專家洞察

主機經(jīng)濟的啟示

想知道圖形技術(shù)的發(fā)展方向？關(guān)注主機市場就對了。并非因為主機技術(shù)精湛或代表著計算機圖形學的巔峰——事實并非如此。但它們確實占據(jù)著游戲生態(tài)系統(tǒng)中最大的收入份額，而受發(fā)行商驅(qū)動的游戲開發(fā)商們，永遠追隨資金流向。

主機還經(jīng)過精巧設計以控制成本。售價500美元的PlayStation或Xbox無法原生支持4K分辨率、高幀率、復雜材質(zhì)、全局光照和實時光線追蹤——物理系統(tǒng)無法支撐，散熱系統(tǒng)無法應對，經(jīng)濟性更是完全行不通。

主機可視為受限圖形處理的入口。通過控制芯片面積和限制散熱來降低成本的需求，促使硬件采用先進技術(shù)高效實現(xiàn)新一代特效。

那么，主機正在做什么？最新一代主機并不是在增加更多專用的圖形功能，而是將重點投入到AI加速上：更多的重建與超分辨率技術(shù)，更多的時間性技巧與學習型近似算法，以及對純粹光柵化吞吐力的投入則相對減少。

這并非妥協(xié)，而是實用主義。原生4K渲染所需的計算量約是1080p的4倍，但通過AI驅(qū)動從1080p超分至4K，僅需一小部分成本就能實現(xiàn)視覺上相近的效果。同樣的畫質(zhì)，只需四分之一的計算預算——經(jīng)濟賬無可辯駁。

當主機廠商如此重注于重建技術(shù)而非原生渲染時，整個生態(tài)系統(tǒng)都會隨之轉(zhuǎn)向。游戲引擎為此優(yōu)化，藝術(shù)家學習與之協(xié)作。待這些技術(shù)成熟時，它們便成為預期的基準。這不僅是主機的方向，也是智能手機、電視和汽車中受限實時圖形技術(shù)的發(fā)展方向。

我們?nèi)绾巫叩浇裉欤?/strong>

幾十年來，丹納德縮放定律（Dennard scaling wall）給予芯片設計者一份厚禮：縮小晶體管，就能獲得更多晶體管，它們能以相同功耗運行得更快。我們可以塞進更多圖形核心、更多計算單元、更多專用模塊，而經(jīng)濟效益依然成立。每一代都能帶來“免費”的性能提升。

這種模式早已失效，但半導體行業(yè)仍慣性前行，仿佛舊規(guī)則依然有效。事實并非如此。如今縮小晶體管尺寸雖能實現(xiàn)更高密度集成，但性能不再倍增，功耗也無法像過去那樣線性增長，熱管理更成為重大挑戰(zhàn)。唯一出路在于提升架構(gòu)效率，而非單純堆砌更多晶體管。

這引發(fā)了我們對于處理器設計思路的轉(zhuǎn)變。我們需要更明智地決策構(gòu)建什么以及如何使用——而AI恰逢其時地出現(xiàn)，帶來了我們所急需的下一代圖形效率浪潮。

圖形演變?yōu)橛嬎?/strong>

事實上，在所有市場中，現(xiàn)代渲染技術(shù)正逐漸擺脫傳統(tǒng)圖形學的面貌，更趨近于精密的信號處理。去噪光線追蹤照明是計算問題，時域抗鋸齒是計算問題，分辨率提升更是不折不扣的計算問題。就連光柵化技術(shù)也日益依賴計算著色器來實現(xiàn)剔除、可見性判定和材質(zhì)評估。

“圖形工作負載”與“計算工作負載”之間的界限正在消融?？此茍D形的任務，往往是恰好生成像素的計算——而GPU已經(jīng)演變得非常善于處理這類負載。

該能力已開始被重新部署至其他應用場景。在邊緣計算場景中，GPU通常承擔著處理計算攝影、擴展現(xiàn)實（XR）、虛擬與增強現(xiàn)實（VR/AR）以及復雜傳感器融合等核心工作負載的任務。這些操作包括處理攝像頭數(shù)據(jù)流、整合激光雷達點云、對傳感器數(shù)據(jù)執(zhí)行快速傅里葉變換（FFT），以及在三維空間中追蹤物體。此類預處理步驟對于實現(xiàn)更豐富、更沉浸式的體驗以及精準的環(huán)境感知至關(guān)重要。

融合之勢

這些任務占據(jù)著獨特的交叉領域，既不同于傳統(tǒng)圖形處理，也區(qū)別于AI工作負載。它們代表了一類異構(gòu)計算任務——這類任務在AI近期爆發(fā)之前就已存在，卻依然是移動計算、交互計算和感知計算等現(xiàn)代應用的核心需求。

由此催生出成熟的計算軟件生態(tài)系統(tǒng)，將GPU視為核心計算單元。API、標準、庫、編譯器及工具鏈一應俱全，確保開發(fā)者能輕松將AI模型部署至GPU通用計算單元。

這至關(guān)重要——因為殘酷的現(xiàn)實是：當前主導技術(shù)路線圖的AI算法，很可能無法支撐五年后的運行需求。并非算法本身缺陷，而是它們針對電力與計算資源充沛的時代進行優(yōu)化，而這種資源規(guī)?；瘮U張終將受限。

