為何GPU在A(yíng)I訓練中不可或缺？

隨著(zhù)由ChatGPT引發(fā)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(gè)問(wèn)題，首先需要了解當前人工智能（AI，Artificial Intelligence）的主要技術(shù)。

人工智能與深度學(xué)習

人工智能是一個(gè)歷史非常長(cháng)的學(xué)科。自上世紀50年代以來(lái)，在多個(gè)技術(shù)方向上進(jìn)行過(guò)探索，也經(jīng)歷過(guò)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(lái)了，小心你的飯碗不保。 人工智能在早期誕生了一個(gè)“不甚成功”的流派，叫做“人工神經(jīng)網(wǎng)絡(luò )”。這個(gè)技術(shù)的思路是，人腦的智慧無(wú)與倫比，要實(shí)現高級的人工智能，模仿人腦就是不二法門(mén)。 人腦是由數以?xún)|計的神經(jīng)元組成。這些神經(jīng)元彼此連接，形成了龐大而復雜的神經(jīng)網(wǎng)絡(luò )。嬰兒的大腦是一張白紙，經(jīng)過(guò)后天的學(xué)習便可實(shí)現高度的智能。 參考人腦神經(jīng)元，人工神經(jīng)元模型就被設計了出來(lái)。

在上圖右側的人工神經(jīng)元里，通過(guò)調整每個(gè)輸入的權重，經(jīng)由神經(jīng)元計算處理之后，便可得出相應的輸出。這里面的每個(gè)權重，就被稱(chēng)作一個(gè)參數。

把這樣的多個(gè)神經(jīng)元相互連接形成網(wǎng)絡(luò )，就是人工神經(jīng)網(wǎng)絡(luò )了。人工神經(jīng)網(wǎng)絡(luò )一般由輸入層、中間的多個(gè)隱藏層以及輸出層組成。 這樣的人工神經(jīng)網(wǎng)絡(luò )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(xué)習才能形成知識，才能用于實(shí)際解決問(wèn)題。這個(gè)過(guò)程就叫做“深度學(xué)習”，屬于“機器學(xué)習”的子集。

以常見(jiàn)的“監督學(xué)習”為例，給AI投喂的數據必須包含問(wèn)題和答案。比如說(shuō)，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(gè)結論和正確答案到底相差了多少，再返回去優(yōu)化參數權重，這個(gè)過(guò)程循環(huán)進(jìn)行，直至AI給出的結果和正確答案最為接近。

這個(gè)學(xué)習的過(guò)程就叫做訓練。一般來(lái)說(shuō)，需要給AI大量含有正確答案的數據，才會(huì )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(wèn)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(jīng)網(wǎng)絡(luò )上一層到下一層，參數權重的傳遞，本質(zhì)上就是矩陣的乘法和加法。神經(jīng)網(wǎng)絡(luò )參數的規模越大，訓練時(shí)需要的這些矩陣的計算也就越大。 最先進(jìn)的深度學(xué)習神經(jīng)網(wǎng)絡(luò )可以有數百萬(wàn)到超過(guò)數萬(wàn)億個(gè)參數，它們還需要大量的訓練數據來(lái)實(shí)現高精度，這意味著(zhù)必須通過(guò)正向和反向傳遞運行驚人的輸入樣本。由于神經(jīng)網(wǎng)絡(luò )是由大量相同的神經(jīng)元創(chuàng )建的，因此這些計算本質(zhì)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(cháng)控制的管家 我們先說(shuō)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(lái)了，會(huì )先放到存儲器。然后，控制器會(huì )從存儲器拿到相應數據，再交給運算器進(jìn)行運算。運算完成后，再把結果返回到存儲器。 在早期，一個(gè)CPU只有一套運算器、控制器和緩存，同一時(shí)間只能處理一個(gè)任務(wù)。要處理多個(gè)任務(wù)，只能按時(shí)間排隊輪著(zhù)來(lái)，大家雨露均沾。這樣的CPU就是單核CPU。

后來(lái)，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(gè)4個(gè)，多則幾十個(gè)。 在智能手機剛開(kāi)始普及的時(shí)候，手機的外觀(guān)趨同，其他地方也乏善可陳，廠(chǎng)家就大力渲染CPU的核數，史稱(chēng)智能手機的“核戰”。 不過(guò)“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(chǎng)家也都是在這個(gè)核心數量上做優(yōu)化。 為什么CPU不多集成一些核心呢？ 這是因為CPU是一個(gè)通用處理器。它的任務(wù)非常復雜，既要應對不同類(lèi)型的數據計算，還要響應人機交互。 復雜的任務(wù)管理和調度使得它需要更復雜的控制器和更大的緩存，進(jìn)行邏輯控制和調度，保存各種任務(wù)狀態(tài)，以降低任務(wù)切換時(shí)的時(shí)延。 CPU的核心越多，核心之間的互聯(lián)通訊壓力就越來(lái)越大，會(huì )降低單個(gè)核心的性能表現。并且，核心多了還會(huì )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(zhuān)家

下來(lái)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(diǎn)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(shí)開(kāi)始流行，該產(chǎn)品對每一個(gè)像素點(diǎn)同時(shí)處理，執行圖形轉換、照明和三角剪裁等數學(xué)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(gè)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(wù)。 相比之下GPU就簡(jiǎn)單粗暴多了，每個(gè)核心的運算能力都不強，緩存也不大，就靠增加核心數量來(lái)提升整體能力。核心數量多了，就可以多管齊下，處理大量簡(jiǎn)單的并行計算工作。

隨著(zhù)時(shí)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(kāi)發(fā)者用來(lái)加速高性能計算、深度學(xué)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(jīng)網(wǎng)絡(luò )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”。 ?

審核編輯：黃飛