今天這篇文章，我們繼續來聊聊芯片。

在之前的文章里，小棗君說過，行業里通常會把半導體芯片分為數字芯片和模擬芯片。其中，數字芯片的市場規模占比較大，達到70%左右。

數字芯片，還可以進一步細分，分為：邏輯芯片、存儲芯片以及微控制單元（MCU）。

存儲芯片和MCU以后再介紹，今天小棗君重點講講邏輯芯片。

邏輯芯片，其實說白了就是計算芯片。它包含了各種邏輯門電路，可以實現運算與邏輯判斷功能，是最常見的芯片之一。

大家經常聽說的CPU、GPU、FPGA、ASIC，全部都屬于邏輯芯片。而現在特別火爆的AI，用到的所謂“AI芯片”，也主要是指它們。

CPU（中央處理器）

先說說大家最熟悉的CPU，英文全稱Central Processing Unit，中央處理器。

但凡是個人都知道，CPU是計算機的心臟。

現代計算機，都是基于1940年代誕生的馮·諾依曼架構。在這個架構中，包括了運算器（也叫邏輯運算單元，ALU）、控制器（CU）、存儲器、輸入設備、輸出設備等組成部分。

馮·諾依曼架構

數據來了，會先放到存儲器。然后，控制器會從存儲器拿到相應數據，再交給運算器進行運算。運算完成后，再把結果返回到存儲器。

這個流程，還有一個更有逼格的叫法：“Fetch（取指）-Decode（譯碼）- Execute（執行）-Memory Access（訪存）-Write Back（寫回）”。

大家看到了，運算器和控制器這兩個核心功能，都是由CPU負責承擔的。

具體來說，運算器（包括加法器、減法器、乘法器、除法器），負責執行算術和邏輯運算，是真正干活的。控制器，負責從內存中讀取指令、解碼指令、執行指令，是指手畫腳的。

除了運算器和控制器之外，CPU還包括時鐘模塊和寄存器（高速緩存）等組件。

時鐘模塊負責管理CPU的時間，為CPU提供穩定的時基。它通過周期性地發出信號，驅動CPU中的所有操作，調度各個模塊的工作。

寄存器是CPU中的高速存儲器，用于暫時保存指令和數據。它的CPU與內存（RAM）之間的“緩沖”，速度比一般的內存更快，避免內存“拖累”CPU的工作。

寄存器的容量和存取性能，可以影響CPU到對內存的訪問次數，進而影響整個系統的效率。后面我們講存儲芯片的時候，還會提到它。

CPU一般會基于指令集架構進行分類，包括x86架構和非x86架構。x86基本上都是復雜指令集（CISC），而非x86基本為精簡指令集（RISC）。

PC和大部分服務器用的是x86架構，英特爾和AMD公司占據主導地位。非x86架構的類型比較多，這些年崛起速度很快，主要有ARM、MIPS、Power、RISC-V、Alpha等。以后會專門介紹。

GPU（圖形處理器）

再來看看GPU。

GPU是顯卡的核心部件，英文全名叫Graphics Processing Unit，圖形處理單元（圖形處理器）。

GPU并不能和顯卡劃等號。顯卡除了GPU之外，還包括顯存、VRM穩壓模塊、MRAM芯片、總線、風扇、外圍設備接口等。

顯卡

1999年，英偉達（NVIDIA）公司率先提出了GPU的概念。

之所以要提出GPU，是因為90年代游戲和多媒體業務高速發展。這些業務給計算機的3D圖形處理和渲染能力提出了更高的要求。傳統CPU搞不定，所以引入了GPU，分擔這方面的工作。

根據形態，GPU可分為獨立GPU（dGPU，discrete/dedicated GPU）和集成GPU（iGPU，integrated GPU），也就是常說的獨顯、集顯。

GPU也是計算芯片。所以，它和CPU一樣，包括了運算器、控制器和寄存器等組件。

但是，因為GPU主要負責圖形處理任務，所以，它的內部架構和CPU存在很大的不同。

如上圖所示，CPU的內核（包括了ALU）數量比較少，最多只有幾十個。但是，CPU有大量的緩存（Cache）和復雜的控制器（CU）。

這樣設計的原因，是因為CPU是一個通用處理器。作為計算機的主核心，它的任務非常復雜，既要應對不同類型的數據計算，還要響應人機交互。

復雜的條件和分支，還有任務之間的同步協調，會帶來大量的分支跳轉和中斷處理工作。它需要更大的緩存，保存各種任務狀態，以降低任務切換時的時延。它也需要更復雜的控制器，進行邏輯控制和調度。

