Hello folks，我是 Luga，今天我们来聊一下人工智能（AI）生态领域相关的底座技术 - NVIDIA GPU Core。
近年来，如果大家使用过 NVIDIA 的 GPU，一定对“ GPU Core”有所耳闻。那么，这玩意 究竟是什么？
现代 NVIDIA GPU 的强大性能源于其内部精心设计的多类型核心架构，其中 CUDA cores、Tensor cores 和 Ray-Tracing cores 各司其职，共同推动 GPU 在计算性能、人工智能和图形渲染等领域的跨越式发展。
一、CUDA Cores：并行计算的基石
CUDA cores（Compute Unified Device Architecture cores）是 NVIDIA GPU 中最基础的处理单元，专门用于执行并行计算任务。其主要职责包括处理大规模的浮点运算和整数运算，尤其适合需要高吞吐量的计算场景。
GPU 内部的处理单元被称为 CUDA 核心。CUDA 是“Compute Unified Device Architecture”（计算统一设备架构）的缩写。这个术语旨在描述 GPU 的并行计算能力，以及允许我们访问 GPU 中 NVIDIA CUDA 核心指令集的应用程序接口（API）。这些核心是 NVIDIA GPU 的基石，自 2006 年首次推出以来，已成为高性能计算领域不可或缺的重要组成部分。
CUDA 核心的设计特点是 “多线程并行执行”，能够一次性运行数千甚至数百万个线程。这种架构使 GPU 在以下任务中表现卓越：
- 图像和视频处理：通过对像素和帧进行并行处理，显著提升渲染效率。
- 科学计算：例如粒子模拟、气象预测等需要密集计算的领域。
- 实时物理计算：如游戏中的碰撞检测、流体模拟等。
CUDA cores 核心优势主要体现在如下几点：
- 大规模并行性：CUDA cores 通常以成千上万的数量存在，其核心数显著高于传统 CPU 核心。
- 高计算效率：通过简化指令流水线，提高并行任务的执行速度。
- 广泛的开发工具支持：NVIDIA 提供了完整的 CUDA 开发工具链，帮助开发者编写高效的并行代码。
CUDA cores 典型应用包括但不限于如下：
- 视频转码（如 NVIDIA NVENC）：加速高分辨率视频的编码和解码。
- 3D 渲染：在 Blender 或 Maya 等软件中显著提升渲染速度。
- 深度学习基础运算：为复杂矩阵运算提供底层计算支持。
二、Tensor Cores：AI 核心驱动力
作为 NVIDIA GPU 中的第2大核心，Tensor cores 为深度学习模型训练和推理任务专门设计的计算单元，首次引入于 Volta 架构（如 Tesla V100）。其核心特性是能够在 张量运算（Tensor Operations）中表现出色，例如矩阵乘法和累加计算（Matrix Multiplication and Accumulation, MMA）。
相比传统的 CUDA cores，Tensor cores 能够以 混合精度（FP16/FP32 或更高精度）处理大规模矩阵运算，这显著提升了深度学习任务的性能和效率。通常而言，Tensor cores 的性能优势在于其专用性。例如，在矩阵计算任务中，其性能往往是 CUDA cores 的数倍，尤其是在处理 FP16 或 INT8 类型的高效计算时。
Tensor cores 核心优势主要体现在如下几点：
- 混合精度计算：通过在性能与精度之间找到平衡，Tensor cores 可实现 10 倍甚至更高的运算速度。
- 针对 AI 优化：专为神经网络的训练和推理任务设计。
- 低延迟高吞吐量：加速深度学习中占主导地位的线性代数运算。
Tensor cores 典型应用包括但不限于如下：
- 深度学习训练：如神经网络的前向传播和反向传播计算。
- 推理优化：在实时语音识别或图像分类任务中显著提升推理速度。
- 生成式 AI：支持像 GPT-4、DALL-E 这样的生成模型加速计算。
- 大规模 AI 框架支持：TensorFlow、PyTorch 和 JAX 等深度学习框架已深度集成对 Tensor cores 的优化。
三、Ray-Tracing Cores：渲染技术的革命者
作为 NVIDIA GPU 最后一个核心，Ray-Tracing cores 是 NVIDIA 针对光线追踪渲染技术专门设计的核心单元，首次引入于 Turing 架构（如 RTX 20 系列）。其主要任务是加速光线追踪计算，即模拟光线在 3D 场景中的传播和交互，以实现逼真的光影效果。
光线追踪的关键任务：
- 光线与场景交互检测（Ray-Object Intersection Detection）：快速判断光线是否与场景中的几何体相交。
