站長資訊網在剛剛結束的 2021 年架構日上，Intel 公布了全新的獨立顯卡架構 Xe HPG，基于該架構的首批 GPU 將采用臺積電 N6 工藝，于 2022 年第一季度上市。這是 Intel 從 1998 年發布 i740 以來，二十多之后再次踏入獨立 GPU 市場。
由于 Intel 的加入，獨立 GPU 的市場將再次變成“三國殺”的局面，從圖形圖像到 AI 和高性能計算，技術競爭和市場爭奪將全面升級。
從專用到通用
GPU 市場行情大好。根據市場研究公司 Jon Peddie Research 的報告，2021 年第一季全球 GPU 出貨量達 1.19 億顆，同比增長 38.78%，環比下降 3%。
雖然 Intel 在整體 GPU 出貨上占據了 68% 的市場份額，但是在獨立 GPU 方面，英偉達則以 81% 的份額占據絕對領先，而 AMD 以 19% 的占有率排名第二。據 JPR 的分析師預測，獨立 GPU 的出貨量還將繼續提升，到 2025 年將占整體 GPU 市場的 26%。
無論是云端、邊緣側還是終端，各種電子系統都需要高性能的圖像處理能力，GPU 的發展因此進入加速階段。獨立 GPU 因為用途廣泛，更是成為了大芯片中的佼佼者，架構和工藝都已達芯片業的頂峰。
英偉達在 2020 年發布的面向消費市場的旗艦級 GeForce RTX 30 系列 GPU，采用了三星 8nm 工藝，其中的 RTX3080 和 RTX3090，所包含的晶體管數目已經達到了 280 億個。與之對應，AMD 的 RX 6000 系列，采用了臺積電的 7nm 工藝，晶體管數目也達到了 268 億個。
頂尖的工藝和龐大的晶體管數目對應了越來越復雜的芯片架構。以目前最新的英偉達安培(Ampere)架構為例，其運算部份就包括了流處理器 (Stream Processor，SP)、紋理單元(Texture mapping unit, TMU)、張量單元(Tensor Core)、光線追蹤單元(RT Cores)、光柵化處理單元(ROPs)。
其中，在游戲中應用越來越多的光線追蹤技術由光追單元來負責，而將 GPU 帶入 AI 領域的則是張量單元，可用于實時深度學習、大型矩陣運算和深度學習超級采樣(DLSS)。這兩個單元的引入也將 GPU 的性能和作用完全提升，從圖形處理器升級成計算處理器。
為了追求性能的極致，獨立 GPU 之間的競爭因此就演化了成了架構之間的比拼。英偉達在 2020 年推出了安培架構，AMD 則回應了 RDNA 2 架構，使得其 RX 6000 在性能上可以與 RTX 30 一較高下。
有人將 GPU 架構的升級趨勢概括為“更多”、“更專”、“更智能”。晶體管數量和運算單元的增加是為多，其中包括流處理器單元、紋理單元、光柵單元等數量上升。“更專”是指除了常規的計算單元，GPU 還會增加新的運算單元。“更智能”是指 GPU 的 AI 運算能力上升。
這次 Intel 加入戰局也是有備而來，Xe 架構經過多年打磨而出，不但具備了時下最流行的各種元素，還使用了臺積電的 6 納米工藝，完全有實力與英偉達和 AMD 一較高下。
不過，有業內人士指出，Intel 還是一個基因屬于 CPU 的公司，而在 GPU 上的投入需要配合 CPU 的成長，因此處理好 CPU 和 GPU 之間的發展沖突將是一個很大的挑戰。
爭奪數據中心和更廣闊天地
