在芯片算力快速提升、日趋庞大的数据量共同支撑下，AI算法迭代升级加速。AI的发展经历了很长时间的积累，其能不断跨越科学与应用之间的鸿沟主要得益于技术突破、行业落地、产业协作等多方面的推动，而技术突破是其中最为关键的要素。从起步阶段发展到当下深度学习阶段，算法、数据和算力构成了AI三大基本要素，并共同推动AI向更高层次的感知和认知发展。算法方面，目前深度学习仍然是AI技术发展的主导路线，但是早期所使用的有监督学习方式由于受限于对大量标注数据依赖与理解能力缺乏，而且模型通用性较差，正逐步被新的技术所取代，在芯片算力的快速提升、日益庞大的数据量这两者的支撑下，新算法正处于加速迭代升级过程中。
　　自监督学习的算法模型快速发展，“预训练+精调”的开发范式迈向成熟，新一轮AI技术产业化之路开启。谷歌、脸书等多家企业先后发布使用自监督学习的算法模型，通过挖掘无标注数据的监督信息，减少人为干预。现阶段自监督学习本质上仍依赖规范化、标签化的数据，主要借助预训练模型构筑并学习数据特征。“预训练”的做法一般是将大量低成本收集的训练数据放在一起，经过某种预训方法去学习其中的共性，然后将其中的共性“移植”到特定任务的模型中，再使用相关特定领域的少量标注数据进行“微调”，这样的话，模型只需要从“共性”出发，去“学习”该特定任务的“特殊”部分即可。预训练模型成功的关键是自监督学习与Transformer的结合。预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性，用户基于大模型通过零样本、小样本学习即可获得领先的效果，同时“预训练+精调”等开发范式，让研发过程更加标准化，显著降低了人工智能应用门槛。整体上来看，关于本轮AI技术突破所带来的产业化变局，我们有三个核心观点：1、基于GPT为代表的大模型AI的通用能力，未来几年大模型AI的渗透广度、深度和速度有可能会超预期；2、ChatGPT采用的是闭源模型，其加速的产业落地会刺激更多的厂商加大大模型AI的研发投入，进而推动AI产业化发展；3、大模型AI通用能力的提升，带动的将不仅仅是云计算市场的增长，伴随着多种技术与商业化路径的逐步成熟，云、边缘、端的增量市场空间均有望渐次打开。
　　云端计算进入高性能计算时代，大模型训练仍以GPU为主。虽然AI芯片目前看有GPU、ASIC、CPU、FPGA等几大类，但是基于几点原因，我们判断GPU仍将是训练模型的主流硬件：1、Transformer架构是最近几年的主流，该架构最大的特点之一就是能够利用分布式GPU进行并行训练，提升模型训练效率；2、ASIC的算力与功耗虽然看似有优势，但考虑到AI算法还是处于一个不断发展演进的过程，用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险；3、英伟达强大的芯片支撑、生态、算法开源支持。
　　模型小型化技术逐步成熟，从训练走向推理，云、边、端全维度发展。我们认为至少有四大投资主线应持续关注：1、GPU方面，在英伟达的推动下，其从最初的显卡发展到如今的高性能并行计算，海外大厂已经具备了超过20年的技术、资本、生态、人才等储备，形成了大量的核心技术专利，而且也能充分享有全球半导体产业链的支撑，这都或是目前国内厂商所缺失的。近几年在资本的推动下，国内涌现出数十家GPU厂商，各自或都具备一定的发展基础，但整体经营时间较短，无论从技术积淀、产品料号布局、高端料号性能来说，与国外大厂仍具备较大差距。但国产化势在必行，国内相关产业链重点环节也积极对上游芯片原厂进行扶持，国产算力芯片需要不断迭代以实现性能的向上提升，后续持续关注相关厂商料号升级、生态建设和客户突破；2、AI在端侧设备应用普及是大势所趋，目前，知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟，AI在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外，更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容；3、数据的高吞吐量需要大带宽的传输支持，光通信技术作为算力产业发展的支撑底座，具备长期投资价值；4、Chiplet技术可以突破单一芯片的性能和良率等瓶颈，降低芯片设计的复杂度和成本。基于向Chiplet模式的设计转型，已经是大型芯片厂商的共识，相关产业链具备长期投资价值。
　　建议关注：瑞芯微、晶晨股份、星宸科技（待上市）、全志科技、北京君正、中科蓝讯、富瀚微、恒玄科技
　　风险提示：技术创新风险、宏观经济和行业波动风险、国际贸易摩擦风险。
