專家洞察

主機(jī)經(jīng)濟(jì)的啟示

想知道圖形技術(shù)的發(fā)展方向？關(guān)注主機(jī)市場就對了。并非因?yàn)橹鳈C(jī)技術(shù)精湛或代表著計(jì)算機(jī)圖形學(xué)的巔峰——事實(shí)并非如此。但它們確實(shí)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(yuǎn)追隨資金流向。

主機(jī)還經(jīng)過精巧設(shè)計(jì)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(fù)雜材質(zhì)、全局光照和實(shí)時光線追蹤——物理系統(tǒng)無法支撐，散熱系統(tǒng)無法應(yīng)對，經(jīng)濟(jì)性更是完全行不通。

主機(jī)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(jìn)技術(shù)高效實(shí)現(xiàn)新一代特效。

那么，主機(jī)正在做什么？最新一代主機(jī)并不是在增加更多專用的圖形功能，而是將重點(diǎn)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(xué)習(xí)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(shí)用主義。原生4K渲染所需的計(jì)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(shí)現(xiàn)視覺上相近的效果。同樣的畫質(zhì)，只需四分之一的計(jì)算預(yù)算——經(jīng)濟(jì)賬無可辯駁。

當(dāng)主機(jī)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(xué)習(xí)與之協(xié)作。待這些技術(shù)成熟時，它們便成為預(yù)期的基準(zhǔn)。這不僅是主機(jī)的方向，也是智能手機(jī)、電視和汽車中受限實(shí)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(shè)計(jì)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(yùn)行得更快。我們可以塞進(jìn)更多圖形核心、更多計(jì)算單元、更多專用模塊，而經(jīng)濟(jì)效益依然成立。每一代都能帶來“免費(fèi)”的性能提升。

這種模式早已失效，但半導(dǎo)體行業(yè)仍慣性前行，仿佛舊規(guī)則依然有效。事實(shí)并非如此。如今縮小晶體管尺寸雖能實(shí)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(shè)計(jì)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?jì)算

事實(shí)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(xué)的面貌，更趨近于精密的信號處理。去噪光線追蹤照明是計(jì)算問題，時域抗鋸齒是計(jì)算問題，分辨率提升更是不折不扣的計(jì)算問題。就連光柵化技術(shù)也日益依賴計(jì)算著色器來實(shí)現(xiàn)剔除、可見性判定和材質(zhì)評估。

“圖形工作負(fù)載”與“計(jì)算工作負(fù)載”之間的界限正在消融。看似圖形的任務(wù)，往往是恰好生成像素的計(jì)算——而GPU已經(jīng)演變得非常善于處理這類負(fù)載。

該能力已開始被重新部署至其他應(yīng)用場景。在邊緣計(jì)算場景中，GPU通常承擔(dān)著處理計(jì)算攝影、擴(kuò)展現(xiàn)實(shí)（XR）、虛擬與增強(qiáng)現(xiàn)實(shí)（VR/AR）以及復(fù)雜傳感器融合等核心工作負(fù)載的任務(wù)。這些操作包括處理攝像頭數(shù)據(jù)流、整合激光雷達(dá)點(diǎn)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(yù)處理步驟對于實(shí)現(xiàn)更豐富、更沉浸式的體驗(yàn)以及精準(zhǔn)的環(huán)境感知至關(guān)重要。

融合之勢

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

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

這至關(guān)重要——因?yàn)闅埧岬默F(xiàn)實(shí)是：當(dāng)前主導(dǎo)技術(shù)路線圖的AI算法，很可能無法支撐五年后的運(yùn)行需求。并非算法本身缺陷，而是它們針對電力與計(jì)算資源充沛的時代進(jìn)行優(yōu)化，而這種資源規(guī)模化擴(kuò)張終將受限。

運(yùn)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(jì)增長，但它們同樣面臨擴(kuò)展極限，而無限免費(fèi)的能源仍是科幻設(shè)想。新一代算法的誕生勢在必行——物理定律與經(jīng)濟(jì)規(guī)律共同催生著變革。部分算法將提升數(shù)據(jù)中心計(jì)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(jì)算資源：邊緣設(shè)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(jìn)，硬件都需做好準(zhǔn)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(luò)，全連接網(wǎng)絡(luò)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(jì)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(jì)與基礎(chǔ)設(shè)施允許的情況下），而汽車SoC的壽命卻長達(dá)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(jìn)化為AI機(jī)器；其計(jì)算資源的主要應(yīng)用場景確實(shí)是圖形處理，但GPU的魅力在于可編程性和靈活性。它可應(yīng)用于當(dāng)今的AI算法——當(dāng)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(shí)際加速器。

當(dāng)代GPU早已超越圖形處理器的范疇，亦非單純的計(jì)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(shè)計(jì)意味著什么？

真正的異構(gòu)性：光柵化、光線追蹤、張量運(yùn)算及計(jì)算仍需專用功能模塊。但調(diào)度機(jī)制與資源分配必須具備足夠靈活性，避免工作負(fù)載轉(zhuǎn)移時產(chǎn)生資源泡沫。當(dāng)幀重建階段啟動時，光線追蹤單元應(yīng)轉(zhuǎn)為計(jì)算或AI任務(wù)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(shè)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(jī)制屬于架構(gòu)設(shè)計(jì)范疇，而非算法層面。當(dāng)GPU進(jìn)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(shè)計(jì)必須預(yù)見這種轉(zhuǎn)變。

數(shù)值靈活性優(yōu)先于峰值性能：當(dāng)前神經(jīng)網(wǎng)絡(luò)可能采用INT8精度，但未來可能需要INT4、FP4或尚未標(biāo)準(zhǔn)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(yù)見的位寬。設(shè)計(jì)應(yīng)追求適應(yīng)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(shè)計(jì)的車載GPU必須能運(yùn)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(dá)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(fù)載演進(jìn)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(jì)算產(chǎn)業(yè)反復(fù)經(jīng)歷著這樣的循環(huán)：規(guī)?；瘞硇阅芴嵘?，我們據(jù)此構(gòu)建基礎(chǔ)設(shè)施，卻忽略了物理定律設(shè)下的邊界。算法隨之調(diào)整以彌補(bǔ)不足，而過往的優(yōu)化方案逐漸失效。

當(dāng)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(jìn)。關(guān)鍵在于我們構(gòu)建的是能適應(yīng)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(jì)算領(lǐng)域正面臨最嚴(yán)峻的考驗(yàn)。構(gòu)建適應(yīng)未來發(fā)展的架構(gòu)遠(yuǎn)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(yàn)。

作者介紹Ed Plowman，是GPU架構(gòu)與機(jī)器學(xué)習(xí)加速領(lǐng)域的資深專家，擁有逾30年推動圖形處理、計(jì)算及系統(tǒng)性能創(chuàng)新的經(jīng)驗(yàn)。在Imagination Technologies擔(dān)任首席技術(shù)官期間，他主導(dǎo)先進(jìn)GPU流水線研發(fā)，探索新型算術(shù)邏輯單元設(shè)計(jì)、圖神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)驅(qū)動的性能建模技術(shù)，以推動人工智能與圖形領(lǐng)域的可擴(kuò)展計(jì)算發(fā)展。其過往工作涵蓋移動GPU、精準(zhǔn)農(nóng)業(yè)及虛擬制作領(lǐng)域，曾榮獲英國女王獎和科技艾美獎。埃德是Khronos集團(tuán)創(chuàng)始成員，在自適應(yīng)計(jì)算和可編程圖形領(lǐng)域擁有多項(xiàng)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。