顯卡的GPU是如何工作的,它的算力為甚麼如此強悍

工业原理
9粉絲
4 次觀看·2026年10月15日
AI 生成·可能包含錯誤
視頻概述
AI 生成本影片深入淺出地解釋了顯卡(GPU)的工作原理。GPU 透過集成數十億個晶體管與數以千計的核心,專精於大規模並行計算。影片詳細說明了 GPU 如何將海量任務分組打包以提高分配效率,並透過快速切換任務包來解決內存延遲問題,使其在圖形渲染、AI 深度學習及加密貨幣挖礦等領域發揮強大實力。
顯卡的原理看似複雜,其實一點也不簡單
顯卡里面最重要的就是這塊芯片,被稱爲GPU
GPU和CPU類似,都是通過
成百上千個針腳連接到PCB電路板的
但是就是這麼一塊小芯片,裏面卻集成了
超過100億個晶體管
如果將芯片放大到納米級別,可以看到
裏面是一座座的高科技迷宮
與CPU只有少數幾個核心不同的是
GPU的核心能達到幾千甚至上萬個
雖然GPU核心衆多,但是它只擅長做相對簡單的計算
尤其是大規模的並行計算。
什麼是並行計算呢?這是一張圖片,圖片由很多像素組成
GPU在渲染圖片時,像素並不是一個接一個按順序計算的
因爲順序計算,會導致其他的核心不工作
都跑一邊喝茶聊天去了,計算效率大大降低
所以GPU策略是誰搶到資源誰計算
計算之間相互獨立
最終只要將圖片組合在一起顯示出來就可以了
現在我們來看一下GPU是如何展現它恐怖的計算實力的
這裏有100個任務需要GPU進行處理
每個任務被稱爲一個線程
最理想的方法是
這100個任務分配給100個核心一起處理
問題是
GPU處理的任務太龐大了
如果需要處理100萬個線程
就要使用100萬個核心
這是不現實的
解決方案就是以線程爲中心進行處理
這裏有100萬個線程任務
對應一個擁有1000個核心的GPU
處理時
我們需要將100萬個線程
分別發送到核心的某個地方
分配過程異常複雜
爲了方便
現在我們將核心分成10個處理單元
每個單元裏面100個核心
然後再進行任務分配
這樣雖然簡單了一些
但是依舊還是很複雜
可以這樣
我們將100萬個線程任務也進行分組
每1000個任務一組
一共1000組
再進行分配的話就簡單多了
但是有個問題
這裏的每組任務裏面有1000個
而每個處理單元裏面只有100個核心
還是不能一次處理掉每組任務
那怎麼辦呢
很簡單
將1000組任務再進行分組
每100個任務打包在一起
分成10個包
一個包對應一個處理單元裏面的100個核心
從而一對一進行處理
GPU就是以包爲單位來處理任務的
目前市面上比較先進的顯卡
核心數量超過1萬個
這些核心每128個分爲一組
核心組的任務也是每128個任務打包在一起
所以一個包可以分配給一組核心來執行
有個問題
當核心執行任務時
需要從內存中讀取數據
這會產生一定的延遲
那GPU是如何解決延遲問題呢
CPU解決延遲問題是通過增加高速緩存來解決的
我們來看一下GPU的解決方案
當核心組在執行一個任務包時
如果出現延遲
它並不會等待
而是立即執行下一個任務包
如果繼續出現延遲
它又會立即跳到下一個
也就是說GPU的核心會不停地進行運算
只要有活幹任勞任怨
GPU一開始主要是爲了加速圖形渲染而設計的
但是它大規模處理問題的能力
剛好與現今高速發展的人工智能不謀而合
人工智能一個重要技術就是深度學習
學習過程需要輸入大量的數據
然後對其進行並行運算
得出預期結果值
而這正是GPU所擅長的
所以GPU常用來訓練AI模型
在實際應用中
最爲人所熟知的就是比特幣挖礦
比特幣的開採方式是不斷添加任意數字
直到得到規定的哈希值
這種挖礦的方式又是GPU極其擅長的
所以顯卡在比特幣挖掘中至關重要
