随着 ChatGPT 等大型语言模型掀起新一轮 AI 变革浪潮，AI 芯片短缺问题日益严重。例如，ChatGPT 开发商 OpenAI 高度依赖微软提供的超级计算机，使用了大量的英伟达 GPU。近日有消息称，OpenAI 正在考虑自己制造或收购 AI 芯片，以解决其业务所需的高性能和低成本 GPU 的问题。
今天，咱们来聊聊，OpenAI 都想入局的 GPU，究竟是个啥？
GPU 是什么
“一千款手机，就有一千种游戏体验”，当我们用不同的手机玩游戏时，体验感是不同的，除了响应速度，游戏画面的精美度和立体度也是一个主要差异，造成这种差异的因素之一是手机 GPU 的性能不同。
GPU（Graphics Processing Unit，图形处理器），作为一个隐藏在手机和电脑中的超能英雄，不仅是一个专业的画家，能快速绘制出色彩缤纷的画面，还是一个数学家，能快速完成大量的计算任务。
专业地说，GPU 是一种专门用于处理图形的处理器，它能够以非常快的速度处理大量的图形渲染计算，而且可以同时处理多个图形任务，从而大大提高计算机的计算和处理速度。
GPU 最初是为图形处理而设计的，但由于其并行处理和高速计算能力，GPU 开始担任更多、更重要的角色。现在 GPU 被广泛应用于科学计算、机器学习、大数据分析等领域。
计算机中的 GPU 可以分为两种，集成 GPU 和独立 GPU。
集成 GPU，体积较小，一般内置在计算机主板中，甚至可以集成到 CPU 中。集成 GPU 可以使计算机更轻巧，常见于笔记本电脑中。
独立 GPU，体积较大，是一个独立的部件，在电脑主板上有专门的插口。其功能比集成 GPU 更强大，而且可以单独升级（更换显卡）。但是由于体积较大，会占用电脑更大的空间，且运行时消耗更多能源并产生更多热量。
有的笔记本电脑同时具有这两种 GPU，一般情况下使用集成 GPU 节省能源减少发热，当需要更强大的图形处理性能时，切换到独立 GPU 执行相关的任务。
GPU 和 CPU 有哪些区别
看到这里，你是不是想到计算机中另一个重要角色 CPU（Central Processing Unit，中央处理器），那么，GPU 和 CPU 有什么区别呢？
虽然二者都能执行计算任务，但能力各有千秋。如果说 CPU 是一个知识渊博的数学教授，什么题目都会解，那么 GPU 就是一万个小学生，人多力量大，在计算简单数学题时，速度极快。
事实上，在 GPU 出现之前，基本上所有的任务都是由 CPU 完成的。有了 GPU 之后，二者才进行了分工，下表列出了二者的区别。
通过以上对比，我们发现，GPU 和 CPU 各有所长。在手机和电脑中，二者相互配合，分工合作，共同为我们服务。
GPU 更适合 AI
通过前面的介绍，我们了解到 GPU 非常适合大规模并行计算。AI（Artificial Intelligence，人工智能）的训练刚好涉及大量的数据处理，特别是在深度学习领域，网络模型通常有数百万甚至数十亿的参数，需要通过大量的数据来进行训练，以获得准确的预测，因此 GPU 非常适合 AI 算法。
并行处理能力
GPU 具有大量的核心和高速内存，擅长并行计算。在 AI 领域，计算量非常庞大，而 GPU 刚好适合这种场景。好比需要计算大量的简单数学题时，一万名小学生肯定比一名教授更适合。
内存带宽更大
一些常见的 GPU 内存带宽约为 400 GB/s，而最好的 CPU 内存带宽大约为 50 GB/s，所以 GPU 可以更快地获取和访问内存中的数据。在 AI 领域，数据一般占用大块连续的内存空间，显然 GPU 更合适。
灵活性强
GPU 支持使用 CUDA、OpenCL 等编程框架和语言，使得开发人员能够轻松利用 GPU 的计算能力，高度自定义 GPU 的计算任务，为不同类型的 AI 算法提供支持。
CUDA
Compute Unified Device Architecture，统一计算设备架构，一种由 NVIDIA 推出的通用并行计算架构，该架构使 GPU 能够解决复杂的计算问题。
OpenCL
Open Computing Language，开放设计语言，是一种开放的标准，用于超级计算机、云服务器、个人计算机、移动设备和嵌入式平台中各种加速器的跨平台并行编程。
扩展性强
随着 AI 模型的复杂度增加和数据量的增长，我们可以通过增加更多的 GPU 来提高处理能力，就像是增加更多的小学生来进行计算，使得系统能够更好地应对不断增长的计算需求。
本文来自微信公众号：中兴文档 （ID：ztedoc）
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。