为什么 AI 大模型离不开 GPU？

AI 大模型和 GPU 之间确实存在着密切的关系。

首先，AI 大模型指的是规模庞大的深度学习模型，它们需要处理海量的数据和进行复杂的计算。而 GPU，即图形处理器，拥有强大的并行计算能力，能够高效地处理矩阵运算等计算密集型任务，这正好满足了 AI 大模型对计算能力的需求。此外，随着 AI 技术的不断发展，AI 大模型对计算能力的需求也在不断增加。而 GPU 的性能也在不断提升，新的 GPU 产品不断涌现，为 AI 大模型提供了更加强大的计算支持。

因此，可以说 GPU 是 AI 大模型实现高效计算的重要工具之一，它们之间的关系是密不可分的。

什么是 GPU，与 CPU 有何区别？

在 GPU 火之前，提到最多的就是 CPU，那么二者有什么区别呢？CPU 是不是会被 GPU 取代呢？

下面我们来看下二者的具体区别：

CPU 是 Central Processing Unit 的错写，CPU 通常被称为计算机的"大脑"，主要来承担计算的处理功能，操作系统和应用程序运行等操作都必须依赖它来进行，CPU 还决定着计算机的整体速度。

GPU 是 Graphics Processing Unit 的缩写，其最初的设计是用于辅助 3D 渲染，能同时并行更多指令，其非常适合现在比较热门的动漫渲染、图像处理、人工智能等工作负载。

简单来说，CPU 是为延迟优化的，而 GPU 则是带宽优化的。CPU 更善于一次处理一项任务，而且 GPU 则可以同时处理多项任务。就好比有些人善于按顺序一项项执行任务，有些人可同时进行多项任务。

GPU 和 CPU 有何不同？

• 二者架构核心不同

通过下面两张图可以有助于我们理解 CPU 和 GPU 工作方式的不同。上文中我们提到，CPU 是为顺序的串行处理而设计的，GPU 则是为数据的并行而设计的，GPU 有成百上千个更小、更简单的内容，而 CPU 则是有几个大而复杂的内核。

GPU 内核经过优化，可以同时对多个数据元素进行类似的简单处理操作。而且 CPU 则针对顺序指令处理进行了优化，这也导致二者的核心处理能力的不同。

• 内存架构不同

除了计算差异之外，GPU 还利用专门的高带宽内存架构将数据送到所有核心，目前 GPU 通常用的是 GDDR 或 HBM 内存，它们提供的带宽比 CPU 中的标准 DDR 内存带宽的带宽更高。

GPU 处理的数据被传输到这个专门的内存中，以最大限度地减少并行计算期间的访问延迟。GPU 的内存是分段的，因此可以执行来自不同内核的并发访问以获得最大吞吐量。

相比之下，CPU 内存系统对缓存数据的低延迟访问进行了高度优化。对总带宽的重视程度较低，这会降低数据并行工作负载的效率。

• 并行性

专用内核和内存的结合使 GPU 能够比 CPU 更大程度地利用数据并行性。对于像图形、渲染这样的任务，相同的着色器程序可以在许多顶点或像素上并行运行。

现代 GPU 包含数千个核心，而高端 CPU 最多只有不到 100 个核心。通过更多的核，GPU 可以以更高的算术强度在更宽的并行范围内处理数据。对于并行工作负载，GPU 核心可以实现比 CPU 高 100 倍或更高的吞吐量。

• 响应方式不同

CPU 基本上是实时响应，对单任务的速度要求很高，所以就要用很多层缓存的办法来保证单任务的速度。

GPU 往往采用的是批处理的机制，即：任务先排好队，挨个处理。

• 二者的应用方向不同

CPU 所擅长的像操作系统这一类应用，需要快速响应实时信息，需要针对延迟优化，所以晶体管数量和能耗都需要用在分支预测、乱序执行、低延迟缓存等控制部分。

GPU 适合对于具有极高的可预测性和大量相似的运算以及高延迟、高吞吐的架构运算。目前广泛应用于三大应用市场：游戏、虚拟现实和人工智能。

GPU 在 AI 领域中的应用

通常，数据中心 GPU 和其他 AI 加速器通常比传统 GPU 附加卡配备更多内存，这对于训练大型 AI 模型至关重要。人工智能模型越大，GPU 的能力就要越强，准确度越高。

为进一步加快训练速度，处理更大 AI 模型（例如 ChatGPT），研发者可将许多数据中心 GPU 汇集到一起形成超级计算机。而这需要更复杂软件方可正确利用可用的数字处理能力。另一种方法则是创建一个非常大规模的加速器，例如芯片初创企业 Cerebras 生产的“晶圆级处理器”（wafer-scale processor）。

同时，CPU 方面的发展并未停滞。AMD 和英特尔的最新 CPU 内置低级指令，可加速深度神经网络所需的数字运算。这一附加功能主要有助于“推理”任务，即利用其他已经开发的 AI 模型。

但目前来说，要训练人工智能模型，首先需要 GPU 或者类似 GPU 的大型加速器。