　　

研究报告全文：证券研究报告半导体行业评级领先大市-A华金证券电子团队走进芯时代系列深度之六十AI算力GPUAI产业化再加速智能大时代已开启GPU行业深度报告孙远峰王臣复王海维SAC执业证书编号S0910522120001S0910523020006S09105230200052023年3月26日本报告仅供华金证券客户中的专业投资者参考请仔细阅读在本报告尾部的重要法律声明核心观点1在芯片算力快速提升日趋庞大的数据量共同支撑下AI算法迭代升级加速AI的发展经历了很长时间的积累其能不断跨越科学与应用之间的鸿沟主要得益于技术突破行业落地产业协作等多方面的推动而技术突破是其中最为关键的要素从起步阶段发展到当下深度学习阶段算法数据和算力构成了AI三大基本要素并共同推动AI向更高层次的感知和认知发展算法方面目前深度学习仍然是AI技术发展的主导路线但是早期所使用的有监督学习方式由于受限于对大量标注数据依赖与理解能力缺乏而且模型通用性较差正逐步被新的技术所取代在芯片算力的快速提升日益庞大的数据量这两者的支撑下新算法正处于加速迭代升级过程中自监督学习的算法模型快速发展预训练精调的开发范式迈向成熟新一轮AI技术产业化之路开启谷歌脸书等多家企业先后发布使用自监督学习的算法模型通过挖掘无标注数据的监督信息减少人为干预现阶段自监督学习本质上仍依赖规范化标签化的数据主要借助预训练模型构筑并学习数据特征预训练的做法一般是将大量低成本收集的训练数据放在一起经过某种预训方法去学习其中的共性然后将其中的共性移植到特定任务的模型中再使用相关特定领域的少量标注数据进行微调这样的话模型只需要从共性出发去学习该特定任务的特殊部分即可预训练模型成功的关键是自监督学习与Transformer的结合预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性用户基于大模型通过零样本小样本学习即可获得领先的效果同时预训练精调等开发范式让研发过程更加标准化显著降低了人工智能应用门槛整体上来看关于本轮AI技术突破所带来的产业化变局我们有三个核心观点1基于GPT为代表的大模型AI的通用能力未来几年大模型AI的渗透广度深度和速度有可能会超预期2ChatGPT采用的是闭源模型其加速的产业落地会刺激更多的厂商加大大模型AI的研发投入进而推动AI产业化发展3大模型AI通用能力的提升带动的将不仅仅是云计算市场的增长伴随着多种技术与商业化路径的逐步成熟云边缘端的增量市场空间均有望渐次打开请仔细阅读在本报告尾部的重要法律声明核心观点2云端计算进入高性能计算时代大模型训练仍以GPU为主虽然AI芯片目前看有GPUASICCPUFPGA等几大类但是基于几点原因我们判断GPU仍将是训练模型的主流硬件1Transformer架构是最近几年的主流该架构最大的特点之一就是能够利用分布式GPU进行并行训练提升模型训练效率2ASIC的算力与功耗虽然看似有优势但考虑到AI算法还是处于一个不断发展演进的过程用专用芯片部署会面临着未来算法更迭导致芯片不适配的巨大风险3英伟达强大的芯片支撑生态算法开源支持模型小型化技术逐步成熟从训练走向推理云边端全维度发展我们认为至少有四大投资主线应持续关注1GPU方面在英伟达的推动下其从最初的显卡发展到如今的高性能并行计算海外大厂已经具备了超过20年的技术资本生态人才等储备形成了大量的核心技术专利而且也能充分享有全球半导体产业链的支撑这都或是目前国内厂商所缺失的近几年在资本的推动下国内涌现出数十家GPU厂商各自或都具备一定的发展基础但整体经营时间较短无论从技术积淀产品料号布局高端料号性能来说与国外大厂仍具备较大差距但国产化势在必行国内相关产业链重点环节也积极对上游芯片原厂进行扶持国产算力芯片需要不断迭代以实现性能的向上提升后续持续关注相关厂商料号升级生态建设和客户突破2AI在端侧设备应用普及是大势所趋目前知识蒸馏剪枝量化等模型小型化技术在逐步成熟AI在云边端全方位发展的时代已至除了更加广泛的应用带来需求量的提升外更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容3数据的高吞吐量需要大带宽的传输支持光通信技术作为算力产业发展的支撑底座具备长期投资价值4Chiplet技术可以突破单一芯片的性能和良率等瓶颈降低芯片设计的复杂度和成本基于向Chiplet模式的设计转型已经是大型芯片厂商的共识相关产业链具备长期投资价值建议关注瑞芯微晶晨股份星宸科技待上市全志科技北京君正中科蓝讯富瀚微恒玄科技风险提示技术创新风险宏观经济和行业波动风险国际贸易摩擦风险请仔细阅读在