運行于數(shù)據(jù)中心、耗電量巨大的Transformer模型或許能推動短期經(jīng)濟增長，但它們同樣面臨擴展極限，而無限免費的能源仍是科幻設想。新一代算法的誕生勢在必行——物理定律與經(jīng)濟規(guī)律共同催生著變革。部分算法將提升數(shù)據(jù)中心計算效率，另一些則將推動AI走出數(shù)據(jù)中心，轉(zhuǎn)向另一高效計算資源：邊緣設備。

稀疏架構(gòu)、新型量化方案、尚未構(gòu)想的混合方法——無論算法如何演進，硬件都需做好準備。歷史已為我們提供范例：專家系統(tǒng)讓位于神經(jīng)網(wǎng)絡，全連接網(wǎng)絡讓位于CNN，CNN又讓位于Transformer。每次變革都遺留著針對舊技術(shù)的專用硬件。

邊緣計算的差異在于部署周期。數(shù)據(jù)中心每2-3年即可更新?lián)Q代（經(jīng)濟與基礎設施允許的情況下），而汽車SoC的壽命卻長達十年以上。邊緣硬件無法承受過度優(yōu)化算法的代價——這些算法可能在首款芯片出貨前就已過時。

這對GPU意味著什么？

但專用加速器并非邊緣AI的唯一解決方案。GPU已進化為AI機器；其計算資源的主要應用場景確實是圖形處理，但GPU的魅力在于可編程性和靈活性。它可應用于當今的AI算法——當數(shù)據(jù)中心資源限制真正顯現(xiàn)時，它將成為更高效模型變體的實際加速器。

當代GPU早已超越圖形處理器的范疇，亦非單純的計算處理器或AI加速器——它們同時兼具三者特性。這對架構(gòu)設計意味著什么？

真正的異構(gòu)性：光柵化、光線追蹤、張量運算及計算仍需專用功能模塊。但調(diào)度機制與資源分配必須具備足夠靈活性，避免工作負載轉(zhuǎn)移時產(chǎn)生資源泡沫。當幀重建階段啟動時，光線追蹤單元應轉(zhuǎn)為計算或AI任務使用，而非閑置。

內(nèi)存分層結(jié)構(gòu)比峰值吞吐量更關(guān)鍵：邊緣設備無法依靠海量內(nèi)存池蠻力解決問題。緩存策略、數(shù)據(jù)壓縮與傳輸機制屬于架構(gòu)設計范疇，而非算法層面。當GPU進行幀重建而非完整渲染時，內(nèi)存訪問模式將發(fā)生根本性變化，架構(gòu)設計必須預見這種轉(zhuǎn)變。

數(shù)值靈活性優(yōu)先于峰值性能：當前神經(jīng)網(wǎng)絡可能采用INT8精度，但未來可能需要INT4、FP4或尚未標準化的三元表示法?，F(xiàn)有圖形渲染依賴FP32精度，而重建算法可能需要我們尚未預見的位寬。設計應追求適應性，而非僅針對單一狹窄格式的效率優(yōu)化。

可編程性不可妥協(xié)：今日設計的車載GPU必須能運行尚未誕生的算法。這要求編程模型能讓開發(fā)者自由表達創(chuàng)新算法，而非受限于架構(gòu)。固定功能模塊雖能提升效率，但前提是它們不會在工作負載演進時將你逼入死胡同。

我們一再忽視的規(guī)律

過去四十年間，計算產(chǎn)業(yè)反復經(jīng)歷著這樣的循環(huán)：規(guī)模化帶來性能提升，我們據(jù)此構(gòu)建基礎設施，卻忽略了物理定律設下的邊界。算法隨之調(diào)整以彌補不足，而過往的優(yōu)化方案逐漸失效。

當下我們正身處轉(zhuǎn)型期。關(guān)鍵不在于變革是否發(fā)生——丹納德縮放定律的極限已然顯現(xiàn)，算法變革勢在必行，邊緣部署加速推進。關(guān)鍵在于我們構(gòu)建的是能適應變革的架構(gòu)，還是將在轉(zhuǎn)型完成后被淘汰的舊體系。而邊緣計算領域正面臨最嚴峻的考驗。構(gòu)建適應未來發(fā)展的架構(gòu)遠比優(yōu)化現(xiàn)有方案困難，但唯有如此才能經(jīng)受十年部署的考驗。

作者介紹Ed Plowman，是GPU架構(gòu)與機器學習加速領域的資深專家，擁有逾30年推動圖形處理、計算及系統(tǒng)性能創(chuàng)新的經(jīng)驗。在Imagination Technologies擔任首席技術(shù)官期間，他主導先進GPU流水線研發(fā)，探索新型算術(shù)邏輯單元設計、圖神經(jīng)網(wǎng)絡及機器學習驅(qū)動的性能建模技術(shù)，以推動人工智能與圖形領域的可擴展計算發(fā)展。其過往工作涵蓋移動GPU、精準農(nóng)業(yè)及虛擬制作領域，曾榮獲英國女王獎和科技艾美獎。埃德是Khronos集團創(chuàng)始成員，在自適應計算和可編程圖形領域擁有多項專利。

英文鏈接：https://blog.imaginationtech.com/the-convergence-pattern-why-edge-gpus-cant-afford-specialisation

聲明：本文為原創(chuàng)文章，轉(zhuǎn)載需注明作者、出處及原文鏈接。