专家洞察 I 融合之势：为何边缘GPU无法承受“专精化”之重

专家洞察

主机经济的启示

想知道图形技术的发展方向？关注主机市场就对了。并非因为主机技术精湛或代表着计算机图形学的巅峰——事实并非如此。但它们确实占据着游戏生态系统中最大的收入份额，而受发行商驱动的游戏开发商们，永远追随资金流向。

主机还经过精巧设计以控制成本。售价500美元的PlayStation或Xbox无法原生支持4K分辨率、高帧率、复杂材质、全局光照和实时光线追踪——物理系统无法支撑，散热系统无法应对，经济性更是完全行不通。

主机可视为受限图形处理的入口。通过控制芯片面积和限制散热来降低成本的需求，促使硬件采用先进技术高效实现新一代特效。

那么，主机正在做什么？最新一代主机并不是在增加更多专用的图形功能，而是将重点投入到AI加速上：更多的重建与超分辨率技术，更多的时间性技巧与学习型近似算法，以及对纯粹光栅化吞吐力的投入则相对减少。

这并非妥协，而是实用主义。原生4K渲染所需的计算量约是1080p的4倍，但通过AI驱动从1080p超分至4K，仅需一小部分成本就能实现视觉上相近的效果。同样的画质，只需四分之一的计算预算——经济账无可辩驳。

当主机厂商如此重注于重建技术而非原生渲染时，整个生态系统都会随之转向。游戏引擎为此优化，艺术家学习与之协作。待这些技术成熟时，它们便成为预期的基准。这不仅是主机的方向，也是智能手机、电视和汽车中受限实时图形技术的发展方向。

---

我们如何走到今天？

几十年来，丹纳德缩放定律（Dennard scaling wall）给予芯片设计者一份厚礼：缩小晶体管，就能获得更多晶体管，它们能以相同功耗运行得更快。我们可以塞进更多图形核心、更多计算单元、更多专用模块，而经济效益依然成立。每一代都能带来“免费”的性能提升。

这种模式早已失效，但半导体行业仍惯性前行，仿佛旧规则依然有效。事实并非如此。如今缩小晶体管尺寸虽能实现更高密度集成，但性能不再倍增，功耗也无法像过去那样线性增长，热管理更成为重大挑战。唯一出路在于提升架构效率，而非单纯堆砌更多晶体管。

这引发了我们对于处理器设计思路的转变。我们需要更明智地决策构建什么以及如何使用——而AI恰逢其时地出现，带来了我们所急需的下一代图形效率浪潮。

---

图形演变为计算

事实上，在所有市场中，现代渲染技术正逐渐摆脱传统图形学的面貌，更趋近于精密的信号处理。去噪光线追踪照明是计算问题，时域抗锯齿是计算问题，分辨率提升更是不折不扣的计算问题。就连光栅化技术也日益依赖计算着色器来实现剔除、可见性判定和材质评估。

“图形工作负载”与“计算工作负载”之间的界限正在消融。看似图形的任务，往往是恰好生成像素的计算——而GPU已经演变得非常善于处理这类负载。

该能力已开始被重新部署至其他应用场景。在边缘计算场景中，GPU通常承担着处理计算摄影、扩展现实（XR）、虚拟与增强现实（VR/AR）以及复杂传感器融合等核心工作负载的任务。这些操作包括处理摄像头数据流、整合激光雷达点云、对传感器数据执行快速傅里叶变换（FFT），以及在三维空间中追踪物体。此类预处理步骤对于实现更丰富、更沉浸式的体验以及精准的环境感知至关重要。

---

融合之势

这些任务占据着独特的交叉领域，既不同于传统图形处理，也区别于AI工作负载。它们代表了一类异构计算任务——这类任务在AI近期爆发之前就已存在，却依然是移动计算、交互计算和感知计算等现代应用的核心需求。

由此催生出成熟的计算软件生态系统，将GPU视为核心计算单元。API、标准、库、编译器及工具链一应俱全，确保开发者能轻松将AI模型部署至GPU通用计算单元。

这至关重要——因为残酷的现实是：当前主导技术路线图的AI算法，很可能无法支撑五年后的运行需求。并非算法本身缺陷，而是它们针对电力与计算资源充沛的时代进行优化，而这种资源规模化扩张终将受限。

