AI计算，为什么要用GPU？

今天这篇文章，我们继续来聊聊芯片。

在之前的文章里，小枣君说过，行业里通常会把半导体芯片分为数字芯片和模拟芯片。其中，数字芯片的市场规模占比较大，达到70%左右。

数字芯片，还可以进一步细分，分为：逻辑芯片、存储芯片以及微控制单元（MCU）。

存储芯片和MCU以后再介绍，今天小枣君重点讲讲逻辑芯片。

逻辑芯片，其实说白了就是计算芯片。它包含了各种逻辑门电路，可以实现运算与逻辑判断功能，是最常见的芯片之一。

大家经常听说的CPU、GPU、FPGA、ASIC，全部都属于逻辑芯片。而现在特别火爆的AI，用到的所谓“AI芯片”，也主要是指它们。

█ CPU（中央处理器）

先说说大家最熟悉的CPU，英文全称Central Processing Unit，中央处理器。

CPU

但凡是个人都知道，CPU是计算机的心脏。

现代计算机，都是基于1940年代诞生的冯·诺依曼架构。在这个架构中，包括了运算器（也叫逻辑运算单元，ALU）、控制器（CU）、存储器、输入设备、输出设备等组成部分。

冯·诺依曼架构

数据来了，会先放到存储器。然后，控制器会从存储器拿到相应数据，再交给运算器进行运算。运算完成后，再把结果返回到存储器。

这个流程，还有一个更有逼格的叫法：“Fetch（取指）-Decode（译码）- Execute（执行）-Memory Access（访存）-Write Back（写回）”。

大家看到了，运算器和控制器这两个核心功能，都是由CPU负责承担的。

具体来说，运算器（包括加法器、减法器、乘法器、除法器），负责执行算术和逻辑运算，是真正干活的。控制器，负责从内存中读取指令、解码指令、执行指令，是指手画脚的。

除了运算器和控制器之外，CPU还包括时钟模块和寄存器（高速缓存）等组件。

时钟模块负责管理CPU的时间，为CPU提供稳定的时基。它通过周期性地发出信号，驱动CPU中的所有操作，调度各个模块的工作。

寄存器是CPU中的高速存储器，用于暂时保存指令和数据。它的CPU与内存（RAM）之间的“缓冲”，速度比一般的内存更快，避免内存“拖累”CPU的工作。

寄存器的容量和存取性能，可以影响CPU到对内存的访问次数，进而影响整个系统的效率。后面我们讲存储芯片的时候，还会提到它。

CPU一般会基于指令集架构进行分类，包括x86架构和非x86架构。x86基本上都是复杂指令集（CISC），而非x86基本为精简指令集（RISC）。

PC和大部分服务器用的是x86架构，英特尔和AMD公司占据主导地位。非x86架构的类型比较多，这些年崛起速度很快，主要有ARM、MIPS、Power、RISC-V、Alpha等。以后会专门介绍。

█ GPU（图形处理器）

再来看看GPU。

GPU是显卡的核心部件，英文全名叫Graphics Processing Unit，图形处理单元（图形处理器）。

GPU并不能和显卡划等号。显卡除了GPU之外，还包括显存、VRM稳压模块、MRAM芯片、总线、风扇、外围设备接口等。

显卡

1999年，英伟达（NVIDIA）公司率先提出了GPU的概念。

之所以要提出GPU，是因为90年代游戏和多媒体业务高速发展。这些业务给计算机的3D图形处理和渲染能力提出了更高的要求。传统CPU搞不定，所以引入了GPU，分担这方面的工作。

根据形态，GPU可分为独立GPU（dGPU，discrete/dedicated GPU）和集成GPU（iGPU，integrated GPU），也就是常说的独显、集显。

GPU也是计算芯片。所以，它和CPU一样，包括了运算器、控制器和寄存器等组件。

但是，因为GPU主要负责图形处理任务，所以，它的内部架构和CPU存在很大的不同。

如上图所示，CPU的内核（包括了ALU）数量比较少，最多只有几十个。但是，CPU有大量的缓存（Cache）和复杂的控制器（CU）。

这样设计的原因，是因为CPU是一个通用处理器。作为计算机的主核心，它的任务非常复杂，既要应对不同类型的数据计算，还要响应人机交互。

复杂的条件和分支，还有任务之间的同步协调，会带来大量的分支跳转和中断处理工作。它需要更大的缓存，保存各种任务状态，以降低任务切换时的时延。它也需要更复杂的控制器，进行逻辑控制和调度。

CPU的强项是管理和调度。真正干活的功能，反而不强（ALU占比大约5%~20%）。

如果我们把处理器看成是一个餐厅的话，CPU就像一个拥有几十名高级厨师的全能型餐厅。这个餐厅什么菜系都能做，但是，因为菜系多，所以需要花费大量的时间协调、配菜，上菜的速度相对比较慢。

