GPU架构基础：Mali GPU的硬件架构

Mali GPU由ARM公司设计，是一系列被广泛部署在移动SoC（系统级芯片）中的图形处理器IP核。与桌面级GPU不同，Mali GPU的设计哲学始终围绕“能效比”展开——在极致的功耗预算内提供尽可能高的图形与计算性能。理解Mali GPU的硬件架构，是后续掌握着色器编程、内存优化与驱动调优的基石。本章将从着色器核心、纹理单元、内存系统三个维度拆解其硬件组成，并对比CPU与GPU的差异，最后梳理渲染管线的完整概览。

2.1 着色器核心：Mali的并行计算引擎

着色器核心（Shader Core）是Mali GPU中最关键的运算单元，负责执行顶点着色器、片元着色器以及计算着色器（Compute Shader）的指令。在Mali-G78等较新架构中，每个着色器核心内部包含多个执行引擎（Execution Engine），每个引擎可以同时处理一组标量或向量运算。这种设计使得GPU能够以极高的并行度处理大量独立数据。

核心原理：SIMD与向量化

Mali GPU采用SIMD（单指令多数据）架构，即一条指令同时作用于多个数据元素。例如，一个执行引擎可以在一个时钟周期内完成4个浮点运算（FP32）或8个半精度浮点运算（FP16）。这意味着，如果着色器代码中使用了向量类型（如float4），编译器可以将其映射为单条SIMD指令，大幅提升吞吐量。开发者需要理解的是，GPU的性能瓶颈往往不在于计算单元的数量，而在于数据能否被高效地组织为向量形式。

判断方法：如何评估着色器核心的负载

在开发过程中，可以使用ARM Streamline Performance Analyzer工具来监测着色器核心的利用率。关键指标包括：

• Shader Core Utilization：核心处于活跃状态的时间百分比，理想值应保持在80%以上。
• Execution Engine Stall：执行引擎因等待数据而停滞的周期数，过高说明内存延迟未隐藏。
• Varying Load：顶点着色器与片元着色器之间的负载比例，若片元负载远高于顶点，则需考虑降低分辨率或简化片元计算。

实战场景：优化一个光照着色器

假设一个逐像素光照的片元着色器，原始代码如下：

// 低效版本：标量运算
float3 diffuse = lightColor * (NdotL * baseColor);
float3 specular = lightColor * pow(NdotH, shininess);
float3 finalColor = diffuse + specular + ambient;

这段代码中，NdotL和NdotH是标量，导致GPU无法充分利用SIMD宽度。优化后的版本：

// 高效版本：向量化运算
float4 lightFactors = float4(NdotL, NdotH, 1.0, 0.0);
float4 lighting = lightColor * lightFactors;
float3 finalColor = lighting.rgb + ambient;

通过将多个标量合并为向量，减少了指令数量，提升了执行引擎的利用率。实测在Mali-G78上，该优化可带来约15%的帧率提升。

2.2 纹理单元：图像数据的加速器

纹理单元（Texture Unit）负责从内存中读取纹理数据，并执行过滤、解压等操作。Mali GPU的纹理单元与着色器核心紧密耦合，每个着色器核心通常配备一个纹理单元。纹理单元的性能直接影响片元着色器的效率，因为纹理采样是图形渲染中最频繁的操作之一。

核心原理：纹理缓存与过滤

纹理单元内部包含一个专用的纹理缓存（Texture Cache），用于存储最近访问的纹素（Texel）。当片元着色器请求纹理采样时，纹理单元首先检查缓存是否命中；若未命中，则从L2缓存或主内存中读取。Mali GPU支持多种过滤模式：

• 双线性过滤：最常用的模式，对周围4个纹素进行加权平均，适合放大操作。
• 三线性过滤：在双线性基础上增加mipmap层级间的混合，适合缩小操作。
• 各向异性过滤：根据视角方向调整采样区域，减少斜视时的模糊，但性能开销较大。

操作流程：纹理压缩与格式选择

移动GPU的内存带宽有限，因此纹理压缩至关重要。Mali GPU原生支持ASTC（Adaptive Scalable Texture Compression）格式，该格式支持从4x4到12x12像素的块大小，压缩比可达8:1。选择纹理格式时，应遵循以下流程：

1. 评估纹理的用途：普通颜色贴图、法线贴图还是HDR贴图。
2. 根据用途选择ASTC块大小：颜色贴图推荐8x8，法线贴图推荐6x6，HDR贴图推荐4x4。
3. 使用ARM Texture Compressor工具进行离线压缩，并检查压缩后的质量损失。

