《算力中心十讲｜第4讲：GPU的崛起：显卡为什么成了算力的核心？》

开篇故事：从游戏显卡到AI引擎

20年前，显卡只是给电脑“打游戏、渲染画面”的小配件。
但谁能想到，如今它已经成了支撑 ChatGPT、自动驾驶、超级计算机 的核心武器。

为什么一块“显卡”，能撑起整个AI产业？
答案，就藏在 GPU 的设计逻辑里。

一、CPU vs GPU：大将军 vs 小士兵

• CPU（中央处理器）：

  • 核心少（一般 4~128 核），每个核超强。

  • 善于处理逻辑复杂、顺序执行的任务。

  • 就像一位“大将军”，能精准指挥，但人手有限。

• GPU（图形处理器）：

  • 拥有成千上万个计算核心（CUDA Core）。

  • 擅长同时做大量重复计算（并行计算）。

  • 就像一支“士兵大军”，不讲究单兵作战，而是靠数量取胜。

👉 深度学习本质上是 矩阵运算（乘法、加法），这正是 GPU 的强项。

二、为什么AI离不开GPU？

1. 矩阵计算密集

   • 神经网络训练，本质就是数百万次矩阵乘加。

   • GPU 并行处理能力，远超 CPU。

2. 吞吐量优势

   • GPU 核心数量远大于 CPU，能同时处理上千条数据流。

3. AI框架优化

   • TensorFlow、PyTorch 等框架都深度绑定 GPU。

   • CUDA、cuDNN 等生态，让 GPU 成为 AI 的“标配”。

👉 没有 GPU，大模型训练可能要几年；有了 GPU，可以缩短到几周。

三、显卡算力的标杆：A100/H100

• NVIDIA A100：

  • FP32 算力约 19.5 TFLOPS

  • 专为 AI 设计，支持 Tensor Core

  • 被誉为“AI训练神器”

• NVIDIA H100（2022发布）：

  • 算力提升至 60+ TFLOPS

  • 更强的 Transformer 加速引擎

  • 被 OpenAI、Google DeepMind 大规模采用

一张 A100 售价高达十几万元人民币，却依旧“一卡难求”。

四、GPU在算力中心的地位

在算力中心：

• CPU：负责调度、控制、数据预处理。

• GPU：负责核心计算，尤其是深度学习和科学模拟。

• NPU/TPU：专用芯片，做补充。

如果把算力中心比作军队：

• CPU 是 将军；

• GPU 是 主力士兵；

• NPU/TPU 是 特种部队。

GPU 不仅是算力中心的中流砥柱，还成为国家级战略资源。

五、为什么GPU变得“稀缺”？

1. AI爆发：大模型训练对 GPU 需求量巨大。

2. 芯片产能受限：先进制程（7nm、5nm）难度高，产量有限。

3. 地缘政治：高端 GPU 芯片被列入战略物资，出口受限。

这导致 GPU 不只是 IT 产品，而是“算力时代的石油”。

六、结尾升华

显卡的命运，从“游戏工具”到“AI引擎”，折射了整个数字时代的转型：

• 过去比拼的是软件与算法；

• 现在比拼的是硬件与算力；

• 未来比拼的是 算力生态。

一句话总结：

没有 GPU，就没有今天的 AI；没有显卡，就没有算力中心的核心竞争力。

👉 下一讲，我们将继续探讨：从超级计算机到算力中心，算力演进的背后逻辑是什么？