NVIDIAFermi体系架构技术预览.doc

NVIDIA Fermi 体系架构技术预览 “与只是简单地增加规模和满足 DirectX 11 的产品更新相比，Fermi 的设计团队解决了若干个 GPU Computing 方面最棘手的难题。” NVIDIA GPU 历史概要 本文将在 10 月 15 日微型计算机的杂志上发表，未经授权请勿转载 溯源——什么是 GPU？ 在 1999 年 8 月末，两家图形芯片公司一前一后各宣布了一款图形芯片，它们分别是 8 月 30 日的 Savage 2000（代号 S3 GX4）以及 8 月 31 日的 GeForce 256（代号 NV10）。虽然发布时间非常接近，但是前者由于关键的 TnL 单元存在瑕疵以及贫弱的驱动程序支持力度，让设计该芯片的 S3 Graphics 公司从此一蹶不振。与之相比，NVIDIA 公司凭借着 GeForce 256 以及衍生的产品，在市场上取得了巨大的成功。 NV10 管芯图，N10 晶体管数量 2300 万 在 GeForce 256 发布一年后，NVIDIA 的整体市场份额（统计数据包括笔记本、工作站、整合图形）从原先的 12% 提升到 22%。 同一时段，ATI 是从 29% 下跌到 22%；S3 Graphics 从 10% 下跌到不到 5%。Intel 由于整合图形芯片，因此能在这个时期的图形市场份额从 20% 提升到 33%，但是在半年后（01 年第二季度）英特尔的份额直线下跌到 14%，此时 NVIDIA 份额达到了 37%，成为真正的图形市场霸主。 在发布 GeForce 256 的时候，NVIDIA 提出了一个名为 GPU（Graphics Processor Unit）的概念，而 GPU 具体的含义被 NVIDIA 定义为，拥有整合的 TnL、三角形 Setup/Clipping，渲染引擎至少能达到每秒 10 百万三角形或以上的图形芯片。 当然，GPU 的这个定义实际上已经没有多少人还记得，人们现在更多的只是简单地把三维图形芯片称作 GPU，尽管在此后不久 3D Labs 公司提出了 VPU 的概念，并且 ATI 也曾经跟风过 VPU 一段时间，但是现在包括 AMD、Intel，他们已经完全接纳了 GPU 这个称呼，现在提起 VPU，更容易让人想起的是 VPU Recover 的 GPU 重置现象。 由于人们对图形效果真实性近乎无限的需求，现在的 GPU 已经远非 10 年前那个每秒处理 1500 万多边形、480 百万纹理元素的 GeForce 256 所能相提并论的。 从 GPGPU 到 GPU Computing 在现在的 GPU 上，TnL 处理已经不再是固定功能单元完成，而是由完全可编程的统一着色器单元执行，GPU 承担了几乎整个图形渲染流程并且开始在更多由 CPU 执行的传统任务中扮演重要的角色，例如从 2003 年开始我们就看到了在诸如蛋白质折叠、SQL 查询、核磁共振成像重建等适合于发挥并行运行特性的计算领域中有了 GPU 的身影。 当时的 GPU 非图形应用仍然使用 DirectX、OpenGL 这样的图形 API，人们称之为 GPGPU。虽然 GPGPU 证明 GPU 在通用计算上有潜力，但是要求程序员必须具备对这些图形 API 和 GPU 体系结构的知识，求解的问题需要采用顶点坐标、纹理、着色器程序等图形术语来描述。 虽然后来斯坦福大学提供了 Brook 高级 GPGPU 语言，程序员基本上不需要学习图形学上的概念，但是 Brook 实际上还是基于 3D API，只是可以使用类似 C 的语言来编写程序，经过 Brook 可以转换成 OpenGL GLSL、D3D HLSL。 因此 Brook 虽然简化了 GPGPU 学习过程，但是功能上就受到 3D API 的约束，诸如像可定址的读操作/写操作等基本的编程特性无法支持，导致编程模型受到很大的约束，最后受到当时 GPU 的限制，在某些科学应用中所需的双精度支持在当时的 GPU 中也是欠缺的。 在 2006 年，NVIDIA 籍发布 GeForce 8800 GTX（芯片代号：G80，架构代号：Tesla）的机会，推出名为 CUDA 的通用计算架构。 CUDA 其实是由硬件和软件两部分组成，在硬件而言，指的是 Tesla 及其衍生的硬件架构，而在软件而言，包括了 CUDA C 编译器以及围绕 Tesla 的各种开发工具（而在一些玩家心目中，提到 CUDA 的时候往往以为只是指 CUDA C，这样的想法并不正确或者至少并不全面）。 透过 CUDA 的扩展工具，程序员可以直接为针对通用用途的大规模并行处理器编写程序，而不是透过图形 API 给图形处理器编写程序。 对于这样的先进编程模型，NVID