東芝故障fd(東芝故障FD)

發(fā)布日期：2023-02-11 11:36:20 瀏覽：

東芝故障fd(東芝故障FD)

前沿拓展：

1、集成顯卡和獨立顯卡對比

集成顯卡是指一般不帶顯存，而是使用系統(tǒng)的一部分主內(nèi)存作為顯存的顯卡。集成顯卡可以被整合進主板作為北橋芯片的一部分，也可以和CPU集成在同一個Die中。集成顯卡的顯存一般根據(jù)系統(tǒng)軟件和應用軟件的需求自動調(diào)整。如果顯卡運行需要占用大量內(nèi)存空間，那么整個系統(tǒng)運行會受限，此外系統(tǒng)內(nèi)存的頻率通常比獨立顯卡的顯存低很多，因此集成顯卡的性能比獨立顯卡要遜色一些。

獨立顯卡是將顯示芯片及相關(guān)器件制作成一個獨立于電腦主板的板卡，成為專業(yè)的圖像處理硬件設(shè)備。獨立顯卡因為具備高位寬、高頻獨立顯存和更多的處理單元，性能遠比集成顯卡優(yōu)越，不僅可用于一般性的工作，還具有完善的2D效果和很強的3D水平，因此常應用于高性能臺式機和筆記本電腦，主要的接口為PCIe。

如今，獨立顯卡與集成顯卡已經(jīng)不是2個完全割裂，各自為營的圖像處理單元了。二者在微軟DX12的支持下也可以實現(xiàn)獨核顯交火，同時AMD和NVIDIA的顯卡也可實現(xiàn)混合交火。

▲集成顯卡和獨立顯卡對比

2.GPU對比CPU：

從芯片設(shè)計思路看，CPU是以低延遲為導向的計算單元，通常由專為串行處理而優(yōu)化的幾個核心組成，而GPU是以吞吐量為導向的計算單元，由數(shù)以千計的更小、更高效的核心組成，專為并行多任務(wù)設(shè)計。

CPU和GPU設(shè)計思路的不同導致微架構(gòu)的不同。CPU的緩存大于GPU，但在線程數(shù)，寄存器數(shù)和SIMD（單指令多數(shù)據(jù)流）方面GPU遠強于CPU。

微架構(gòu)的不同最終導致CPU中大部分的晶體管用于構(gòu)建控制電路和緩存，只有少部分的晶體管完成實際的運算工作，功能模塊很多，擅長分支預測等復雜操作。GPU的流處理器和顯存控制器占據(jù)了絕大部分晶體管，而控制器相對簡單，擅長對大量數(shù)據(jù)進行簡單操作，擁有遠勝于CPU的強大浮點計算能力。

▲GPU和CPU的核心設(shè)計思路對比

▲GPU和CPU的核心對比

后摩爾時代，隨著GPU的可編程性不斷增強，GPU的應用能力已經(jīng)遠遠超出了圖形渲染，部份GPU被用于圖形渲染以外領(lǐng)域的計算成為GPGPU。與此同時，CPU為了追求通用性，只有少部分晶體管被用于完成運算，而大部分晶體管被用于構(gòu)建控制電路和高速緩存。但是由于GPU對CPU的依附性以及GPU相較CPU更高的開發(fā)難度，所以GPU不可能完全取代CPU。我們認為未來計算架構(gòu)將是GPU+CPU的異構(gòu)運算體系。

在GPU+CPU的異構(gòu)運算中，GPU和CPU之間可以無縫地共享數(shù)據(jù)，而無需內(nèi)存拷貝和緩存刷新，因為任務(wù)以極低的開銷被調(diào)度到合適的處理器上。CPU憑借多個專為串行處理而優(yōu)化的核心運行程序的串行部份，而GPU使用數(shù)以千計的小核心運行程序的并行部分，充分發(fā)揮協(xié)同效應和比較優(yōu)勢。

異構(gòu)運算除了需要相關(guān)的CPU和GPU等硬件支持，還需要能將它們有效組織的軟件編程。OpenCL是（OpenComputing Language）的簡稱，它是第一個為異構(gòu)系統(tǒng)的通用并行編程而產(chǎn)生的統(tǒng)一的、免費的標準。OpenCL支持由多核的CPU、GPU、Cell架構(gòu)以及信號處理器(DSP)等其他并行設(shè)備組成的異構(gòu)系統(tǒng)。