运行于数据中心、耗电量巨大的Transformer模型或许能推动短期经济增长，但它们同样面临扩展极限，而无限免费的能源仍是科幻设想。新一代算法的诞生势在必行——物理定律与经济规律共同催生着变革。部分算法将提升数据中心计算效率，另一些则将推动AI走出数据中心，转向另一高效计算资源：边缘设备。

稀疏架构、新型量化方案、尚未构想的混合方法——无论算法如何演进，硬件都需做好准备。历史已为我们提供范例：专家系统让位于神经网络，全连接网络让位于CNN，CNN又让位于Transformer。每次变革都遗留着针对旧技术的专用硬件。

边缘计算的差异在于部署周期。数据中心每2-3年即可更新换代（经济与基础设施允许的情况下），而汽车SoC的寿命却长达十年以上。边缘硬件无法承受过度优化算法的代价——这些算法可能在首款芯片出货前就已过时。

---

这对GPU意味着什么？

但专用加速器并非边缘AI的唯一解决方案。GPU已进化为AI机器；其计算资源的主要应用场景确实是图形处理，但GPU的魅力在于可编程性和灵活性。它可应用于当今的AI算法——当数据中心资源限制真正显现时，它将成为更高效模型变体的实际加速器。

当代GPU早已超越图形处理器的范畴，亦非单纯的计算处理器或AI加速器——它们同时兼具三者特性。这对架构设计意味着什么？

真正的异构性：光栅化、光线追踪、张量运算及计算仍需专用功能模块。但调度机制与资源分配必须具备足够灵活性，避免工作负载转移时产生资源泡沫。当帧重建阶段启动时，光线追踪单元应转为计算或AI任务使用，而非闲置。

内存分层结构比峰值吞吐量更关键：边缘设备无法依靠海量内存池蛮力解决问题。缓存策略、数据压缩与传输机制属于架构设计范畴，而非算法层面。当GPU进行帧重建而非完整渲染时，内存访问模式将发生根本性变化，架构设计必须预见这种转变。

数值灵活性优先于峰值性能：当前神经网络可能采用INT8精度，但未来可能需要INT4、FP4或尚未标准化的三元表示法。现有图形渲染依赖FP32精度，而重建算法可能需要我们尚未预见的位宽。设计应追求适应性，而非仅针对单一狭窄格式的效率优化。

可编程性不可妥协：今日设计的车载GPU必须能运行尚未诞生的算法。这要求编程模型能让开发者自由表达创新算法，而非受限于架构。固定功能模块虽能提升效率，但前提是它们不会在工作负载演进时将你逼入死胡同。

---

我们一再忽视的规律

过去四十年间，计算产业反复经历着这样的循环：规模化带来性能提升，我们据此构建基础设施，却忽略了物理定律设下的边界。算法随之调整以弥补不足，而过往的优化方案逐渐失效。

当下我们正身处转型期。关键不在于变革是否发生——丹纳德缩放定律的极限已然显现，算法变革势在必行，边缘部署加速推进。关键在于我们构建的是能适应变革的架构，还是将在转型完成后被淘汰的旧体系。而边缘计算领域正面临最严峻的考验。构建适应未来发展的架构远比优化现有方案困难，但唯有如此才能经受十年部署的考验。

作者介绍Ed Plowman，是GPU架构与机器学习加速领域的资深专家，拥有逾30年推动图形处理、计算及系统性能创新的经验。在Imagination Technologies担任首席技术官期间，他主导先进GPU流水线研发，探索新型算术逻辑单元设计、图神经网络及机器学习驱动的性能建模技术，以推动人工智能与图形领域的可扩展计算发展。其过往工作涵盖移动GPU、精准农业及虚拟制作领域，曾荣获英国女王奖和科技艾美奖。埃德是Khronos集团创始成员，在自适应计算和可编程图形领域拥有多项专利。

英文链接：https://blog.imaginationtech.com/the-convergence-pattern-why-edge-gpus-cant-afford-specialisation

声明：本文为原创文章，转载需注明作者、出处及原文链接。