发布日期：2024 年 2 月 26 日
撰稿人：Mesh Flinders 和 Ian Smalley
图形处理单元又称为图形处理器或 GPU，是一种旨在加速各种设备（包括显卡、主板、手机和个人计算机 (PC)）上的计算机图形和图像处理的电子电路。
GPU 可快速执行数学计算，从而减少计算机运行多个程序所需的时间。GPU 的这一特性使其成为推动机器学习 (ML)、人工智能 (AI) 和区块链等新兴和未来技术发展的重要推动工具。
在上世纪 90 年代 GPU 发明之前，PC 和电子游戏控制器中的图形控制器依靠计算机的中央处理单元 (CPU) 来执行任务。自上世纪 50 年代初以来，CPU 是计算机中最重要的处理器，执行运行程序所需的所有指令，例如逻辑、控制和输入/输出 (I/O）。然而，随着上世纪 90 年代个人游戏和计算机辅助设计 (CAD) 的出现，业界需要一种更快、更有效的方式在短时间内组合像素。
2007 年，Nvidia 构建了 CUDA（计算统一设备架构），该软件让开发者能够直接访问 GPU 的并行计算能力，GPU 技术得以应用于比以前更广泛的领域。2010 年代，GPU 技术取得了飞跃性发展，其中最重要的也许是光线追踪（通过追踪来自相机的光线方向生成计算机图像）和张量核心（旨在实现深度学习）。
因为这些进步，GPU 在 AI 加速和深度学习处理器中发挥了重要作用，并有助于加快 AI 和 ML 应用程序的开发。如今，除了为游戏机和剪辑软件提供支持之外，GPU 还为对许多企业至关重要的尖端计算功能提供动力。
GPU 技术的进步以及对 AI 和 HPC 不断增长的需求，改变了各行各业从数据中提取价值的方式，并将 IT 性能推向新的高度。
订阅 IBM 时事通讯
GPU 有三种类型：分立 GPU、集成 GPU 和虚拟 GPU。
独立：独立 GPU 或 dGPU，是独立于设备 CPU 的图形处理器，CPU 负责接收和处理信息，以便计算机能够正常工作。独立 GPU 通常用于具有特殊要求的高级应用，如视频剪辑、内容创建或高端游戏。它们是不同的芯片，配备用于分离电路板的连接器，这些电路板通常使用快捷插槽连接到 CPU。使用最广泛的其中一款独立 GPU 是 Intel Arc 品牌，专为 PC 游戏行业打造。
集成：集成 GPU 或 iGPU 内置于计算机或设备的基础架构中，通常位于 CPU 旁边。集成 GPU 设计由英特尔于 2010 年代推出。随后，MSI、ASUS 和 Nvidia 等厂商也意识到 GPU 与 CPU 相结合的强大优势（不需要用户自行通过 PCI Express 插槽添加 GPU），因此集成 GPU 变得越来越受欢迎。如今，集成 GPU 仍然是笔记本电脑用户、游戏玩家和其他在 PC 上运行计算密集型程序的用户的热门选择。
虚拟：虚拟 GPU 具有与分立或集成 GPU 相同的功能，但没有硬件。虚拟 GPU 只是为云实例构建的软件版本的 GPU，可用于运行与实体 GPU 相同的工作负载。此外，由于没有硬件，虚拟 GPU 比实体产品更简单、维护成本更低。
随着时间推移和技术进步，GPU 可编程能力得到了提升，并逐渐挖掘出更多功能。具体来说，GPU 能够将任务分配给多个处理器执行，这种并行处理能力使其成为众多应用不可或缺的工具，例如 PC 游戏、高性能计算 (HPC)、3D 渲染工作站、数据中心计算等。以下是 GPU 技术的一些最重要的现代应用：
可以说，没有 GPU 技术，AI 及其众多应用就无从谈起。GPU 能够比传统 CPU 更快速、更高效地解决高度技术性问题，因此不可或缺。GPU 为许多领先的 AI 应用提供支持，例如 IBM 的云原生 AI 超级计算机 Vela，这些应用需要高速处理能力才能在越来越大的数据集上进行训练。AI 模型在数据中心 GPU 上训练和运行，通常由开展科学研究或其他计算密集型任务的企业运营。
区块链是一种用于记录业务网络中的交易和追踪资产的流行分类账系统，它严重依赖 GPU 技术，尤其是在“工作证明”这一环节中。在许多广泛使用的区块链中，例如加密货币，工作证明步骤对于交易验证至关重要，是交易得以添加到区块链中的必要条件。
游戏行业在上世纪 90 年代首次利用 GPU 的强大功能，以更高的速度和图形准确性改善了整体游戏体验。如今，个人游戏已成为高度计算密集型领域，因其具有超逼真的场景、实时交互以及广阔、身临其境的游戏世界。虚拟现实 (VR)、更高刷新率和更高分辨率屏幕等游戏趋势均有赖于 GPU 在要求越来越高的计算环境中快速提供图形。
长期以来，漫长的渲染时间一直困扰着消费级和专业级编辑软件用户。GPU 自问世以来，稳步减少了 Final Cut Pro 和 Adobe Premiere 等流行视频编辑产品所需的处理时间和计算资源。如今，具备并行处理能力和内置 AI 的 GPU 大大提升了从专业编辑套件到智能手机应用等各种应用的编辑功能。
