AI訓練，為什么需要GPU？

隨著由ChatGPT引發的人工智能熱潮，GPU成為了AI大模型訓練平臺的基石，甚至是決定性的算力底座。為什么GPU能力壓CPU，成為炙手可熱的主角呢？

要回答這個問題，首先需要了解當前人工智能（AI，Artificial Intelligence）的主要技術。

人工智能與深度學習

人工智能是一個歷史非常長的學科。自上世紀50年代以來，在多個技術方向上進行過探索，也經歷過多次的高潮和低谷。想了解更基礎更有趣的人工智能介紹，可以看下面這篇文章：人工智能來了，小心你的飯碗不保。

人工智能在早期誕生了一個“不甚成功”的流派，叫做“人工神經網絡”。這個技術的思路是，人腦的智慧無與倫比，要實現高級的人工智能，模仿人腦就是不二法門。

人腦是由數以億計的神經元組成。這些神經元彼此連接，形成了龐大而復雜的神經網絡。嬰兒的大腦是一張白紙，經過后天的學習便可實現高度的智能。

參考人腦神經元，人工神經元模型就被設計了出來。

在上圖右側的人工神經元里，通過調整每個輸入的權重，經由神經元計算處理之后，便可得出相應的輸出。這里面的每個權重，就被稱作一個參數。

把這樣的多個神經元相互連接形成網絡，就是人工神經網絡了。人工神經網絡一般由輸入層、中間的多個隱藏層以及輸出層組成。

這樣的人工神經網絡就像嬰兒的大腦一樣空空如也，必須給它投喂大量的數據，讓它充分學習才能形成知識，才能用于實際解決問題。這個過程就叫做“深度學習”，屬于“機器學習”的子集。

以常見的“監督學習”為例，給AI投喂的數據必須包含問題和答案。比如說，我們的目標是讓AI判斷圖片里面是不是有一只貓，那就需要給AI大量確定有貓的圖片并給出貓的特征，讓它自己從中找規律。

首先AI拿出一張給定的圖片，采用初始權重得出自己的結論。然后比較這個結論和正確答案到底相差了多少，再返回去優化參數權重，這個過程循環進行，直至AI給出的結果和正確答案最為接近。

這個學習的過程就叫做訓練。一般來說，需要給AI大量含有正確答案的數據，才會得出比較好的訓練結果。

一旦我們認為訓練完成，就拿出試試成色。如果我們給它未知的問題，它也能很好地找出答案，就認為訓練是成功的，AI的“泛化”效果很好。

如上圖所示，從神經網絡上一層到下一層，參數權重的傳遞，本質上就是矩陣的乘法和加法。神經網絡參數的規模越大，訓練時需要的這些矩陣的計算也就越大。

最先進的深度學習神經網絡可以有數百萬到超過數萬億個參數，它們還需要大量的訓練數據來實現高精度，這意味著必須通過正向和反向傳遞運行驚人的輸入樣本。由于神經網絡是由大量相同的神經元創建的，因此這些計算本質上是高度并行的。

如此大規模的計算量，用CPU還是GPU好呢？

CPU，擅長控制的管家

我們先說CPU（Central Processing Unit）。

此物可謂電腦的大腦，是當仁不讓的核心中的核心。

CPU內部主要包含運算器（也叫邏輯運算單元，ALU）和控制器（CU），以及一些寄存器和緩存。

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。

在早期，一個CPU只有一套運算器、控制器和緩存，同一時間只能處理一個任務。要處理多個任務，只能按時間排隊輪著來，大家雨露均沾。這樣的CPU就是單核CPU。

后來，人們把多套運算器、控制器和緩存集成在同一塊芯片上，就組成了多核CPU。多核CPU擁有真正意義上的并行處理能力。

一般情況下，多核CPU的核心數量少則2個4個，多則幾十個。

在智能手機剛開始普及的時候，手機的外觀趨同，其他地方也乏善可陳，廠家就大力渲染CPU的核數，史稱智能手機的“核戰”。

不過“核戰”也就從雙核燒到4核再到8核，然后大家也就都就偃旗息鼓了。芯片廠家也都是在這個核心數量上做優化。

為什么CPU不多集成一些核心呢？

這是因為CPU是一個通用處理器。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。

復雜的任務管理和調度使得它需要更復雜的控制器和更大的緩存，進行邏輯控制和調度，保存各種任務狀態，以降低任務切換時的時延。

CPU的核心越多，核心之間的互聯通訊壓力就越來越大，會降低單個核心的性能表現。并且，核心多了還會使功耗增加，如果忙閑不均，整體性能還可能不升反降。

GPU，并行計算專家

下來再看GPU（Graphics Processing Unit）。

GPU叫做圖形處理單元。其設立的初衷是為了分擔CPU的壓力，加速三維圖形的渲染，常用于電腦的顯卡。

圖像的處理，正是一種針對矩陣的密集并行計算。從下圖可以看出，左側的圖像由大量的像素點組成，可以很自然地表示成右側的矩陣。

GPU一詞從1999年Nvidia推出其GeForce256時開始流行，該產品對每一個像素點同時處理，執行圖形轉換、照明和三角剪裁等數學密集型并行計算，用于圖像渲染。

為什么GPU善于承擔密集的并行計算呢？這是因為GPU的在架構上和CPU有很大的不同。

CPU的核數少，單個核心有足夠多的緩存和足夠強的運算能力，并輔助有很多加速分支判斷甚至更復雜的邏輯判斷的硬件，適合處理復雜的任務。

相比之下GPU就簡單粗暴多了，每個核心的運算能力都不強，緩存也不大，就靠增加核心數量來提升整體能力。核心數量多了，就可以多管齊下，處理大量簡單的并行計算工作。

隨著時間的推移，GPU也變得更加靈活和可編程，它的工作也就不局限于圖像顯示渲染了，還允許其他開發者用來加速高性能計算、深度學習等其他工作負載。

由于趕上了人工智能這樣并行計算需求暴增的機遇，GPU一改以前的邊緣角色，直接站到了舞臺中央，可謂炙手可熱。

GPU的名字，也變成了GPGPU，即通用GPU。

將AI訓練這種并行性自然地映射到GPU，與僅使用 CPU 的訓練相比，速度明顯提升，并使它們成為訓練大型、復雜的基于神經網絡的系統的首選平臺。推理操作的并行特性也非常適合在 GPU 上執行。

因此，由GPU作為主力所提供的算力，也被叫做“智算”。