▲OpenCL異構(gòu)運算構(gòu)成

▲異構(gòu)運算下的GPU工作流程

3.GPU與ASIC和FPGA的對比：

數(shù)據(jù)、算力和算法是AI三大要素，CPU配合加速芯片的模式成為典型的AI部署方案，CPU提供算力，加速芯片提升算力并助推算法的產(chǎn)生。常見的AI加速芯片包括GPU、FPGA、ASIC三類。

GPU用于大量重復計算，由數(shù)以千計的更小、更高效的核心組成大規(guī)模并行計算架構(gòu)，配備GPU的服務(wù)器可取代數(shù)百臺通用CPU服務(wù)器來處理HPC和AI業(yè)務(wù)。

FPGA是一種半定制芯片，靈活性強集成度高，但運算量小，量產(chǎn)成本高，適用于算法更新頻繁或市場規(guī)模小的專用領(lǐng)域。

ASIC專用性強，市場需求量大的專用領(lǐng)域，但開發(fā)周期較長且難度極高。

在AI訓練階段需要大量數(shù)據(jù)運算，GPU預計占64%左右市場份額，F(xiàn)PGA和ASIC分別為22%和14%。推理階段無需大量數(shù)據(jù)運算，GPU將占據(jù)42%左右市場，F(xiàn)PGA和ASIC分別為34%和24%。

▲不同應用場景AI芯片性能需求和具體指標

▲GPU、FPGA、ASIC AI芯片對比

4.“考古”GPU：GPU的發(fā)展歷史

在PC誕生之初，并不存在GPU的概念，所有的圖形和多媒體運算都由CPU負責。但是由于X86 CPU的暫存器數(shù)量有限，適合串行計算而不適合并行計算，雖然以英特爾為代表的廠商多次推出SSE等多媒體拓展指令集試圖彌補CPU的缺陷，但是僅僅在指令集方面的改進不能起到根本效果，所以誕生了圖形加速器作為CPU的輔助運算單元。

GPU的發(fā)展史概括說來就是NVIDIA、AMD(ATI)的發(fā)展史，在此過程中曾經(jīng)的GPU巨頭Imagination、3dfx、東芝等紛紛被后輩超越。如今獨立顯卡領(lǐng)域主要由英偉達和AMD控制，而集成顯卡領(lǐng)域由英特爾和AMD控制。

▲GPU的發(fā)展史

5.GPU發(fā)展史：NVDIA GPU微架構(gòu)回顧

英偉達的GPU架構(gòu)自2008年以來幾乎一直保持著每2年一次大更新的節(jié)奏，帶來更多更新的運算單元和更好的API適配性。在每次的大換代之間，不乏有一次的小升級，如采用開普勒二代微架構(gòu)的GK110核心相較于采用初代開普勒微架構(gòu)的GK104核心，升級了顯卡智能動態(tài)超頻技術(shù)，CUDA運算能力提升至3.5代，極致流式多處理器（SMX）的浮點運算單元提升8倍，加入了HyperQ技術(shù)提高GPU的利用率并削減了閑置，更新了網(wǎng)格管理單元（Grid Management Unit），為動態(tài)并行技術(shù)提供了靈活性。

英偉達GPU微架構(gòu)的持續(xù)更新，使英偉達GPU的能效提升了數(shù)十倍，占領(lǐng)了獨立顯卡技術(shù)的制高點。

▲20082020英偉達GPU微架構(gòu)進化

6.GPU發(fā)展史：微軟DirectX API回顧

圖形API在GPU的運算過程中發(fā)揮著連接高級語言、顯卡驅(qū)動乃至底層匯編語言的作用，充當GPU運行和開發(fā)的“橋梁”和“翻譯官”。微軟DirectX標準可以劃分為顯示部份、聲音部份、輸入部分和網(wǎng)絡(luò)部分，其中與GPU具有最直接關(guān)系的是顯示部分。顯示部份可分為DirectDraw和Direct3D等標準，前者主要負責2D圖像加速，后者主要負責3D效果顯示。

