总线通讯，集成高性能的内存控制器，借助开放的软件系统促成异构计算。第二步称为平台优化(Optimized Platforms)，CPU和GPU之间互连接口进一步增强，并且统一进行双向电源管理，GPU也支持高级编程语言。第三步是架构整合(Architectural Integration)，实现统一的CPU/GPU寻址空间、GPU使用可分页系统内存、GPU硬件可调度、CPU/GPU/APU内存协同一致。第四步是架构和系统整合(Architectural & OS Integration)，主要特点包括GPU计算上下文切换、GPU图形优先计算、独立显卡的PCI-E协同、任务并行运行实时整合等等。

全功能HSA的特点

HSA将CPU和GPU紧密结合在一起，释放强大，灵活的算力：

再看几个脑洞大开的HSA设计思路，除了hUMA一致性存储外，让人眼前一亮的还有CPU算力和GPU算力一视同仁，统一协调分配，GPU可以向CPU dispatch串行WORK，而CPU也可以向GPU发送并行WORK，将并行和串行算力的利用率发挥到极致。

CPU和GPU的交互更加灵活，甚至都可以在GPU kernel中调用CPU的回调函数，这样可以扩大GPU端kernel实现的粒度，不再需要将大KERNEL切分成小KERNEL，在小KERNEL中间执行CPU流程，增加GPU侧的throughput.

HSA Arch BLock：

异构系统架构(HSA，Heterogeneous System Architecture)用一句话来概括就是：一种智能计算架构，通过无缝地分配相应的任务至最适合的处理单元，使CPU、GPU和其他处理器和谐工作在单一芯片上。上一代APU虽然已经将CPU和GPU无缝融合在了一起，但并没有实现“分配相应的任务至最适合的处理单元”，这就是HSA架构的精髓，也是AMD未来APU想要努力实现的方向。

PS：根据这段描述，似乎可以得出结论，APU是 HSA发展过程中的一个阶段，两者关系用欧拉图表示可以表示成：

HSA系统的几大特性：

　　 1. 任何处理单元的数据可以轻易地被其它处理单元所访问；
　　 2. 异构计算不仅包括GPU，还包括其它专用处理单元或协处理器；
　　 3. 编程人员不用知道程序在什么处理单元上运行；
　　 4. GPU和其它处理单元无缝访问虚拟内存，解决数据搬迁瓶颈，数据无需复制。

<