1. GPU的前世今生

各位同学好，我是你们的老朋友。今天咱们聊聊GPU的进化史。说实话，我入行那会儿，GPU还被人叫做“显卡”，主要任务就是让游戏画面更流畅。谁能想到，十几年后，它成了AI训练、科学计算的绝对主力？

嗯，这背后的故事，其实挺有意思的。你想想看，一个原本只为了画三角形、贴纹理的硬件，怎么就变成了并行计算的巨兽？这中间经历了什么？

1.1 图形卡的诞生：从VGA到DirectX

最早的时候，计算机显示全靠CPU。我记得90年代初，一台486电脑要显示一个简单的3D立方体，CPU得算半天。那时候的“显卡”，说白了就是个帧缓冲器——把CPU算好的图像数据存起来，然后输出到显示器。

转折点出现在1995年。3dfx公司推出了Voodoo显卡，这是第一款真正意义上的3D加速卡。它做了什么？简单说，就是把“画三角形”这件事从CPU手里抢了过来。

我在做第一个3D游戏项目时，就深刻体会到了固定管线的痛苦。想做一个水面反射效果？对不起，硬件不支持，你得用CPU模拟，帧率直接掉到个位数。

1.2 可编程管线的革命：Shader的诞生

2001年，NVIDIA发布了GeForce 3。这玩意儿划时代——它引入了可编程顶点着色器和像素着色器。说白了，就是允许开发者写一小段程序，在GPU上执行。

为什么会这样？因为固定管线太死板了。游戏开发者想要更炫酷的效果，比如动态光影、复杂材质。硬件厂商一琢磨：与其我们猜开发者需要什么，不如让他们自己写。

可编程管线的出现，让GPU从“专用硬件”变成了“半通用硬件”。虽然还是为图形服务，但至少能跑程序了。

1.3 CUDA的诞生：GPU通用计算的引爆点

2006年，NVIDIA发布了CUDA。这绝对是GPU历史上最重要的时刻之一。为什么？因为CUDA让GPU变成了真正的通用计算处理器。

你想想看，GPU里有成百上千个核心，每个核心都能执行简单的数学运算。以前这些核心只能处理图形数据（顶点、像素），现在CUDA告诉你：你可以把任何数据喂进来，让这些核心并行处理。

特性	传统GPU（图形专用）	CUDA GPU（通用计算）
编程模型	固定管线/Shader	C/C++扩展
数据模型	顶点、像素	任意数据
核心数量	数十个	数百到数千个
典型应用	3D渲染	科学计算、AI、数据分析

我记得2008年，我参与了一个项目，用GPU加速分子动力学模拟。当时CPU跑一个时间步要几秒钟，GPU只要几毫秒。说实话，第一次看到结果时我都不敢相信——这速度提升太夸张了。

1.4 从GPGPU到专用加速器：架构的演进

CUDA之后，GPU架构开始疯狂进化。我简单梳理一下关键节点：

• Fermi架构（2010年）：首次引入真正的缓存层次结构，支持C++异常处理。嗯，这代架构让GPU编程更像CPU了。
• Kepler架构（2012年）：引入动态并行，GPU里的线程可以自己创建新线程。这玩意儿在递归算法里特别好用。
• Maxwell架构（2014年）：大幅提升能效比。说白了，同样的功耗，性能翻倍。
• Volta架构（2017年）：引入Tensor Core，专门为深度学习优化。这代架构直接引爆了AI训练。
• Ampere架构（2020年）：支持稀疏计算，进一步加速AI推理。

1.5 知识体系总览

下面这张图，是我自己画的GPU进化路线图。你可以看到，从固定管线到可编程管线，再到通用计算，最后到专用加速器，GPU的每一步进化都是为了解决特定问题。

1.6 总结与思考

回顾GPU的进化史，你会发现一个规律：每一次重大变革，都是因为现有架构无法满足新需求。

• 固定管线满足不了游戏开发者 → 可编程管线诞生
• 图形专用满足不了科学计算 → CUDA诞生
• 通用计算满足不了AI训练 → Tensor Core诞生

我个人觉得，GPU的未来还会继续分化。一方面，图形渲染会越来越逼真（光线追踪、路径追踪）；另一方面，AI推理会越来越高效（稀疏计算、存内计算）。