而GPU则完全不同。

GPU为图形处理而生，任务非常明确且单一。它要做的，就是图形渲染。图形是由海量像素点组成的，属于类型高度统一、相互无依赖的大规模数据。

所以，GPU的任务，是在最短的时间里，完成大量同质化数据的并行运算。所谓调度和协调的“杂活”，反而很少。

并行计算，当然需要更多的核啊。

如前图所示，GPU的内核数，远远超过CPU，可以达到几千个甚至上万个（也因此被称为“众核”）。

RTX4090有16384个流处理器

GPU的核，称为流式多处理器（Stream Multi-processor，SM），是一个独立的任务处理单元。

在整个GPU中，会划分为多个流式处理区。每个处理区，包含数百个内核。每个内核，相当于一颗简化版的CPU，具备整数运算和浮点运算的功能，以及排队和结果收集功能。

GPU的控制器功能简单，缓存也比较少。它的ALU占比，可以达到80%以上。

虽然GPU单核的处理能力弱于CPU，但是数量庞大，非常适合高强度并行计算。同等晶体管规模条件下，它的算力，反而比CPU更强。

还是以餐厅为例。GPU就像一个拥有成千上万名初级厨师的单一型餐厅。它只适合做某种指定菜系。但是，因为厨师多，配菜简单，所以大家一起炒，上菜速度反而快。

CPU vs GPU

█ GPU与AI计算

大家都知道，现在的AI计算，都在抢购GPU。英伟达也因此赚得盆满钵满。为什么会这样呢？

原因很简单，因为AI计算和图形计算一样，也包含了大量的高强度并行计算任务。

深度学习是目前最主流的人工智能算法。从过程来看，包括训练（training）和推理（inference）两个环节。

在训练环节，通过投喂大量的数据，训练出一个复杂的神经网络模型。在推理环节，利用训练好的模型，使用大量数据推理出各种结论。

训练环节由于涉及海量的训练数据，以及复杂的深度神经网络结构，所以需要的计算规模非常庞大，对芯片的算力性能要求比较高。而推理环节，对简单指定的重复计算和低延迟的要求很高。

它们所采用的具体算法，包括矩阵相乘、卷积、循环层、梯度运算等，分解为大量并行任务，可以有效缩短任务完成的时间。

GPU凭借自身强悍的并行计算能力以及内存带宽，可以很好地应对训练和推理任务，已经成为业界在深度学习领域的首选解决方案。

目前，大部分企业的AI训练，采用的是英伟达的GPU集群。如果进行合理优化，一块GPU卡，可以提供相当于数十其至上百台CPU服务器的算力。

NVIDIA HGX A100 8 GPU 组件

不过，在推理环节，GPU的市场份额占比并没有那么高。具体原因我们后面会讲。

将GPU应用于图形之外的计算，最早源于2003年。

那一年，GPGPU（General Purpose computing on GPU，基于GPU的通用计算）的概念首次被提出。意指利用GPU的计算能力，在非图形处理领域进行更通用、更广泛的科学计算。

GPGPU在传统GPU的基础上，进行了进一步的优化设计，使之更适合高性能并行计算。

2009年，斯坦福的几位学者，首次展示了利用GPU训练深度神经网络的成果，引起了轰动。

几年后，2012年，神经网络之父杰弗里·辛顿（Geoffrey Hinton）的两个学生——亚历克斯·克里切夫斯基（Alex Krizhevsky）、伊利亚·苏茨克沃（Ilya Sutskever），利用“深度学习+GPU”的方案，提出了深度神经网络AlexNet，将识别成功率从74%提升到85%，一举赢得Image Net挑战赛的冠军。

这彻底引爆了“AI+GPU”的浪潮。英伟达公司迅速跟进，砸了大量的资源，在三年时间里，将GPU性能提升了65倍。

除了硬刚算力之外，他们还积极构建围绕GPU的开发生态。他们建立了基于自家GPU的CUDA（Compute Unified Device Architecture）生态系统，提供完善的开发环境和方案，帮助开发人员更容易地使用GPU进行深度学习开发或高性能运算。

这些早期的精心布局，最终帮助英伟达在AIGC爆发时收获了巨大的红利。目前，他们市值高达1.22万亿美元（英特尔的近6倍），是名副其实的“AI无冕之王”。

那么，AI时代的计算，是不是GPU一家通吃呢？我们经常听说的FPGA和ASIC，好像也是不错的计算芯片。它们的区别和优势在哪里呢？

```python
class BertPooler(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.dense = nn.Linear(config.hidden_size, config.hidden_size)
        self.activation = nn.Tanh()

    def forward(self, hidden_states):
        # We "pool" the model by simply taking the hidden state corresponding
        # to the first token.
        first_token_tensor = hidden_states[:, 0]
        pooled_output = self.dense(first_token_tensor)
        pooled_output = self.activation(pooled_output)
        return pooled_output
from transformers.models.bert.configuration_bert import *
import torch
config = BertConfig.from_pretrained("bert-base-uncased")
bert_pooler = BertPooler(config=config)
print("input to bert pooler size: {}".format(config.hidden_size))
batch_size = 1
seq_len = 2
hidden_size = 768
x = torch.rand(batch_size, seq_len, hidden_size)
y = bert_pooler(x)
print(y.size())
```