资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

CPU和GPU的发展现状

创作时间:

作者:

@小白创作中心

CPU和GPU的发展现状

引用

来源

https://juejin.cn/post/7361555165185245222

在人工智能时代，GPU已成为整个行业最具主导地位的芯片之一。本文将从CPU和GPU的概念、发展历史、竞争格局以及中美在AI芯片领域的现状对比等多个维度，深入探讨这一领域的最新发展动态。

整体介绍

CPU作为通用处理器几乎处理所有计算任务，那个时代的显卡有助于加快应用程序中图形的绘制速度。在人工智能时代，GPU却成为了整个行业最具主导地位的芯片之一。所有人都抢购GPU，龙头企业也因此赚的盘满钵满。

下面会从各个领域和角度介绍和分析当前AI发展现状。从算力产业链来说，芯片属于上游产品，而芯片与其它硬件组成服务器，也就是产业链中游，服务器又与其它设备共同组成下游的数据中心。下面梳理AI算力芯片，看看为什么当今AI时代GPU占据了主导地位以及我国目前的发展情况与相关企业。

CPU

概念

CPU是中央处理器(Central Processing Unit)，是计算机的运算核心和控制核心。CPU包括运算器(算术逻辑单元ALU、累加寄存器、数据缓冲寄存器、状态条件寄存器)、控制器(指令寄存器IR、程序计数器PC、地址寄存器、指令译码器ID、时序、总线、中断逻辑控制)、高速缓冲存储器（Cache）、内部数据总线、控制总线、状态总线及输入/输出接口等模块。

发展历史

在CPU的发展历史中，为了进一步提升它的运算能力人们提出了多线程（Multithreading）和多核（Multi-core）的设计方法。多线程指的是程序可以同时执行多个任务，也就是电脑可以同时做不同的事。例如，一个线程可以处理用户输入，同时另一个线程可以执行后台计算，还有一个线程可以处理网络通信。即使一个线程被阻塞，其他线程仍然可以继续工作，从而提高了整体的效率和程序的响应性。多核则是增加CPU内的处理单元，使CPU可以并行处理多个指令流。

可以按指令集和应用领域对CPU进行分门别类，指令集是 CPU 所执行指令的二进制编码方法，是软件和硬件的接口规范。按照指令集可分为 CISC复杂指令集和 RISC精简指令集两大类，在上一篇文章中做过详细介绍，这里不再赘述。CPU 按照下游应用领域还可分为通用微处理器(MPU, Micro Processor Unit)和微控制器(MCU, Micro Controller Unit)，MPU便是我们熟悉的应用于服务器、桌面(台式机/笔记本)、超级计算机等中的CPU。MCU是用于控制类应用的低性能、低功耗CPU。MCU的主频一般低于 100MHz，一般是用在智能制造、工业控制、智能家居、遥控器、汽车电子、机器手臂的控制等。

竞争格局

从竞争格局上看，英特尔和AMD占据了大部分市场份额，其中英特尔作为CPU的缔造者拥有绝对主导地位。从服务器CPU角度看，2022年英特尔与AMD合计占到全球90%的市场份额，不过近两年AMD不断抢占英特尔份额。从MPU整体上看，英特尔占据半壁江山，移动设备端苹果和高通分别拥有13%和9%的份额。从MCU上看则是日韩系厂商份额较多。

GPU

概念

作为通用处理器，以前几乎所有的计算任务都由CPU处理，不过到了八十年代末九十年代初，越来越多的图形渲染处理需求催生了GPU的诞生，黄仁勋正是在这一时期创立的英伟达，专注于GPU的研发与制造。

GPU是图形处理器（Graphic Processing Unit），又称为显示芯片（显卡），最初是作为专用处理器来辅助CPU进行图像和图形相关运算工作的。从结构上来说，CPU的设计是低延迟的串行计算模式，拥有少数强大的ALU算数逻辑单元高效的挨个完成每个任务。而GPU侧重于并行计算（Parallel Processing），拥有大量的ALU可以同时处理大规模的简单计算。简单来说，CPU的工作模式好比一位博士单独去解一道复杂的高数题，而GPU则如同一百名高中生一起计算加减、乘除法。

