投稿|设计困境，GPU未来何解？( 二 )
因此 ， 尽管GPU适用于多领域运用 ， 但遗憾的是目前GPU无法同时出色实现某两个领域的极致 。
【投稿|设计困境，GPU未来何解？】1.高性能计算
高性能计算（HPC）常用于大数据分析、超级计算、高级建模和模拟 ， 超级计算机代表着高性能计算系统最尖端的水平 。
其工作原理是异构计算 ， 通过多个计算节点利用GPU主力的并行处理能力 ， HPC能够高效、可靠、快速地运行先进的大型应用程序项目 ， 速度提升后可大幅提升吞吐量并降低成本 。
英伟达最新发布的Tesla V100s高性能计算GPU ， 其有640个Tensor内核 ， 集成5120个CUDA Core ， 640个Tensor Core ， 采用32 GB HBM2显存 ， 显存带宽达1134GB/S ， 单精度浮点计算能力达16.4 TFLOPS 。
2.AI领域
由于GPU良好的矩阵计算能力和并行计算的特性 ， 是最早被用于AI计算的 ， 这也是为什么英伟达CEO多次表达过：“英伟达不是一家游戏公司 ， 而是一家AI公司 。”AI运算指以“深度学习”为代表的神经网络算法 ， 需要系统高效处理大量结构化数据 ， 例如文本、视频、图像、语言等 。
自2012年以来 ， 人工智能训练任务所需求的算力每3.43个月就会翻倍 ， 大大超越了芯片产业长期存在的摩尔定律（每 18个月芯片的性能翻一倍） 。
深度学习需要处理海量数据 ， 并进行大量简单运算 ， 对于并行计算有较高的要求 。而GPU的优势就在于 ， 第一核数较多 ， 可以执行海量数据的并行计算；第二 ， 有更高的访存速度；第三 ， 有更高的浮点运算能力 。
人工智能运行过程中有两部分：训练与推理 。
文章图片
深度学习模型的训练与推理
训练（Training）可以看作是“教育”的过程 ， 通过大数据训练出一个复杂的神经网络模型 。推理（inference）可以看作是算法应用的过程 ， 利用训练好的模型 ， 使用新数据推理出各种结论 。
GPU是AI“训练”阶段比较合适的芯片 ， 在云端训练芯片中占据较大份额 ， 达到64% ， 2019年-2021年年复合增长率达到40% 。
3.光线追踪
IDC认为 ， 2019年第二季度全球游戏PC和游戏显示器出货量同比增长16.5% ， 其原因在于“支持光线追踪游戏机型的大量推出” 。
光线追踪与光栅化的实现原理不同 ， 最早由IBM于1969年在“SomeTechniques for Shading Machine Renderings of Solids”中提出 ， 光追技术能够完美地计算光线反射、折射、散射等路线 ， 渲染的画面较为逼真 ， 几乎与真实世界真假莫辨 。
但该技术的计算量非常大 ， 在过去实时光线追踪技术只在影视作品中出现 ， 并且仅限于高成本的电影制作中 。
2018年NVIDIA发布的RTX 2080 GPU ， 采用Turing架构 ， 在GPU中集成了 68个独立的 RT(ray tracing) Core ， 用于光线追踪 ， 光线处理能力达到了10 Giga/S ， 1080P@60Hz需要处理的光线约为6Giga/S ， 实测基于光线追踪的应用其帧率大致在50FPS左右 ， 基于RTX 2080的光线追踪达到了可用的程度 。
推荐阅读
- 耳机|索尼LinkBuds体验：环境音让内外通透，开放式环形设计令人惊叹
- 投稿|一度超越微信登AppStore榜首，但“元宇宙”社交也难逃“月抛”魔咒
- 投稿|陕旅饭店集团破产重整，昔日“混改模范”为何沦为反面教材？
- 投稿|疫情之下，本土自主设备如何突围？中国制造的投机主义和长期主义
- oppo|配置到位设计拉满，OPPO平板爆料提前看！性能和生态适配亮点多多
- 努比亚|致敬经典的外观设计，小红圈的灵魂之美，努比亚Z40 Pro真机照流出
- 投稿|即视角｜出海正当时：欧美、东南亚、中东、拉美市场观察
- 投稿|“东南亚小腾讯”跌入谷底：受阻的业务飞轮撑不起千亿市值
- 投稿|员工行为几乎全裸？深信服“监控门”背后
- 投稿|信任危机？一场针对民族企业的商业“阳谋”