本文详细探讨了GPU的重要性、设计初衷及其在AI训练和推理中的应用，同时介绍了CUDA平台及其对GPU计算能力的扩展。通过深入了解GPU和CUDA，读者可以更加明晰当前AI技术发展的趋势和需求，以及如何利用这些技术推动行业的前进。
身处AI时代的我们，想必都听过”GPU“、英伟达。但是真正了解GPU的人，可能并不多。本文，通过与chatGLM一系列对话，对GPU相关问题,刨根问底，得到了答案。让我们一起来看看吧…
记得本人刚入行，做私有化交付型的一些AI产品和项目的时候，一些AI算法模型，我们会同时给出CPU版本性能参数和GPU性能参数，有些AI算法服务需要客户自行准备GPU机器，用于算法前期POC测试和运行。印象最深刻的就是：几乎所有涉及到图像处理、CV领域的算法，比如车辆检测、物体检测、人脸识别等都需要GPU机器。当时，我就是那么去“记”的，也没怎么耽误推进产品和项目进度，所以也没深究到底什么是GPU？、什么是CUDA？
恰逢本人今年4月份，在面试某公司大模型产品经理岗位时（偏技术型），被问到了 “什么是CUDA？”——所以趁有时间，分享一下~
当前AIGC的时代浪潮已经掀过一翻，目前遗留的最大问题就是：【算力短缺问题】。所以，未来大力发展“算力”，是大势所趋。我们AI的从业者们，也可再往深入探究一些，为行业的共同发展和认知普及，做一些贡献。——这也是本篇本章产出的另一原因。
众所周知，在【电脑】里，有个充当”脑子“的东西，叫做：CPU（中央处理单元），它能够进行各种计算任务，包括图像处理和数据分析。
好，那直接用CPU进行各种运算不就得了，为啥做深度学习、搞AI模型的这帮团队，非得用GPU？
—————一个字：快！七个字：并行计算，所以快！
好，那下面再深究一下：
背景：在20世纪90年代，计算机游戏和多媒体内容的兴起，对于能够快速生成复杂3D图形的硬件需求日益增长，而那时的CPU只能顺序执行指令。
并行计算提效的原因：一个工人一个点一个点喷涂 v.s. 一堆工人同时喷涂。
图形计算与渲染需要计算每个像素点的亮度、颜色等数值，如果一个点一个点顺序执行，那太慢，而并行运算就快很多啦。——GPU 有多个核。
下面这张图更直接：
在AI推理中，有很多重复性的计算，比如大量的加减乘除运算。
在AI深度学习任务中，建模的目标就是：求解目标函数。——而目标函数求解，需要求解出每个特征对应的参数。——比如现在的AI大模型，动不动10亿级别、百亿级别参数量级。
图：目标函数示例
所以，需要提高训练和在线推理性能的东西。——那有个现成的东西：GPU。可以拿来即用。
GPU的应用场景，也由最初的”加速图形渲染“，演变到了现在的”通用计算“场景。
好了，了解了前面GPU是什么、GPU的设计初衷、GPU能干嘛？（加速图形计算–通用高性能计算：AI训练&AI推理）；
下面再了解一下，什么是CUDA吧？
——CUDA，是在英伟达Ian Buck（CUDA项目负责人）率领下，于2006年正式推出的全球首款GPU上的通用计算解决方案。可以理解为，它是一个软件平台，里面包含各种库函数，包括：图形库、数学库、深度学习库、runtime库等；个人理解，CUDA它就是实现AI深度学习任务的一个软件平台或框架，类似的还有Pytorch、Tensorflow。
数据来源：chatGLM-2024年7月.
遂原科技（腾讯投资）、地平线、寒武纪、百度（昆仑芯片）、比特大陆、中科曙光、海光、壁仞科技、摩尔线程（GPU芯片“春晓”）、砺算科技（G100）、象帝先（天钧一号）、智绘微（IDM9系列）、芯动力（RPP-R8）等等；
更多国产算力芯片厂商，可详见这篇文章：GPU国产替代逆流而上 盘点九个值得关注的国产GPU产品（https://new.qq.com/rain/a/20230108A00HNE00），或者自行翻一翻历年的《算力行业研究报告》~
1、一文读懂 GPU 的发展历程：https://juejin.cn/post/7125824952342675464
2、英伟达为什么这么红：说说GPU计算背后的故事：https://new.qq.com/rain/a/20230108A00HNE00
3、GPU国产替代逆流而上 盘点九个值得关注的国产GPU产品：https://new.qq.com/rain/a/20230108A00HNE00
本文由 @南方碟道 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。