「芯視野」三大晶片巨頭正面碰撞 將燃起獨立GPU怎樣的戰火

「芯視野」三大晶片巨頭正面碰撞 將燃起獨立GPU怎樣的戰火

在剛剛結束的2021年架構日上,Intel公佈了全新的獨立顯示卡架構Xe HPG,基於該架構的首批GPU將採用臺積電N6工藝,於2022年第一季度上市。這是Intel從1998年釋出i740以來,二十多之後再次踏入獨立GPU市場。

由於Intel的加入,獨立GPU的市場將再次變成“三國殺”的局面,從圖形影象到AI和高效能計算,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出貨上佔據了68%的市場份額,但是在獨立GPU方面,英偉達則以81%的份額佔據絕對領先,而AMD以19%的佔有率排名第二。據JPR的分析師預測,獨立GPU的出貨量還將繼續提升,到2025年將佔整體GPU市場的26%。

無論是雲端、邊緣側還是終端,各種電子系統都需要高效能的影象處理能力,GPU的發展因此進入加速階段。獨立GPU因為用途廣泛,更是成為了大晶片中的佼佼者,架構和工藝都已達晶片業的頂峰。

英偉達在2020年釋出的面向消費市場的旗艦級GeForce RTX 30系列GPU,採用了三星8nm工藝,其中的RTX3080和RTX3090,所包含的電晶體數目已經達到了280億個。與之對應,AMD的RX 6000系列,採用了臺積電的7nm工藝,電晶體數目也達到了268億個。

頂尖的工藝和龐大的電晶體數目對應了越來越複雜的晶片架構。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,在遊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,可用於實時深度學習、大型矩陣運算和深度學習超級取樣(DLSS)。這兩個單元的引入也將GPU的效能和作用完全提升,從圖形處理器升級成計算處理器。

為了追求效能的極致,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則迴應了RDNA 2架構,使得其RX 6000在效能上可以與RTX 30一較高下。

有人將GPU架構的升級趨勢概括為“更多”、“更專”、“更智慧”。電晶體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。“更智慧”是指GPU的AI運算能力上升。

「芯視野」三大晶片巨頭正面碰撞 將燃起獨立GPU怎樣的戰火

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奈米工藝,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還是一個基因屬於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之間的發展衝突將是一個很大的挑戰。

爭奪資料中心和更廣闊天地

「芯視野」三大晶片巨頭正面碰撞 將燃起獨立GPU怎樣的戰火

2012年,多倫多大學Alex Krizhevsky建立了能夠從100萬樣本中自動學習識別影象的深度神經網路。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演算法。認識深度學習的強大後,斯坦福的 Andrew Ng與NVIDIA研究室合作開發了一種使用大規模GPU計算系統訓練網路的方法。深度神經網路技術從此迅速發展,也一舉奠定了GPU在AI領域的地位。

GPU提供了多個平行計算的基礎結構,並且核心數較多,可以進行海量資料的平行計算,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”階段較為適合的晶片。GPU在AI時代的雲端訓練晶片中佔據較大的份額,達到64。%。雖然後期由於FPGA以及ASIC技術的突破,GPU的市場份額有所下降, 但是仍然是雲端訓練市場份額最大的晶片,2019年-2021年年複合增長率達到40%。

這一切的起點就是GPGPU的應用。用於通用計算的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,以加速應用程式。

GPGPU的概念始於學界,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中的向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設計的平行計算平臺和程式設計模型。透過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也穩固了自己在資料中心的地位。

憑藉GPU在資料中心的表現,英偉達的業績也一路走高。在2022年Q1財季,其資料中心業務營收為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%,佔總營收的比重已達36%。

在此領域發力較晚的AMD現在也開始奮起直追。根據 AMD 執行長 Lisa Su 的說法,該公司第二季度資料中心 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於該公司 Instinct 加速器部署的增加,其中還包括其基於 CDNA 2 架構的最新資料中心顯示卡的首次出貨。

現在,終於輪到Intel出手了。最新的面向資料中心的GPU Ponte Vecchio重磅出爐,擁有1000億顆電晶體的SoC也創下了Intel之最。

Ponte Vecchio 基於 Xe-HPC 微架構,由多個複雜的設計組成,這些設計以單元形式呈現,然後透過嵌入式多晶片互連橋接(EMIB)單元進行組裝,實現單元之間的低功耗、高速連線。這些設計均被集成於 Foveros 封裝中,為提高功率和互連密度形成有源晶片的 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。

這顆巨大的晶片也可以被看做是對英偉達推出資料中心CPU的反擊,雙方至此都形成了CPU+GPU的佈局。

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,因為它的範圍不僅限於GPU,而且涵蓋CPU和所有處理器。

儘管獨立GPU不能完全取代CPU,但是其已經成為資料中心中非常關鍵的一環。當三大晶片廠商都匯聚於此時,GPU還會有更多精彩的故事。(校對/艾禾)

頂部