- 路径追踪（Path Tracing）：模拟光线的多次反射和折射路径，生成真实感光影效果。
- 动态光影渲染：支持实时生成动态场景中的光影变化。
Ray-Tracing cores 核心优势主要体现在如下几点：
- 硬件加速：相较于传统的软件光线追踪，Ray-Tracing cores 能够以更高效率完成复杂光线计算。
- 实时性能：在高分辨率游戏和虚拟现实场景中实现实时光线追踪效果。
- 兼容性与扩展性：支持 NVIDIA 的 RTX 技术（如 DLSS）进一步优化性能。
Ray-Tracing cores 典型应用包括但不限于如下：
- 高端游戏：如《赛博朋克 2077》和《战地 V》，提供真实的光影和反射效果。
- 电影特效：提升 CG 动画渲染效率和视觉效果。
- 虚拟现实：增强 VR 场景中的沉浸感。
通常而言，在现代 NVIDIA GPU 工作机制下，尽管 CUDA cores、Tensor cores 和 Ray-Tracing cores 在功能上分工明确，但它们并非孤立运行，而是以互补和协同的方式共同完成任务。以下从硬件架构和应用场景两方面，剖析三者之间的关系，具体可参考：
1. 硬件架构中的关系
- 共享基础资源：三种核心都集成在 GPU 的 Streaming Multiprocessor (SM) 模块中，SM 通过共享缓存、寄存器和内存接口，使得三者能够高效协同工作。
- 多任务调度：CUDA cores 负责通用计算任务，而当涉及特定的深度学习推理或训练时，任务会由 Tensor cores 加速执行。对于需要实时光线追踪的场景，Ray-Tracing cores 会接管相关计算。
- 统一编程模型：NVIDIA 提供统一的 CUDA 编程框架，使开发者能够灵活调配三种核心的资源。例如，开发者可以通过 CUDA 代码调用 Tensor cores 的矩阵加速功能，或在光线追踪算法中结合 CUDA cores 进行辅助计算。
2. 应用场景中的关系
三种核心的协同作用在实际应用中尤为明显，它们通过分工合作提升了计算效率：
(1) 深度学习中的协同作用
Tensor cores 提供高效的矩阵计算，用于深度神经网络训练和推理。
CUDA cores 处理预处理、数据加载和其他非矩阵计算任务，为 Tensor cores 减轻负担。
在某些生成式模型（如 GAN 和 Stable Diffusion）中，Ray-Tracing cores 可用于生成更真实的图像效果。
(2) 游戏与图形渲染中的协同作用
Ray-Tracing cores 处理复杂的光线追踪运算，如反射、折射和全局光照。
CUDA cores 辅助执行像素着色、几何计算和纹理映射等传统渲染任务。
Tensor cores 加速 AI 驱动的渲染技术（如 NVIDIA DLSS），通过深度学习优化渲染质量和性能。
(3) 科学计算中的协同作用
CUDA cores 负责通用的数值计算和模拟任务。
Tensor cores 加速涉及矩阵运算的高性能计算任务，如气候模拟和分子动力学仿真。
Ray-Tracing cores 可用于科学可视化中的光线追踪渲染，生成高质量的三维图像。
此外，三种核心的协同工作使得 NVIDIA GPU 能够在多种应用场景中展现出卓越性能，其主要优势包括：
(1) 性能最大化
不同核心各司其职，分担不同计算任务，提高整体吞吐量。例如，在 AI 模型训练中，Tensor cores 执行矩阵运算，CUDA cores 执行辅助任务，从而实现更快的训练速度。
(2) 多功能性
三种核心的结合使得 GPU 不仅能够胜任通用计算任务，还能处理 AI 推理和实时渲染等高度专业化任务，扩展了 GPU 的应用范围。
(3) 节能与效率
通过为不同类型的任务分配最合适的硬件资源，GPU 的功耗得以优化。例如，Tensor cores 的设计使其能够在较低的功耗下完成高效矩阵计算。
总而言之，CUDA cores、Tensor cores 和 Ray-Tracing cores 的分工明确却又紧密协作，代表了现代 GPU 的三大计算支柱。CUDA cores 提供通用计算能力，Tensor cores 专注于 AI 加速，而 Ray-Tracing cores 为光线追踪渲染提供支持。三者在硬件架构、任务协作和应用场景中形成了高效的协同关系，为深度学习、科学计算、图形渲染等领域带来了革命性突破。
未来，随着任务复杂度的提升和计算需求的增长，三者的协同作用将进一步深化，推动 GPU 技术继续引领高性能计算的前沿。
Happy Coding ~
Reference ：https://developer.nvidia.com/
