跳到主要内容

图形处理器 (GPU)

图形处理器（Graphics Processing Unit, GPU），俗称显卡，最初是专门为加速图像渲染而设计的。但由于其极强的并行计算能力，现代 GPU 已经成为人工智能、深度学习和高性能计算领域不可或缺的核心硬件。

1. 显卡分类​

  • 核芯显卡 (Integrated Graphics)：集成在 CPU 内部，与 CPU 共享系统内存。适合日常办公、影音娱乐和轻度游戏，功耗低。
  • 独立显卡 (Discrete Graphics)：拥有独立的芯片和显存，安装在主板的 PCIe 插槽上。性能强劲，适合大型 3D 游戏、视频剪辑和 AI 运算。主要厂商为 NVIDIA 和 AMD。

2. 核心指标：流处理器与频率​

  • 流处理器 (CUDA Cores / Stream Processors)：GPU 内部的微小计算核心。与 CPU 的几个/几十个强大核心不同，GPU 拥有数以千计的流处理器，擅长同时处理大量简单的重复任务（并行计算）。流处理器数量越多，通常图形渲染和计算能力越强。
  • 核心频率 (Core Clock)：GPU 核心的工作频率，影响处理速度。与 CPU 类似，也有基础频率和加速频率之分。

3. 显存 (VRAM)​

显存（Video RAM）是 GPU 专属的内存，用于存储图形数据（如纹理、帧缓冲区、AI 模型权重）。

  • 显存容量：容量越大，能同时处理的高分辨率贴图和复杂的 3D 场景就越多。对于 AI 大模型训练和推理，显存容量是决定能否加载模型的关键瓶颈。
  • 显存位宽与带宽：位宽（如 128-bit, 256-bit）类似于马路的宽度，带宽则是数据传输的总速度。位宽和显存频率共同决定了显存带宽。

4. AI 算力与 CUDA 简介​

  • CUDA (Compute Unified Device Architecture)：由 NVIDIA 推出的一种并行计算平台和编程模型。它允许开发者利用 NVIDIA GPU 的计算能力进行非图形相关的复杂计算。由于 CUDA 生态的完善，NVIDIA 在深度学习领域占据绝对统治地位。
  • Tensor Cores (张量核心)：现代 NVIDIA 显卡（RTX 系列）中专为深度学习矩阵运算加速而设计的硬件单元，极大地提升了 AI 推理和训练的算力。
  • AI 算力评估：通常使用 TOPS (Tera Operations Per Second，每秒万亿次操作) 或 TFLOPS (每秒万亿次浮点运算) 来衡量 GPU 的人工智能和浮点计算性能。

了解 GPU 的这些特性，可以帮助我们在装机或选择云计算服务器时，明确是为了游戏帧数、视频渲染速度，还是为了跑通庞大的 AI 模型。