顾名思义,GPU(图形处理器)最初是为了在屏幕上绘制图像而设计的。计算游戏中每一帧数百万像素的颜色,需要同时对海量数据执行相同的简单操作。这种并行处理能力使得 GPU 在从科学计算到人工智能的各个领域都变得不可或缺。
CPU 与 GPU 的区别
中央处理器 (CPU) 就像电脑的“总经理”:它拥有少量(通常为几个到几十个)强大的核心,负责运行操作系统并处理需要决策的复杂、顺序任务。而 GPU 由数千个更简单的核心组成,擅长同时对大量数据执行相同的操作。打个比方:CPU 就像几位专家教授,而 GPU 就像一大班学生,每个人都在同时进行简单的加减运算。
GPU 如何进入人工智能领域
训练人工神经网络本质上就是对巨大的数字表(矩阵)进行乘法运算——这正是 GPU 能够快速完成的并行工作。21 世纪 2000 年代中期,使 GPU 更易于进行通用计算编程的工具(如英伟达的 CUDA 平台)开始普及。2012 年,在 GPU 上训练的模型 AlexNet 在图像识别竞赛中取得成功,这被视为深度学习时代的开端。如今,大型语言模型的开发需要通过在数据中心内数千个互联的 GPU 上进行持续数周甚至数月的训练来实现。
数据中心 GPU 与全球竞争
专为人工智能设计的数据中心 GPU 具有高带宽内存和快速的芯片间连接,它们与游戏显卡有很大不同,价格也昂贵得多。对这些芯片的需求已将芯片制造商推向全球最有价值公司之列,而美国等国家则以国家安全为由限制了最先进人工智能芯片的出口。
为自己的电脑选择 GPU
- 集成显卡还是独立显卡?内置于处理器中的集成显卡足以应付办公、浏览网页和观看视频。游戏、3D 设计、视频剪辑或在本地运行人工智能模型则需要独立显卡。
- 显存 (VRAM):显卡的内存对于高分辨率游戏和大型人工智能模型至关重要。
- 功耗与散热:高性能显卡功耗较大;请确保您的电源和机箱能够满足需求。
- NPU:新款笔记本电脑还配备了“神经网络处理器”(NPU),能以极低的能耗处理人工智能任务;它们对于日常的人工智能功能非常有用。
来源与延伸阅读
- 英伟达 (Nvidia),“CPU 与 GPU 有什么区别?”。
- Krizhevsky, Sutskever 和 Hinton,“使用深度卷积神经网络进行 ImageNet 分类”(2012)。
- 英特尔 (Intel),“CPU 与 GPU:有什么区别?”。
发表评论
您的电子邮箱地址不会被公开。必填项已用 * 标注