CPU已经如此强大了，为什么还需要GPU呢，或者说为什么在图形处理和如今的人工智能浪潮下为什么GPU这个以前CPU的小弟成为了王者呢？首先在图像处理领域，图片是由一个个像素点组成的，比如一张1080p的图片实际上是由1920x1080= 207万像素点组成，但是每个像素点的计算并不复杂。由CPU加载图片时是一个一个的单独运算每个像素点，而使用GPU的话则是并行计算，由多个ALU同时处理每个像素点，从而实现快速处理全部像素点。

在人工智能大模型中同理，大模型可以有各种不同结构，但其背后的本质都是基于神经网络的深度学习，它的核心运算需求并不高，主要就是累加和累乘的运算，但是由于模型参数巨大、网络层数复杂，因此需要运用大规模并行计算，这也就是为什么GPU如今独领风骚。

由黄仁勋于1993年创立的英伟达可谓是GPU的奠定者和缔造者，1999年英伟达推出了被誉为世界上第一款真正的GPU的GeForce 256，并凭借此产品获得巨大成功。然而，作为专用处理器，传统 GPU 应用局限于图形渲染计算，在面对非图像并涉及大量并行运算的领域，比如 AI、加密解密、科学计算等则更需要通用计算能力。为了提高GPU的通用性，英伟达于2006年推出的CUDA开发环境构造了其强大的生态护城河，自此GPGPU（General Purpose GPU）时代开启。

CUDA

CUDA(Compute Unified Device Architecture，统一计算设备架构) 可以让开发者能够用类似 C 语言的方式编写程序，让 GPU 来处理计算密集型任务。简单来说，CUDA平台是英伟达提供给开发者的编程工具，包含了一系列工具函数，有各种功能，同时CUDA可以让开发者调用成千上万的 GPU 核心同时工作，进一步提高计算速度。随着时间推移，CUDA被应用在包括物理化学、生物医药、人工智能等众多行业领域，其开发者生态也不断丰富，同时由于CUDA只适用于英伟达的GPU，它成为了英伟达主导GPU的杀手锏。类似于CUDA的还有针对AMD的GPU使用的ATIStream，以及两款开源平台ROCm和OpenCL，这两者可实现不同生态GPU的相互迁移。

发展历史

在GPU发展历史上，除了CUDA平台外，微架构迭代与芯片制程升级是单卡GPU性能提升的关键途径。GPU 的微架构是用以实现指令执行的硬件电路结构设计，不同的微架构设计会对 GPU 的性能产生决定性的影响。以英伟达为例，从最初 Fermi 架构到现在的Hopper架构和最新的Blackwell架构，英伟达平均买两年更新一次架构，每一阶段都在性能和能效比方面得到提升，同时引入了新技术，如 CUDA、GPU Boost、RT 核心和 Tensor 核心等，作为行业第二的AMD也紧跟英伟达更新其微架构。

对比当前主流的顶级GPU英伟达H100和AMD的MI250X可以看出，二者在硬件层面上的差距并不大，真正能够使英伟达维持80%市占率达的其实是软件层面的CUDA平台，由于多年以来众多主要开发者都使用基于CUDA的英伟达GPU，其形成的广泛生态和粘性极大的增加了进行更换厂商的总成本，同时这也给远在大洋彼岸的国内厂商追赶英伟达造成更大的挑战。因此英伟达不仅仅是我们印象中的卖芯片的硬件公司，它也是一家强大的软件公司。

ASIC & FPGA

ASIC

由于目前对于芯片的需求爆发主要还是来自AI领域，针对AI计算场景设计的ASIC从性能、能效、成本均极大的超越了通用芯片，是GPU的潜在竞争对手。目前全球 ASIC 市场并未形成明显的头部厂商，由于 ASIC 需要定制且开发周期长，大多为云计算/互联网等大厂有资金与实力进行研发，且仅当其定制化应用场景市场空间足够大时量产ASIC才能实现丰厚利润。目前市场上主流 ASIC 有 TPU 芯片、NPU 芯片、VPU 芯片以及 BPU 芯片，它们分别是由谷歌、寒武纪、英特尔以及地平线公司设计生产，预计未来将有更多诸如微软、亚马逊、百度、阿里等云计算巨头加入定制自家的ASIC。