從1995年發(fā)布的初代DirectX 1.0開始微軟的DirectX已經(jīng)更新到了DirectX 12。在此過程中，DirectX不斷完善對各類GPU的兼容，增加開發(fā)人員的權(quán)限，提高GPU的顯示質(zhì)量和運行幀數(shù)。

DirectX一般和Windows操作系統(tǒng)同步更新，如Windows 7推出了DX11、Windows 10推出了DX12。

▲19982014微軟DirectX進化

7.GPU發(fā)展史：NVDIA GPU制程構(gòu)回顧

GPU和CPU都是以先進制程為導向的數(shù)字芯片。先進制程可以在控制發(fā)熱和電能消耗的同時，在有限的Die中放入盡可能多的晶體管，提高GPU的性能和能效。

NVIDIA的GPU從2008年GT200系列的65納米制程歷經(jīng)12年逐步升級到了RTX3000系列的7/8納米制程，在整個過程中，晶體管數(shù)量提升了20多倍，逐步確立了在獨立GPU的市場龍頭地位。

同時在整個過程中，NVIDIA一直堅持不采用IDM的模式，而是讓臺積電負責GPU的制造，自生專注于芯片設(shè)計，充分發(fā)揮比較優(yōu)勢。

▲20082020英偉達GPU主要制程和晶體管數(shù)進化

8.GPU微架構(gòu)升級趨勢：更多、更專、更智能

根據(jù)前12年的GPU發(fā)展軌跡來看，GPU微架構(gòu)的升級趨勢可以簡要地概括為”更多”、”更專”、”更智能”。“更多”是指晶體管數(shù)量和運算單元的增加，其中包括流處理器單元、紋理單元、光柵單元等數(shù)量上升。“更專”是指除了常規(guī)的計算單元，GPU還會增加新的運算單元。例如，英偉達的圖靈架構(gòu)相較于帕斯卡架構(gòu)新增加了光追單元和張量單元，分別處理實時光線追蹤和人工智能運算。“更智能”是指GPU的AI運算能力上升。如第三代的張量單元相較于上代在吞吐量上提升了1倍。

▲英偉達GTX1080對比RTX2080

▲英偉達伏特微架構(gòu)對比安培微架構(gòu)AI加速性能 ▲英偉達伏特微架構(gòu)對比安培微架構(gòu)AI加速性能

9.GPU API升級趨勢：更貼近底層

綜合分析微軟的DirectX12、蘋果的Metal2、Khronos Group的Vulkan API分別相較于前代DirectX11、Metal、OpenGL的升級，我們認為GPU API的升級趨勢是提高GPU的運行效率、增加高級語言和顯卡驅(qū)動之間的連接、優(yōu)化視覺特效等。其中，提供更底層的支持：統(tǒng)籌高級語言、顯卡驅(qū)動和底層語言是幾乎所有API升級的主要方向。

不過提供更底層的支持只是更高的幀數(shù)或更好的畫質(zhì)的必要非充分條件。在整個軟件的開發(fā)過程中，軟件開發(fā)商需要比驅(qū)動程序和系統(tǒng)層更好地調(diào)度硬件資源，才能充分發(fā)揮底層API的效果。

在顯示質(zhì)量方面，DirectX 12 Ultimate采用當下最新的圖形硬件技術(shù)，支持光線追蹤、網(wǎng)格著色器和可變速率著色，PC和Xbox共用同一個API，堪稱次世代游戲的全新黃金標準。

▲非底層DirectX 11對比底層DirectX 12

▲DirectX 12 Ultimate新特性

10.GPU制造升級趨勢：以先進制程為導向

GPU性能的三大決定因素為主頻、微架構(gòu)、API。這些因素中主頻通常是由GPU的制程決定的。制程在過去通常表示晶體管或柵極長度等特征尺寸，不過出于營銷的需要，現(xiàn)在的制程已經(jīng)偏離了本意，因此單純比較納米數(shù)沒有意義。按英特爾的觀點，每平方毫米內(nèi)的晶體管數(shù)（百萬）更能衡量制程。據(jù)此，臺積電和三星的7nm工藝更接近英特爾的10nm工藝。