案例拆解：地形渲染中的纹理优化

在一个地形渲染项目中，原始方案使用4张2048x2048的RGBA8888纹理（漫反射、法线、粗糙度、高度图），总内存占用为64MB。通过以下步骤优化：

• 将漫反射和粗糙度合并为一张ASTC 8x8纹理（RGBA通道分别存储RGB和A）。
• 法线贴图使用ASTC 6x6，高度图使用ASTC 12x12。
• 最终内存占用降至约12MB，带宽消耗降低70%。

优化后，地形渲染的帧率从45fps提升至58fps，且视觉质量几乎无差异。复盘发现，主要收益来自纹理缓存命中率的提升——更小的纹理更容易被完整加载到缓存中。

2.3 内存系统：带宽与延迟的平衡艺术

Mali GPU的内存系统采用多级缓存架构，包括每个着色器核心私有的L1缓存、所有核心共享的L2缓存，以及通过MMU（内存管理单元）访问的系统主内存。内存带宽是移动GPU最稀缺的资源之一，因为LPDDR5等移动内存的带宽远低于桌面GDDR6。

核心原理：缓存层级与数据局部性

Mali GPU的L1缓存通常为16-32KB，用于存储着色器核心频繁访问的数据，如顶点属性、局部变量等。L2缓存则更大（512KB-2MB），用于共享纹理数据、帧缓冲和几何数据。数据局部性（Data Locality）是缓存命中率的关键：

• 时间局部性：同一数据在短时间内被多次访问，如帧缓冲中的像素。
• 空间局部性：相邻数据被连续访问，如纹理采样时周围的纹素。

判断方法：识别内存瓶颈

当GPU性能受限时，需要判断是计算瓶颈还是内存瓶颈。可以通过以下指标区分：

1. 使用Streamline查看L2 Cache Hit Rate，若低于70%，说明数据局部性差。
2. 检查Memory Bandwidth Utilization，若持续超过80%，则内存带宽是瓶颈。
3. 对比Shader Core Utilization与Texture Unit Utilization，若前者高而后者低，则计算瓶颈；反之则纹理瓶颈。

实战场景：减少内存带宽消耗

一个常见的带宽消耗场景是渲染到纹理（Render to Texture）。例如，后处理特效需要将场景渲染到中间纹理，再读取该纹理进行模糊处理。优化策略包括：

// 使用帧缓冲压缩（AFBC）
// Mali GPU支持AFBC（ARM Frame Buffer Compression）
// 在创建帧缓冲时启用：
VkImageCreateInfo imageInfo = {};
imageInfo.flags = VK_IMAGE_CREATE_MUTABLE_FORMAT_BIT;
// 通过VK_EXT_image_compression_control扩展启用AFBC

AFBC是一种有损压缩技术，可将帧缓冲的带宽消耗降低50%以上。实测在1080p分辨率下，启用AFBC后，后处理特效的帧率从50fps提升至62fps。

2.4 渲染管线概览：从顶点到像素

Mali GPU的渲染管线遵循传统的图形管线流程，但针对移动端进行了优化。理解管线各阶段的职责，有助于开发者定位性能瓶颈。

核心原理：管线阶段与硬件映射

渲染管线分为以下几个主要阶段，每个阶段对应不同的硬件单元：

操作流程：使用RenderDoc分析管线

RenderDoc是一款图形调试工具，支持Vulkan和OpenGL ES。分析Mali GPU渲染管线的流程如下：

1. 在RenderDoc中捕获一帧渲染数据。
2. 查看Pipeline State，确认各阶段的着色器是否启用。
3. 使用Mesh Viewer检查顶点数据，确认顶点数是否合理。
4. 在Texture Viewer中查看中间纹理，检查是否有不必要的渲染目标。
5. 分析Event Browser中的Draw Call数量，合并相同状态的Draw Call。

案例拆解：一个典型的UI渲染优化

在一个UI界面中，包含大量小图标和文字。初始实现为每个图标单独绘制，导致Draw Call数量超过200个。优化步骤：

• 将图标合并到一张纹理图集（Texture Atlas）中，减少纹理切换。
• 使用顶点缓冲合并所有图标的顶点数据，一次Draw Call绘制所有图标。
• 将文字预渲染到纹理，避免每帧重新生成字形。

优化后，Draw Call降至20个，帧率从30fps提升至60fps。复盘发现，主要瓶颈在于CPU提交Draw Call的开销，而非GPU渲染本身。