FPGA

除了ASIC外，FPGA (Field-Programmable Gate Array，现场可编程门阵列)也是一种专用芯片，其最大特点是现场可编程性。CPU、GPU以及各类 ASIC 芯片在制造完成后，其芯片的功能就已被固定，而 FPGA 芯片在制造完成后，用户可以根据自己的实际需要，将自己设计的电路通过 FPGA 芯片公司提供的专用 EDA 软件对 FPGA 芯片进行功能配置，从而将空白的 FPGA 芯片转化为具有特定功能的集成电路芯片。FPGA 芯片由可编程的逻辑单元(Logic Cell，LC)、输入输出单元(Input Output Block，IO)和开关连线阵列(Switch Box，SB)三个部分构成。

中美现状对比

中国和美国在AI芯片上的差距。首先，无论是站在国家安全、自主可控的角度还是受美国卡脖子技术禁令影响的角度，国产自研替代虽然艰难但一定是未来最可靠甚至是唯一的出路。

从算力、算法和应用层出发，中国厂商和美国同行相比都有一定差距。在算力端存在芯片性能及生态差距，在芯片的生产端核心环节如芯片的设计、流片等也均由海外主导；在算法端，海外在基础研究方面较为领先，如谷歌发布底层架构 Transformer ；应用端，海外头部应用多已成为行业标准，拥有较为良好的用户基础，有助于 LLM+产品的快速落地，如办公领域的微软 Office 产品。

困境

不过算法和应用端的差距不大，而算力层面的差距是最关键的。一方面算力端的核心环节均受海外主导，很难绕开，而且海外头部算力厂商围绕自身产品形成了包含应用、算法的生态壁垒，更加难以突破。另一方面，算力处于基础支撑地位，直接影响模型的落地和应用的推广进度。美国政府为了限制中国AI的发展更是出台政策禁止了美国企业将高端芯片卖给国内企业，自2022年以来美国已多次出台出口限制法案，限制力度逐步提升。去年10月的最新法案中以总处理性能 TPP(Total Processing Performance，即计算速度*字节长度)和性能密度 PD(Performance Density，即每平方毫米的 TPP)为要求，TPP>4800 的芯片、TPP>1600 且 PD>5.92 的芯片属于高性能芯片，不再被允许出口。

在这个背景下，我们来对比下中美主要AI芯片发展进度。国内的算力产业整体上可分为三大体系：以鲲鹏+昇腾为核心芯片的Arm服务器华为系，以海光为核心芯片、中科曙光为整机厂的x86服务器中科院系，以飞腾为核心芯片、中国长城为整机厂的Arm服务器中电子系。

在CPU领域，国内企业经过多年发展与积累形成了海光信息、龙芯中科、华为、飞腾、兆芯和申威六大厂商齐头并进的局面，其中华为和海光性能最好，可对标英特尔与AMD的顶级CPU产品，飞腾和申威的芯片则主要应用于国家超算中心如天河、神威。从三大运营商的采购情况也可以看出，2022年采购中国产CPU服务器占比达到37%，其中海光占比19.66%，华为鲲鹏占比17.41%。

差距

GPU方面，由于GPU领域英伟达占据绝对领导地位，国内厂商目前在硬件和生态上都有较大差距。国内GPU最强的是华为，昇腾310为推理芯片，昇腾910为训练芯片。昇腾 910 芯片采用7nm制程，FP16 算力达到 320TFLOPS、INT8 算力达到 640TOPS，与 NVIDIA A100 80GB 版本旗鼓相当，组网集群上限达到18000张（英伟达A100为16000，H100为50000）。不过与英伟达H100和今年刚刚发布的B100相比存在1-2代差距。

发展趋势

最后来说说AI芯片的发展趋势有哪些，由于未来应用于大模型推理的需求将远超过训练需求，AI芯片也朝着更高性能、更低功耗和更靠近边缘和端侧发展。在性能提升方面，单个处理器层面的提升主要来自过去几十年都遵循的摩尔定律，也就是芯片制程的提升，以及设计层面的微架构迭代。然而当晶体管大小接近 1nm 左右时，与 0.1nm 的原子直径尺寸量级接近，量子隧穿引起的晶体管漏电效应将愈发明显，以至于影响芯片正常工作。微架构方面，英伟达于今年三月GTC大会上最新推出的Blackwell架构也展现出架构更新放缓的趋势。