原创 AI为啥要用显卡

一、前言

GPT的发布让AI再次热了起来，与上次阿尔法狗不同的是，现在人人都可以跟聊上几句，给它出出难题，还能调戏下。同期英伟达发布了针对AI领域的全新GPU H100，有的童鞋会疑惑，这个英伟达不是做显卡打游戏的吗，怎么就跟AI扯上关系了。其实英伟达的显卡不是简单的与AI有关系，而是大有关系。

二、图形处理与GPU

GPU的起源确实是基于图形处理的需求。早期还没有专门GPU时，我们打游戏所有的逻辑处理都放在CPU执行，CPU的处理能力越来越强，但经不住游戏画面增长的更快，这就对图形处理提出了更高的要求。

而图形处理的本质其实就是光影的计算，以下图为例，在屏幕上画一个圆非常简单。

但如过要让这个圆“立体”起来，其实就是要给它加上光影，像下图这样。

游戏画面也是这样的逻辑，一个画面优质的游戏一定是有丰富的光影效果，而光影效果的本质其实就是在虚拟的3维空间里，模拟光的照射。屏幕中的画面其实就是特定角度下，由计算机计算出的，你应该看到的光影效果。

需要特别注意的是，游戏中你会不停的移动，也就是所有光影的效果都需要实时的计算出来。假设屏幕分辨率为1920*1080，即2073600（207.36万）个像素，游戏中每个像素都需要根据光影参数来计算显示的颜色和明暗。假设一个常见的Inter I5 CPU主频为3.2GHz，即最多每秒可做32亿次运算。但这里的一次运算只是做了一次简单的二进制加减法或数据读取，一个像素的光影计算我们可以假设需要100次运算，即CPU一秒约处理3200万次像素运算，大概15张图片，用专业点的说法，这个游戏流畅度大概是每秒15帧的样子。

那我们能不能继续提升CPU的主频呢，可以但是能提升的空间非常有限。所谓主频本质上其实就是一个节拍器，CPU执行命令时其实是要按照一个特定的节拍来同步其各模块的操作。可以想象CPU其实就是个工厂流水线，1+1=2的本质其实至少包含了3个步骤：

1、将第一个1和第二个1从内存提取到CPU

2、两个1在CPU中相加得到2

3、将2从CPU存放到内存

本质上来说，所有的指令操作、图形计算，最终到达CPU时都会被拆分成类似于1+1=2这样的加法运算。而每一个节拍又只能执行其中的一步，如果我们可以将节拍打的更快一些，上述3个步骤执行的也就越快，那我们就说CPU的频率越高。但再往下看，我们打节拍又受到了晶体管开关速度的限制。简单来说，节拍打的越快，晶体管的开关速度也就更高，这就直接导致了CPU的发热问题。所以目前高性能CPU的频率始终被限制在5GHz，可见从CPU频率上已没有太多空间可以提升。工程师们就想到“其实任何一个像素的计算与其他像素的计算结果关系不大”，那为啥不多整几个计算核心“并行”计算呢，于是GPU就出现了。

一个典型的显卡GTX1060，主频是1.5GHz大概是Inter I5一半左右，但是它具备1280个计算核心。每个计算核心每秒可做15亿次运算，1280个核心每秒就是19200亿次运算，那一秒可以处理192亿次像素计算，大概925张图片，是CPU计算能力的61倍！但GPU的特性只能应用于图形计算这种可以并行的任务，若是做普通的串行任务其速度远远不如CPU。

那我们能不能把CPU和GPU结合起来，让他频率高，核心数量还多呢？还是不得行，上千个核心提升一点点的主频就会带来一些列问题，比如撒热、抖动、稳定性等等。所以内核数与频率就是不可能三角，CPU与GPU都只能侧重于其中一面，在不同的领域发挥作用。

AI的本质其实与游戏差不多，也是大量的计算，只是计算的数据量会更庞大。

三、AI训练与矩阵计算

所谓训练AI，其实就是向神经网络中投喂大量的数据。比如我想要生成美女图片，以前的做法是建设一个有足够素材的库，让美女的各个元素（手、脚、嘴巴、眼睛、身材等等）随机组合在一起，结果可能差强人意。现在则只需要向神经网络里导入大量的美女图片，当你导入的图片数量足够多时，神经网络也就“学会”了什么是美女，这样它就能自动产出美女。相对应的，如果你一直输入的是猛男，那它也只能生产猛男了。

我们知道其实图片就是像素构成的，比如下面这张图的像素是8x8（简化示意），也就是64个像素点，我们可以用1x64这样的数组来表示它。

以下图这样的3层神经网络为例（原本是7个输入，我们修改为64个输入），所谓的数据“投喂”其实就是将图片以64个数字表示，然后输入到网络中。

具体怎么输入呢，其实就是以A0（图片原始数据）为基础，来计算A1，接着以A1为基础计算A2、A3及最终结果A4。计算过程遵循以下公式：

A1 = W1*A0 + b1

A2 = W2*A1 + b2

A3 = W3*A2 + b3

A4 = W3*A3 + b4

其中W1\W2\W3\W4、A1\A2\A3\A4的数据量大小由每一层神经元的个数决定，比如我们每一层设置为64个神经元，则W1是一个64x64的数字矩阵，A1则是1x64的数字矩阵（与输入一样）。下图是一个矩阵相乘的示意。

所以对神经网络的投喂问题就变成了A0与W1两个数据矩阵的乘法问题，那么每一层神经网络的计算就需要至少4096次乘法计算，3层网络就需要至少12288次乘法计算。这还只是64x64像素的图片，如果是1280x1280的像素，就需要数百万次计算。

我们很容易就能想到也可以用GPU（显卡）来执行这些计算，因为每一张图片的输入都可以独立运行，那么我们给显卡的每一个核都输入一张图片，那同时就可以有上千张图片一起在计算，这样的计算效率自然是杠杠的。

五、AI与算力

综上所述，AI的发展离不开大量的算力资源，以GPT4来说，每1000字的算力大约需要0.06美元（约0.4元）。在小规模使用时可能还看不出成本的高低，当AI成为基础设施，比如搜索引擎，每天上亿次的搜索频率，成本可能也会去到上亿的数量级，这还只是其中一个应用。所以未来AI的发展离不开算力，英伟达则是在显卡的基础上，专门针对AI开发了特殊的GPU以满足算力需求，但可见的未来还是远远不够的。

参考前几年的数字挖矿，显卡的价格将迎来一波上涨。除计算性能外，另外还有更大的成本就是电力。所以可以预见的是，国内会出现一批专门做AI芯片设计的公司（参考比特大陆），还会有一批将数据中心建设到大西北以获取更廉价电力的小团队（普通人的机会），这些还都是国家大力支持的。所以发财的路子已经有了，朱军加油。