2012 年，多倫多大學 Alex Krizhevsky 創建了能夠從 100 萬樣本中自動學習識別圖像的深度神經網絡。僅在兩塊 NVIDIA GTX580 GPU 上訓練數天，“Alex Net”就贏得了當年的 Image Net 競賽，擊敗了磨練幾十年的所有人類專家算法。認識深度學習的強大后，斯坦福的 Andrew Ng 與 NVIDIA 研究室合作開發了一種使用大規模 GPU 計算系統訓練網絡的方法。深度神經網絡技術從此迅速發展，也一舉奠定了 GPU 在 AI 領域的地位。
GPU 提供了多個并行計算的基礎結構，并且核心數較多，可以進行海量數據的并行計算，還擁有更高的訪存速度和很高的浮點運算能力。這一切都使得 GPU 完美契合了 AI 計算的需求。
當前，GPU 是 AI“訓練”階段較為適合的芯片。GPU 在 AI 時代的云端訓練芯片中占據較大的份額，達到 64.%。雖然后期由于 FPGA 以及 ASIC 技術的突破，GPU 的市場份額有所下降，但是仍然是云端訓練市場份額最大的芯片，2019 年-2021 年年復合增長率達到 40%。
這一切的起點就是 GPGPU 的應用。用于通用計算的 GPU 被稱為 GPGPU，可以與 CPU 協同工作，將一些大計算量的負載承接過來，以加速應用程序。
GPGPU 的概念始于學界，真正讓其發揚光大的還是英偉達。2006 年，英偉達推出了 Tesla 架構，把 GPU 中的矢量計算單元拆成了多個標量計算渲染單元，使其更適合通用計算。2007 年，英偉達又推出了 CUDA，專為 GPU 設計的并行計算平臺和編程模型。通過 CUDA 可以大大降低用 GPU 做通用計算的難度，因此大大降低了 GPGPU 應用的門檻。
當 CUDA 與深度學習相結合，更是釋放了 GPU 的巨大潛力，也讓 AI 從實驗室走入了業界。同時，GPU 也穩固了自己在數據中心的地位。
憑借 GPU 在數據中心的表現，英偉達的業績也一路走高。在 2022 年 Q1 財季，其數據中心業務營收為 20.5 億美元，創下公司歷史上的新紀錄，與上年同期相比增長 79%，與上一季度相比增長 8%，占總營收的比重已達 36%。
在此領域發力較晚的 AMD 現在也開始奮起直追。根據 AMD 首席執行官 Lisa Su 的說法，該公司第二季度數據中心 GPU 的銷售收入“同比增長了一倍多”。Lisa Su 將該細分市場的出色表現歸功于該公司 Instinct 加速器部署的增加，其中還包括其基于 CDNA 2 架構的最新數據中心顯卡的首次出貨。
現在，終于輪到 Intel 出手了。最新的面向數據中心的 GPU Ponte Vecchio 重磅出爐，擁有 1000 億顆晶體管的 SoC 也創下了 Intel 之最。
Ponte Vecchio 基于 Xe-HPC 微架構，由多個復雜的設計組成，這些設計以單元形式呈現，然后通過嵌入式多芯片互連橋接(EMIB)單元進行組裝，實現單元之間的低功耗、高速連接。這些設計均被集成于 Foveros 封裝中，為提高功率和互連密度形成有源芯片的 3D 堆疊。
“在 ASIC 和 FPGA 都在與 GPU 進行競爭的時刻，Intel 選擇了 GPU，說明 GPU 可能還是通用 AI 的最好選擇。”行業專家劉明(化名)這樣評論道。
這顆巨大的芯片也可以被看做是對英偉達推出數據中心 CPU 的反擊，雙方至此都形成了 CPU+GPU 的布局。
同時，英特爾還在發展其 oneAPI 計劃，使其成為 Nvidia CUDA 的強大競爭對手，因為它的范圍不僅限于 GPU，而且涵蓋 CPU 和所有處理器。
盡管獨立 GPU 不能完全取代 CPU，但是其已經成為數據中心中非常關鍵的一環。當三大芯片廠商都匯聚于此時，GPU 還會有更多精彩的故事。
特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。