CPU的強項是管理和調度。真正干活的功能，反而不強（ALU占比大約5%~20%）。

如果我們把處理器看成是一個餐廳的話，CPU就像一個擁有幾十名高級廚師的全能型餐廳。這個餐廳什么菜系都能做，但是，因為菜系多，所以需要花費大量的時間協調、配菜，上菜的速度相對比較慢。

而GPU則完全不同。

GPU為圖形處理而生，任務非常明確且單一。它要做的，就是圖形渲染。圖形是由海量像素點組成的，屬于類型高度統一、相互無依賴的大規模數據。

所以，GPU的任務，是在最短的時間里，完成大量同質化數據的并行運算。所謂調度和協調的“雜活”，反而很少。

并行計算，當然需要更多的核啊。

如前圖所示，GPU的內核數，遠遠超過CPU，可以達到幾千個甚至上萬個（也因此被稱為“眾核”）。

RTX4090有16384個流處理器

GPU的核，稱為流式多處理器（Stream Multi-processor，SM），是一個獨立的任務處理單元。

在整個GPU中，會劃分為多個流式處理區。每個處理區，包含數百個內核。每個內核，相當于一顆簡化版的CPU，具備整數運算和浮點運算的功能，以及排隊和結果收集功能。

GPU的控制器功能簡單，緩存也比較少。它的ALU占比，可以達到80%以上。

雖然GPU單核的處理能力弱于CPU，但是數量龐大，非常適合高強度并行計算。同等晶體管規模條件下，它的算力，反而比CPU更強。

還是以餐廳為例。GPU就像一個擁有成千上萬名初級廚師的單一型餐廳。它只適合做某種指定菜系。但是，因為廚師多，配菜簡單，所以大家一起炒，上菜速度反而快。

GPU與AI計算

大家都知道，現在的AI計算，都在搶購GPU。英偉達也因此賺得盆滿缽滿。為什么會這樣呢？

原因很簡單，因為AI計算和圖形計算一樣，也包含了大量的高強度并行計算任務。

深度學習是目前最主流的人工智能算法。從過程來看，包括訓練（training）和推理（inference）兩個環節。

在訓練環節，通過投喂大量的數據，訓練出一個復雜的神經網絡模型。在推理環節，利用訓練好的模型，使用大量數據推理出各種結論。

訓練環節由于涉及海量的訓練數據，以及復雜的深度神經網絡結構，所以需要的計算規模非常龐大，對芯片的算力性能要求比較高。而推理環節，對簡單指定的重復計算和低延遲的要求很高。

它們所采用的具體算法，包括矩陣相乘、卷積、循環層、梯度運算等，分解為大量并行任務，可以有效縮短任務完成的時間。

GPU憑借自身強悍的并行計算能力以及內存帶寬，可以很好地應對訓練和推理任務，已經成為業界在深度學習領域的首選解決方案。

目前，大部分企業的AI訓練，采用的是英偉達的GPU集群。如果進行合理優化，一塊GPU卡，可以提供相當于數十其至上百臺CPU服務器的算力。

不過，在推理環節，GPU的市場份額占比并沒有那么高。具體原因我們后面會講。

將GPU應用于圖形之外的計算，最早源于2003年。

那一年，GPGPU（General Purpose computing on GPU，基于GPU的通用計算）的概念首次被提出。意指利用GPU的計算能力，在非圖形處理領域進行更通用、更廣泛的科學計算。

GPGPU在傳統GPU的基礎上，進行了進一步的優化設計，使之更適合高性能并行計算。

2009年，斯坦福的幾位學者，首次展示了利用GPU訓練深度神經網絡的成果，引起了轟動。

幾年后，2012年，神經網絡之父杰弗里·辛頓（Geoffrey Hinton）的兩個學生——亞歷克斯·克里切夫斯基（Alex Krizhevsky）、伊利亞·蘇茨克沃（Ilya Sutskever），利用“深度學習+GPU”的方案，提出了深度神經網絡AlexNet，將識別成功率從74%提升到85%，一舉贏得Image Net挑戰賽的冠軍。

這徹底引爆了“AI+GPU”的浪潮。英偉達公司迅速跟進，砸了大量的資源，在三年時間里，將GPU性能提升了65倍。

除了硬剛算力之外，他們還積極構建圍繞GPU的開發生態。他們建立了基于自家GPU的CUDA（Compute Unified Device Architecture）生態系統，提供完善的開發環境和方案，幫助開發人員更容易地使用GPU進行深度學習開發或高性能運算。

這些早期的精心布局，最終幫助英偉達在AIGC爆發時收獲了巨大的紅利。目前，他們市值高達1.22萬億美元（英特爾的近6倍），是名副其實的“AI無冕之王”。