处理、性能和图形质量的改进，让 GPU 成为内容创作行业转型的重要推动力量。如今，拥有顶级显卡和高速互联网的内容创作者可以生成逼真的内容，通过 AI 和机器学习对其进行增强，然后以前所未有的速度对其进行编辑并流式传输给现场观众。所有这一切在很大程度上要归功于 GPU 技术的进步。
许多行业对 GPU 都有很高的需求，为的是增强复杂专业应用程序的使用体验和训练能力，包括产品演示、CAD 绘图以及医学成像和地震/地球物理空间成像等应用领域。 GPU 在高级可视化方面发挥着至关重要的作用，可通过三维动画、人工智能 (AI) 和机器学习 (ML)、高级渲染以及超逼真的虚拟现实 (VR) 和增强现实 (AR) 体验，为消防员、宇航员、教师等专业人员培训赋能助力。
此外，工程师和气候科学家利用 GPU 支持的仿真应用程序来预测各种复杂现象，如天气状况、流体流动、天体运行以及车辆在特定条件下的行为方式。针对这些目的，目前最强大的 GPU 之一是 Nvidia geforce RTX 芯片，它主要用于科学可视化和能源勘探。
当今的 GPU 利用许多多处理器来处理其要执行的任务的所有不同部分。
GPU 有自己的快速存取存储器 (RAM) - 一种特定类型的电子存储器，用于存储芯片可以根据需要访问和修改的代码和数据。高级 GPU 通常具有专门构建的 RAM，用于保存图形编辑、游戏或 AI/ML 用例等计算密集型任务所需的大量数据。
两种热门的 GPU 内存是第六版图形用双倍数据速率同步动态随机访问存储器 (GDDR6) 和新一代 GDDR6X。GDDR6X 每个传输位的功耗比 GDDR6 低 15%，但由于 GDDR6X 速度更快，其总体功耗也更高。iGPU 可以集成到计算机的 CPU 中，也可以插入 CPU 旁的插槽中，并通过 PCI Express 端口连接。
CPU 和 GPU 在设计上具有相似性，例如都拥有用于处理任务的众多核心和晶体管，但 CPU 在功能上比 GPU 更具通用性。GPU 往往专注于单一的特定计算任务，例如图形处理或机器学习。
CPU 是计算机系统或设备的心脏和大脑。CPU 从程序或软件应用程序接收有关任务的一般指令或请求。相比之下，GPU 执行的任务更具体，通常涉及高分辨率图像和视频的快速处理。为了完成任务，GPU 不断执行图形渲染或其他计算密集型功能所需的复杂数学计算。
CPU 和 GPU 之间的最大区别之一是，CPU 倾向于使用较少的核心并以线性顺序执行任务，而 GPU 拥有数百甚至数千个核心，支持并行处理，因此处理速度快如闪电。
第一批 GPU 是为了加速 3D 图形渲染而构建，能够让电影和视频游戏场景看起来更加逼真和引人入胜。第一款 GPU 芯片是 Nvidia 的 GeForce，于 1999 年发布，随后迅速进入快速增长期，由于其高速并行处理能力，GPU 功能得以扩展到其他领域。
并行处理或并行计算是一种依靠两个或更多处理器来完成整体计算任务的不同子集的计算方式。在 GPU 出现之前，老一代计算机一次只能运行一个程序，通常需要数小时才能完成一项任务。GPU 的并行处理功能可以同时执行许多计算或任务，因此比老式计算机中的 CPU 更快速、更高效。
访问业界最灵活的服务器选择流程之一，无缝集成到 IBM Cloud 架构、API、应用程序和遍布全球的数据中心网络。
在一个平台上轻松部署和嵌入遍及整个企业的 AI，管理所有数据源，并加快可信任的 AI 工作流。
通过更多数据和已加速的全球访问来加速 AI 结果，让您能够打破数据访问障碍，为 NVIDIA AI 解决方案创造新的存储动态。
了解 IBM 的混合云 HPC 解决方案，以及面向混合云的完整集成高性能计算 (HPC) 解决方案组合。
见证 IBM Cloud Bare Metal Servers 的强大功能，它是可以作为云服务进行部署和管理的单租户专用服务器。
了解图形处理单元 (GPU)，以及为什么 GPU 对于考虑采用新方法来处理工作负载（视频和文本）的公司如此重要。
Vela 是 IBM Cloud 中的 AI 超级计算机，设计用于更高效地部署从数据预处理、模型训练到新产品孵化的 AI 工作流程。
了解机器学习 (ML) 的历史以及重要的定义、应用和业务问题。
详细了解人工智能 (AI) 技术，它使计算机和数字设备能够像人类一样学习、阅读、写作、交谈、观看、创造、游戏、分析和提出建议。
探索区块链的强大功能：一种不可篡改的共享分类账，助力业务网络高效记录交易和追踪资产。
了解 IBM 如何利用 IBM Cloud 上的全新 GPU 产品帮助客户部署基础模型和 AI 工作负载。