先進的制程可以降低每一個晶體管的成本，提升晶體管密度，在GPU Die體積不變下實現(xiàn)更高的性能；先進制程可以提升處理器的效能，在性能不變的情況下，減少發(fā)熱或在發(fā)熱不變的情況下，通過提升主頻來拉高性能。

先進制程的主要目的是降低平面結(jié)構(gòu)帶來的漏電率問題，提升方案可以通過改變工藝，如采用FinFET（鰭式場效應晶體管）或GAA（環(huán)繞式柵極）；或采用特殊材料，如FDSOI（基于SOI的超薄絕緣層上硅體技術(shù))。

▲先進制程工藝之FinFET

▲英特爾10nm先進制程帶來的性能和效能提升

11.GPU制造升級趨勢：Chiplet化

高位寬內(nèi)存（HBM）是小芯片（Chiplet）在GPU中的常見應用。HBM是一種高速計算機存儲器3D堆棧SDRAM接口。首款HBM于2013年推出，第二代HBM2已于2016年被JEDEC接受。目前，HBM主要應用在高端獨立顯卡和服務(wù)器顯卡。

HBM通過3D堆疊4個DRAM Die和1片邏輯Die組成一個Chiplet，其中每片DRAM具有2個128位通道，通過TSV（硅通孔）相連。所以，一片Chiplet總共8個128位通道，總位寬1024比特。每片Chiplet又與GPU封裝在同一中介層（Interposer）連接GPU芯片。相比之下，GDDR5內(nèi)存的總線寬度為32位，帶有512位內(nèi)存接口的顯卡也只有16個通道，而且采用傳統(tǒng)的FBGA封裝。HBM與GDDR5相比，每GB的表面積減少94%，每GB/S帶寬的能效提升2倍多。

HBM支持最多每個Chiplet 4GB的存儲，HBM2在HBM的基礎(chǔ)上將每片Chiplet的最大容量提升至了8GB，顯存主頻提升1倍，同時總位寬保持不變。

▲HBM的GPU應用

▲GDDR5對比HBM

▲HBM先進封裝結(jié)構(gòu) ▲HBM先進封裝結(jié)構(gòu)

12.GPU制造的發(fā)展趨勢：Fab+Fabless為導向

GPU制造可分為IDM和Fab+Fabless。IDM集芯片設(shè)計、芯片制造、芯片封裝和測試等多個產(chǎn)業(yè)鏈環(huán)節(jié)于一身。英特爾為IDM的代表。

Fabless只負責芯片的電路設(shè)計與銷售，將生產(chǎn)、測試、封裝等環(huán)節(jié)外包。蘋果和AMD為Fabless的代表。Foundry只負責制造，不負責芯片設(shè)計，可以同時為多家設(shè)計公司服務(wù)，但受制于公司間的競爭關(guān)系。臺積電為Foundry的代表。目前英特爾GPU落后的主要原因是GPU制程的落后，根本原因是英特爾受困于IDM運作模式。隨著28納米以下先進制程的發(fā)展，芯片的制造成本和設(shè)計成本成指數(shù)級上升。同時，一條12英寸晶圓的生產(chǎn)線從建設(shè)到生產(chǎn)的周期約2年，投資至少3050億美元，資本支出占比80%，整體風險非常大。英特爾以有限的資源不支持它持續(xù)的設(shè)計和生產(chǎn)的的兩線作戰(zhàn)。

Fab+Fabless的模式通過充分發(fā)揮比較優(yōu)勢，分散了GPU設(shè)計和制造的風險，符合半導體分工的大趨勢。

▲IDM與Fab+Fabless對比

▲芯片設(shè)計費用趨勢（億美元）

13.GPU需求概述

過去20多年里，GPU的基本需求源于視頻加速，2D/3D游戲。隨后GPU運用自身在并行處理和通用計算的優(yōu)勢，逐步開拓服務(wù)器、汽車、礦機、人工智能、邊緣計算等領(lǐng)域的衍生需求。

雖然GPU無法離開CPU獨立運作，但是在當前“云化”加速的時代，離開了GPU的CPU也無法勝任龐大的計算需求。所以GPU和CPU組成了異構(gòu)運算體系，從底層經(jīng)由系統(tǒng)軟件和驅(qū)動層支持著上層的各種應用。GPU已經(jīng)成為了專用計算時代的剛需。