本报告尾部的重要法律声明总目录01由专用走向通用GPU赛道壁垒高筑02产业化路径显现全球AI竞赛再加速全维智能化大时代国产算力行则必至03建议关注04产业相关05风险提示06请仔细阅读在本报告尾部的重要法律声明分目录1由专用走向通用GPU赛道壁垒高筑0111什么是GPU114走向新场景的GPGPU12始于图形处理设备115GPU与GPGPU的对比13浮点计算能力与可编程性结合116GPGPU与CPU的对比14GPU发展三大方向117并行计算发展的核心15英传达显卡发展历程118SIMT主流GPU的系统架构核心16GeForceRTX40系列时代最强119GPGPU架构以A100为例17英特尔的核显120Fermi是第一个完整的GPU计算架构18核显与独显性能对比121通用算力提升是英伟达GPU架构演进的重点之一19图形流水线是GPU工作的通用模型122多方面构建的高壁垒110统一渲染架构的推出开启了通用计算大时代123人才与研发投入以英伟达为例111从简单到越来越复杂的流水线124国外厂商多年间构筑了庞大的专利池112光线追踪时代开启125英伟达全栈布局构筑强大生态113光线追踪算法要求的计算量巨大126走向异构海外厂商横向布局不断请仔细阅读在本报告尾部的重要法律声明分目录2产业化路径显现全球AI竞赛再加速0221AI技术赋能实体经济面临的瓶颈214数据中心迈入高算力时代兵家必争22ChatGPT的破圈215英伟达数据中心业务快速增长23ChatGPT的成功离不开预训练大模型216自动驾驶研发两大商业路线24预训练模型的发展历程217自动驾驶实现的两种技术路线25Transformer架构成主流218单车智能化推动算力升级加速26自监督学习与Transformer的结合219自动驾驶具备广阔市场前景27大模型的突现能力28参数量爆发式增长的ChatGPT29预训练大模型第三波AI发展的重大拐点210生成式AI边缘AI技术即将步入成熟期211大模型是大算力和强算法结合的产物212AI芯片三剑客213训练端GPU担纲请仔细阅读在本报告尾部的重要法律声明分目录3全维智能化大时代国产算力行则必至0331全球数据中心负载任务量快速增长316先求有再求好32全球计算产业投资空间巨大317生态先兼容主流未来将走向自建33预训练大模型对于GPU的需求318国产之路已开启部分国产GPU设计厂商列表34国内市场需求将保持高增长319GPU发展离不开全球产业链的支撑35云计算及云部署方式320制程升级对于算力芯片性能提升具有较高贡献度36不同云部署方式的市场占比321摩尔定律发展趋缓37企业上云持续向细分行业渗透322Chiplet技术潜力大38从资源上云迈入深度用云323Chiplet技术发展历程39信创从试点走向推广324行业巨头推动产业加速落地310公有云主要参与厂商325采用Chiplet技术的产品不断出现311云计算产业链326算力两大演进方向更大算力更多样化应用312集成显卡与独立显卡市场份额327存量替代与增量成长并存313独立显卡英伟达一家独大328高吞吐量离不开高速传输314性能强大的H100329光通信前景可期315国产厂商两条发展路径GPU和GPGPU请仔细阅读在本报告尾部的重要法律声明分目录4建议关注产业相关040541瑞芯微51海光信息42晶晨股份52龙芯中科43星宸科技待上市53景嘉微44全志科技54寒武纪-U45北京君正55中芯国际46中科蓝讯56芯原股份-U47富瀚微57华大九天48恒玄科技58概伦电子59长电科技510华天科技风险提示06511通富微电512炬芯科技技术创新风险513源杰科技宏观经济和行业波动风险514光迅科技国际贸易摩擦风险515摩尔线程未上市请仔细阅读在本报告尾部的重要法律声明目录01由专用走向通用GPU赛道壁垒高筑0111什么是GPU110统一渲染架构的推出开启了通用计算大时代119GPGPU架构以A100为例12始于图形处理设备111从简单到越来越复杂的流水线120Fermi是第一个完整的GPU计算架构13浮点计算能力与可编程性结合112光线追踪时代开启121通用算力提升是英伟达GPU架构演进的重点之一14GPU发展三大方向113光线追踪算法要求的计算量巨大122多方面构建的高壁垒15英传达显卡发展历程114走向新场景的GPGPU123人才与研发投入以英伟达为例16GeForceRTX40系列时代最强115GPU与GPGPU的对比124国外厂商多年间构筑了庞大的专利池17英特尔的核显116GPGPU与CPU的对比125英伟达全栈布局构筑强大生态18核显与独显性能对比117并行计算发展的核心126走向异