仰序职业技能培训 咨询   关注    已有0人关注

要揭开这一谜团，我们首先要深入探索当前人工智能（AI）的核心技术——

人工智能，这一历史悠久的学科，自上世纪50年代起便不断在多个技术方向上探索，历经高潮与低谷。其中，一个早期却并不那么成功的流派——“人工神经网络”逐渐崭露头角。它的核心思想是，人脑的智慧无比卓越，要实现高级的人工智能，模仿人脑无疑是最为关键的道路。

人脑由数以亿计的神经元交织而成，这些神经元彼此相连，构建了一个庞大且复杂的神经网络。婴儿的大脑如同一张白纸，经过后天的学习，便能展现出惊人的智能。受此启发，科学家们设计出了人工神经元模型，并通过调整每个输入的权重，经过神经元的计算处理，得出相应的输出。这些权重，就是所谓的参数。当多个这样的神经元相互连接形成网络时，便构成了人工神经网络。

与婴儿的大脑相似，这样的人工神经网络起初是空洞无物的。它需要吞噬大量的数据，通过深度学习，形成自己的知识，才能解决实际问题。深度学习，作为机器学习的一个子集，正是通过喂给AI大量的带有答案的数据，让其自我寻找规律，从而实现智能的提升。

以监督学习为例，给AI的数据必须包含问题与答案。比如，为了让AI学会识别图片中的猫，我们需要给它提供大量包含猫的图片，并标注出猫的特征，让它自己从中找出规律。AI会基于初始权重对图片进行判断，并与正确答案进行比较，不断优化参数权重，直至其判断结果与正确答案高度吻合。

这个过程，就是训练。通常，只有给予AI足够多带有正确答案的数据，才能得到满意的训练效果。当我们认为训练足够充分时，便会对其进行测试。如果AI能够很好地应对未知问题，我们就认为训练是成功的，其“泛化”能力出色。

而在神经网络的训练中，从一层到另一层，参数权重的传递本质上都是矩阵的乘法和加法运算。神经网络参数规模庞大，训练时所需的矩阵计算量也极为巨大。最先进的深度学习神经网络可能拥有数百万到数万亿个参数，它们还需要大量的训练数据来保证高精度。这意味着需要进行大量的正向和反向传递运算来处理输入样本。由于神经网络是由大量相同的神经元构成的，这些计算具有高度的并行性。

面对如此庞大的计算量，CPU和GPU哪个更适合呢？

当我们谈论到大规模并行计算时，GPU（图形处理器）无疑成为了冲锋陷阵的勇士。与CPU那种全能型的管家角色不同，GPU更像是一位专注于特定任务的精英士兵，专为处理大量同类型数据而生。

GPU的内部结构使其特别适合进行大规模、高度并行的计算任务。它拥有众多的计算核心，每个核心都能独立处理数据，形成了一支庞大的计算大军。这种设计使得GPU在处理图形渲染、物理模拟等需要大量并行计算的任务时，能够展现出惊人的性能。

不仅如此，GPU的并行计算能力也被广泛应用于深度学习等人工智能领域。在神经网络的训练中，GPU能够高效地处理矩阵乘法和加法等运算，大大加速了训练过程。这使得GPU成为了AI大模型训练平台的基石，为人工智能的发展提供了强大的算力支持。

然而，GPU并非万能。虽然它在并行计算方面表现出色，但在处理复杂逻辑控制和任务调度方面，它仍然不如CPU擅长。因此，在实际应用中，我们通常需要结合CPU和GPU的优势，让它们协同工作，以实现最佳的性能表现。通常情况下，多核CPU的核心数量范围较为广泛，少则2至4个，多则可能达到数十个。

在智能手机刚崭露头角之际，由于手机外观趋于一致，其他特性也缺乏亮点，制造商们开始大肆宣传CPU的核数，这一时期的竞争被戏称为智能手机的“核战”。

那么，为何CPU不进一步增加核心数量呢？原因在于，CPU作为通用处理器，其任务复杂多样，既要处理各类数据计算，又要响应人机交互。这种复杂的任务管理和调度，使得CPU需要配备更为复杂的控制器和更大的缓存，以便进行逻辑控制和调度，同时保存各种任务状态，从而减小任务切换时的延迟。

随着CPU核心数量的增加，核心间的通信和协调压力也会逐渐增大，这可能会导致单个核心的性能下降。此外，核心数量的增加还会带来功耗上升的问题。如果各核心的工作负载分布不均，整体性能甚至可能不升反降。

GPU之所以能够超越CPU，成为AI大模型训练平台的决定性算力底座，主要是因为其出色的并行计算能力。在未来的发展中，随着人工智能技术的不断进步和应用场景的不断拓展，GPU的地位将会更加稳固，其在计算领域的重要性也将愈发凸显。

接下来，我们聚焦于GPU（图形处理单元）。GPU最初是为了减轻CPU的负担，专门用于加速三维图形渲染而设计的，常见于电脑的显卡之中。

图像处理本质上是一种针对矩阵的密集并行计算。想象一下，一幅图像由无数个像素点构成，这些像素点可以自然地被表示为一个庞大的矩阵。

自1999年Nvidia推出其GeForce256以来，GPU这一名词逐渐广为人知。GeForce256能够同时对每一个像素点进行处理，执行图形转换、照明和三角剪裁等数学密集型并行计算，从而极大地提升了图像渲染的速度。

那么，为何GPU在承担密集的并行计算方面如此出色呢？这主要归功于其独特的架构。

与CPU不同，GPU的核心数量众多，但每个核心的运算能力相对较弱，缓存也较小。然而，正是通过增加核心数量，GPU得以在并行计算中大展拳脚，轻松应对大量简单的计算任务。

随着时间的推移，GPU的灵活性和可编程性得到了显著提升。如今，它已不再局限于图像显示渲染，而是广泛应用于高性能计算、深度学习等其他领域。

特别值得一提的是，在人工智能这一并行计算需求急剧增长的领域，GPU凭借其出色的并行计算能力，成功地从边缘角色跃升至舞台中央，成为炙手可热的计算工具。其名字也随之演变为GPGPU，即通用GPU。

将AI训练这种天然并行性映射到GPU上，相较于仅使用CPU进行训练，速度得到了显著提升。这使得GPU成为训练大型、复杂的神经网络系统的首选平台。同样，推理操作的并行特性也使其非常适合在GPU上执行。

因此，由GPU作为主要算力提供者所带来的计算能力，也被誉为“智算”。