GPU（Graphics Processing Unit，图形处理器）是计算机核心硬件之一，最初设计用于处理图形渲染（如游戏、视频编辑），但因其并行计算能力极强，如今已成为人工智能、科学计算、深度学习等领域的核心算力支撑（这也是计算机科学领域科研 / 求职中高频接触的硬件）。

一、GPU 的核心本质：“并行计算专家”

要理解 GPU，最关键的是对比它与 CPU（中央处理器）的设计差异 —— 两者的核心区别在于 “任务处理模式”，用通俗类比就能快速明白：

简单说：CPU 像 “全能手”，擅长处理需要逻辑判断、步骤依赖的复杂任务；GPU 像 “千手观音”，不擅长复杂逻辑，但能同时开工处理海量重复、独立的简单任务 —— 这正是 AI、深度学习、科学计算的核心需求（比如训练神经网络时，需要对海量数据做相同的矩阵乘法）。

二、GPU 的发展历程：从 “图形专用” 到 “通用算力”

1. 早期（1990s-2000s）：图形渲染专用最初 GPU 的唯一作用是处理图形数据：比如将 3D 模型转换为屏幕上的 2D 图像、计算光影效果、纹理贴图（游戏画面、电影特效的核心）。此时的 GPU 功能单一，仅支持图形相关指令。

2. 中期（2010s 后）：通用计算崛起随着 CUDA（NVIDIA 推出的通用并行计算架构）、OpenCL（跨平台并行计算标准）的出现，GPU 开始支持 “非图形任务”—— 开发者可以通过这些框架，让 GPU 处理任意需要并行计算的任务（如科学模拟、密码破解、AI 训练）。关键转折点：深度学习的爆发。神经网络训练需要对海量数据做重复运算，GPU 的并行能力比 CPU 快数百倍，成为 AI 研究的 “必备工具”（比如训练一个大型语言模型，用 CPU 可能需要几年，用 GPU 仅需几周）。

3. 现在：算力核心，跨领域渗透如今 GPU 已成为计算机科学、人工智能、量子计算、生物医药、气象预测等领域的核心算力支撑，甚至被称为 “AI 时代的 CPU”—— 没有强大的 GPU，就没有当前的大模型、自动驾驶、基因测序等技术突破。

三、GPU 的核心应用场景（结合科研 / 工作实际）

1. 深度学习与 AI 研究

   • 模型训练：用 GPU 并行处理海量训练数据（如 ImageNet 图像分类、大语言模型预训练），主流框架（TensorFlow、PyTorch）均深度优化 GPU 支持。
   • 模型推理：部署 AI 模型时（如实时图像识别、语音翻译），用 GPU 加速推理速度（比 CPU 快 10-100 倍）。

2. 科学计算与数值模拟

   • 如流体力学模拟、量子力学计算、分子动力学（生物医药领域的蛋白质结构预测）、气象数据处理 —— 这些任务需要对海量数据做重复运算，GPU 能大幅缩短计算时间（比如原本 CPU 需要 1 个月的模拟，GPU 可能 1 天完成）。

3. 图形与多媒体处理

   • 视频编辑（如 4K/8K 视频渲染、特效制作）、3D 建模（如科研中的场景仿真）、虚拟现实（VR/AR）—— 这些是 GPU 的传统强项，科研中可能用于可视化实验结果（如 3D 展示神经网络结构、模拟数据的空间分布）。

4. 高性能计算（HPC）超级计算机（如鹏城实验室的 “鹏城云脑”）的核心算力由 GPU 集群构成 —— 通过数千块 GPU 协同工作，处理国家重大科研项目（如人工智能、气候预测、航空航天仿真）。

四、主流 GPU 厂商与核心产品（科研 / 工作高频接触）

1. NVIDIA（英伟达）

   • 优势：CUDA 生态垄断（深度学习框架、科研软件优先支持）、性能领先、算力密度高。
   • 核心产品：

     • 数据中心级：A100、H100（科研 / 大模型训练首选，算力极强，价格昂贵，单卡数十万元）；
     • 消费级（科研入门 / 个人使用）：RTX 4090、RTX 3090（性价比高，支持深度学习加速，单卡 1-3 万元）。

2. AMD（超微半导体）

   • 优势：价格更低、支持 OpenCL 生态，部分科研软件（如流体力学模拟）优化较好。
   • 核心产品：MI250（数据中心级）、RX 7900 XTX（消费级）—— 生态不如 NVIDIA 完善，但性价比高。

3. 华为（Ascend）

   • 优势：自主研发，适配国产深度学习框架（MindSpore），适合国内科研机构 / 企业（规避制裁风险）。
   • 核心产品：Ascend 910（对标 NVIDIA A100，大模型训练）、Ascend 310（推理部署）。

4. Intel（英特尔）

   • 产品：Data Center Max 系列（数据中心级）、Arc 系列（消费级）—— 生态尚不成熟，科研领域应用较少。

五、科研中使用 GPU 的关键注意点

1. 算力选型：

   • 模型训练（如大模型、复杂神经网络）：优先选数据中心级 GPU（A100、H100、Ascend 910），显存大（80GB+）、算力强，支持多卡协同；
   • 模型推理 / 小型实验：消费级 GPU（RTX 4090、RX 7900 XTX）足够，显存 12GB + 即可满足大部分中小型模型需求。

2. 软件适配：

   • 深度学习框架：TensorFlow、PyTorch 默认支持 NVIDIA GPU（需安装 CUDA Toolkit），华为 GPU 需安装昇腾 AI 框架（MindSpore、TensorFlow/Ascend 版）；
   • 科研软件：MATLAB、ANSYS、GROMACS（分子动力学）等均支持 GPU 加速，需确认软件的 GPU 适配版本（如是否支持 CUDA/OpenCL）。

六.GPU 核心性能指标解释

1. 计算核心相关
   • CUDA 核心：NVIDIA GPU 的基础计算单元，负责浮点运算、整数运算等通用任务，同架构下数量越多，并行处理通用任务的能力越强。AMD 对应核心为流处理器，作用类似。
   • Tensor 核心：NVIDIA 专属专用计算单元，专为深度学习的矩阵运算设计，通过混合精度计算大幅提升 AI 训练和推理效率，是其在 AI 领域的核心优势之一。AMD 则通过 AI Tensor Engine（AITER）实现类似功能。
2. 算力指标
   • TFLOPS：每秒浮点运算次数，衡量计算性能的核心指标，1TFLOPS=10¹² 次 / 秒，需结合精度区分，如 FP8（适合大模型训练推理）、FP16（兼顾速度与精度）、FP32（通用科学计算）、FP64（高精度科学计算如量子模拟）。
3. 显存相关
   • 显存容量：决定 GPU 可加载的模型参数、数据量大小，大模型训练推理需大容量显存避免内存溢出，主流数据中心级 GPU 显存已达 80GB 以上。
   • 显存带宽：单位 GB/s，衡量显存读写速度，直接影响数据传输效率，带宽越高，处理大批量数据时越流畅，计算公式为显存带宽 = 位宽 × 显存频率 ÷8。
   • 显存类型：主流为 GDDR7（消费级）、HBM3（数据中心级），HBM3 带宽远高于 GDDR7，适配高负载场景。
4. 互联与功耗
   • 互联技术：如 NVIDIA 的 NVLink，用于 GPU 间高速通信，提升分布式集群的协同效率；AMD 则通过 Infinity Fabric 实现类似功能。
   • 功耗（TDP）：反映 GPU 能耗，高功耗通常对应高性能，但需匹配散热方案，否则会因降频影响性能稳定性。