构海外厂商横向布局不断19图形流水线是GPU工作的通用模型118SIMT主流GPU的系统架构核心产业化路径显现全球AI竞赛再加速02全维智能化大时代国产算力行则必至03建议关注04产业相关05风险提示06请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑11什么是GPU图形处理器graphicsprocessingunit缩写GPUSOC中的GPU模块又称显示核心视觉处理器显示芯片是一种专门在个人电脑工作站游戏机和一些移动设备如平板电脑智能手机等上做图像和图形相关运算工作的微处理器NVIDIA公司在1999年发布GeForce256图形处理芯片时首先提出GPU的概念从此NVIDIA显卡的芯片就用这个新名字GPU来称呼GPU使显卡削减了对CPU的依赖并执行部分原本CPU的工作尤其是在3D图形处理时GPU与显卡资料来源痞客邦华金证券研究所资料来源痞客邦华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑12始于图形处理设备最早计算机是黑白显示的时代机器对于显示的要求极低随着计算机的普及和软件的多样化使用者对于显示的要求越来越高VGAVideoGraphicsArray视频图形阵列是一种标准的显示接口是IBM于1987年提出的一个使用模拟信号的电脑显示标准VGA标准由于可以呈现的彩色显示能力大大加强因此迅速成为了显示设备的标准也推动了VGACard也即是显卡的诞生早期的VGACard的唯一功能是输出图像图形运算全部依赖CPU当微软Windows操作系统出现后大量的图形运算占据了CPU的大量资源如果没有专门的芯片来处理图形运算Windows界面运作会大受影响而变得卡顿因此出现专门处理图形运算的芯片成为必然趋势1993年1月英伟达创立1999年英伟达发布了划时代的产品GeForce256首次推出了所谓图形处理器GPUGraphicProcessingUnit的概念它带来了3D图形性能的一次革命图显卡发展历程资料来源51CTO华金证券研究所绘制请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑13浮点计算能力与可编程性结合GeForce256是一款用于实时图形处理的专用处理器GeForce图形处理器的发布实现了顶点的矩阵变换和光照计算图形实时处理应用需要高内存带宽和大量的浮点计算能力2001年英伟达发布了第三代显示核心GeForce3GeForce3不仅集成了来自之前GeForce256和GeForce2芯片的静态座标转换和照明引擎更增加了称为顶点着色单元的可编程顶点处理器功能游戏开发者可借由加上顶点程序让游戏产生令人惊艳的全新效果可编程性与浮点计算能力相结合基于GPU的通用计算也开始出现GPU朝着通用计算的方向持续演进2006年英伟达CUDAComputeUnifiedDeviceArchitecture统一计算设备架构及对应工业标准的OpenCL的出现让GPU实现更广泛的通用计算功能GPGPU的概念落地GPU的图形处理流水线NVidiaTesla架构资料来源搜狐网华金证券研究所资料来源深入GPU硬件架构及运行机制博客园华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑14GPU发展三大方向GPU最初用在PC和移动端上运行绘图运算工作的微处理器与CPU集成以集成显卡核显的形态发挥功能NVIDIA于2007年率先推出独立GPU独显使其作为协处理器在PC和服务器端负责加速计算承接CPU计算密集部分的工作负载同时由CPU继续运行其余程序代码2019年NVIDIA的中国GTC大会设置了两大主题AI和图形从大会的关注重点可以看出GPU未来趋势主要是3个大规模扩展计算能力的高性能计算GPGPU人工智能计算AIGPU更加逼真的图形展现光线追踪RayTracingGPU四核心Intel处理器的dieshot框图带有Gen9核显英伟达三大产品系列资料来源CSDN华金证券研究所资料来源英伟达华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑15英传达显卡发展历程时间发布型号制程亮点1995STG-2000X500nm采用第一代NV1核心核心频率12MHz同时支持2D3D处理能力1998RIVA128350nm第一款成功的显示核心第一款支持微软Direct3D加速的图形芯片也是第一个提供硬件三角形引擎的128bit图形芯片加入了对OpenGL技术的支持1999RivaTNT2250nm奠定英伟达显卡王朝的基石核心频率和显存容量都有了极大的提升从这一代开始英伟达开始产品进行了市场化细分GeForce首次推出了所谓图形处理器GPU的概念增加了PixelShader流水线的数目支持硬件TL引擎第一款硬件支持TL的显卡亦支援MPEG-2硬件视频加速Quadro也是以1999256220nmGeForce256为基础开始研发2001GeForce3180nm英伟达首款支持DirectX80的产品并支持可编程的TL引擎GeForce42002Ti4200150nm新一代的TL引擎并支持高效率的反锯齿技术GeForce20046800130nm渲染管线首次突破性增长到16条采用GDDR3显存频率达到了11GHz同年英伟达SLI可扩展的链接接口技术问世单台PC的图形处理能力大大提升世界上第一块支持DirectX10的PC桌面显卡GeForce8采用统一流水线结构传统显示核心的架构分为顶点着色引擎和像素着色引擎所谓统一渲染即GPU中不再有单独的顶端渲GeForce染单元和像素渲染单元而是由一个通用的渲染单元同时完成顶点和像素渲染任务统一渲染架构具有硬件利用效率高以及编程灵活的优点进一步提升了GPU内部运算单元的可编20068800GTX90nm程性让GPU运行高密集度的通用计算任务就成为可能GeForce采用英伟达推出全新一代的Fermi架构Fermi架构GPU产品在保持图形性能的前提下将通用计算的重要性提升到前所未有的高度大规模GPU计算从之开始30亿个晶体管的大芯片2010GTX48040nm全局ECC设计可读写缓存更大的sharedmemory甚至出现了分支预测概念Fermi是英伟达最后一款在游戏显卡上保留强悍双精度的微架构采用Kepler架构与前一代的Fermi架构相比Kepler架构不仅仅是性能的提升功耗和温度上也得到了极大的改善Fermi架构中英伟达主要专注于提升计算与曲面细分的性能然GeForce而在Kepler架构中英伟达转向了提升效率可编程性与性能效率的提升来自采用了统一的GPU时钟简化的静态指令调度和更加优化的每瓦性能专用的双精度CUDA核心被用来2013GTXTitan28nm弥补KeplerCUDA核心为了节省芯片面积而放弃的双精度计算能力采用英伟达第四代GPU架构Maxwell架构Kepler的改进版架构最明显的变化是在SMX单元和GPC单元上Maxwell的SMM之前叫SMX单元从之前Kepler的包含192个CUDACore下降GeForce到128个但发射器从之前的每SMX一个变为了每SMM四个目的是降低每个SMM单元的运算压力提升效率增加了两个寄存器然后L1缓存翻倍GPC单元的L2缓存增加到了2M2014GTX97028nmMaxwell将具备以下三大特性提升图形性能降低编译难度这应该归功于ARMv8核心和统一内存寻址增强技术和提高能耗比GeForce这一代显卡的工艺和架构全面升级架构方面采用了Pascal架构Pascal是Maxwell的接替者增强了异步计算功能实现硬件层了对DirectXAPI的更高版本DirectX12Feature2016GTX108016nmLevel121的支持高端产品还配备带宽更高的HBM2显存性能和能耗比都有了很大提升GeForce第一代GeForceRTX系列支持光线路径追踪硬件加速使实时光线追踪成为可能新GeForce显卡最大的亮点就是集成了光线追踪核心的TuringGPU从技术上拉开了与上代显卡2018RTX208012nm的差距NVIDIA宣布图灵架构的时候表示新一代显卡的光线追踪性能是现有Pascal显卡的6倍之多GeForce三星采用了全新的Ampere安培架构相比RTX20系的图灵架构是革命性的提升Ampere集成了第二代RT光线追踪核心第三代Tensor张量核心并支持PCIE40DisplayPort14a2020RTX30908nmHDMI21GeForce采用最新的AdaLovelace架构较上一代Ampere晶体管和CUDA核心数量提升70着色器光追深度学习性能均实现重大飞跃AdaLovelace架构的创新大体上可以分为三2022RTX40系列4nm个板块分别是带来了新的全景光线追踪着色器执行重排序SER和DLSS3资料来源英伟达维基百科华金证券研究所整理请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑16GeForceRTX40系列时代最强2022秋季GTC大会上英伟达发布GeForceRTX40系列GPU旨在为游戏玩家和创作者提供革命性性能其中新旗舰产品RTX4090GPU的性能相较上一代提升最高可达4倍作为全球首款基于全新NVIDIAAdaLovelace架构的GPURTX40系列在性能和效率上都实现了巨大的代际飞跃根据NVIDIA创始人兼首席执行官黄仁勋的介绍RTX光线追踪和神经网络渲染的时代正在全面展开RTX40系列GPU具有一系列新的技术创新包括流式多处理器具有高达83TFLOPS的着色器能力第三代RTCores的有效光线追踪计算能力达到191TFLOPS第四代TensorCores具有高达132Petaflops的FP8张量处理性能着色器执行重排序SER通过即时重新安排着色器负载来提高执行效率Ada光流加速器带来2倍的性能提升架构上改进来实现与TSMC4N定制工艺技术紧密结合等资料来源电脑评测网华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑17英特尔的核显1998年英特尔推出了Inteli740独立显卡并进入显卡市场随后它被整合进了810815芯片组并诞生了Intel的集成显卡家族2010年英特尔推出的Clarkdale处理器是首款整合GPU的CPU这款处理器由32nm制程CPUDie和45nm的GPUDie共同封装在一块PCB上组成两颗芯片使用QPI总线相连2011年英特尔推出的SandyBridge架构处理器把CPU和GPU做到同一块芯片上进入核显时代英特尔早期通过封装将CPUGPU两颗芯片封装在一起Skylake处理器核心CPUGPU在同一颗芯片上资料来源超能网华金证券研究所资料来源超能网华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑18核显与独显性能对比2022年1月25日搭载第12代酷睿AlderLake-H处理英特尔IrisXEGPU的跑分器的笔记本正式上市采用最新一代Intel7制程工艺内置IrisXEGPU拥有48组EU单元加速频率高达1450MHzIntel第12代酷睿性能图资料来源量子位华金证券研究所资料来源zmmoo华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑19图形流水线是GPU工作的通用模型图形流水线graphicspipeline也叫图形管线指的是一连串的图形处理任务这一系列的工作先后有序不可颠倒因此得以有这个形象的称呼图形流水线是GPU工作的通用模型它以某种形式表示的三维场景为输入输出二维的光栅图形到显示器图图形流水线资料来源CSDN华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑110统一渲染架构的推出开启了通用计算大时代GPU的硬件结构从固定功能流水线架构发展为大规模并行的统一染色器架构所谓统一渲染即GPU中不再有单独的顶端渲染单元和像素渲染单元而是由一个通用的渲染单元同时完成顶点和像素渲染任务为了实现这一点图形指令必须先经过一个通用的解码器将顶点和像素指令翻译成统一渲染单元可直接执行的渲染微指令而统一渲染单元其实就是一个高性能的浮点和矢量计算逻辑它具有通用和可编程属性在统一渲染架构的GPU中VertexShader和PixelShader概念都将废除同时代之以ALUALU是个完整的图形处理体系它既能够执行对顶点操作的指令代替VS又能够执行对象素操作的指令代替PS基于统一渲染架构ShaderCore被挖掘出了更多的使用方法比如通用计算早期的GPU只支持固定管线统一渲染架构资料来源CSDN华金证券研究所资料来源CSDN华金证券研究所请仔细阅读在本报告尾部的重要法律声明1由专用走向通用GPU赛道壁垒高筑111从简单到越来越复杂的流水线当代GPU渲染管线示意图以前GPU只支持固定管线并且不支持编程2002年GPU在VertexOperations和FragmentOperations这两个模块中具有了可编程功能2006年GPU流水线中增加了一种新的模块GeometryShader几何元着色器使得图形程序开发者在可编程渲染管道programablerenderpipline下能够更大的发挥自由度再之后Tessellation細分曲面技術Mesh着色器等等功能的加入GPU的流水线变得越来越复杂GPU要实现对二维屏幕上每一个像素点的输出需要很多个并行工作的着色处理器shaderprocessor同步工作示意图中将硬件中的四个小处理器连为一组软件层面将各类渲染任务按4个thread打成一个卷warp发给硬件同时加入了多warp切换的机制保证了GPU任务执行的高效性资料来源新浪网华金证券研究所请仔细阅读在本报告尾部的重要法律声明