1. 核心术语定义与层级关系

1.1 GPU (Graphics Processing Unit)

• 定义：图形处理器，一种专为处理大规模并行计算而设计的微处理器芯片。
• 本质：它是执行算术逻辑运算（ALU）和浮点运算（FPU）的核心硅片。
• 架构特征：采用“大规模并行架构”（Massively Parallel Architecture），拥有数千至数万个轻量级计算核心，擅长处理高吞吐量（Throughput）任务，而非低延迟（Latency）任务。

1.2 显卡 (Graphics Card / Video Card)

• 定义：搭载 GPU 芯片的扩展电路板（PCB），是 GPU 的物理载体。
• 组成结构：
  • GPU 核心：计算引擎。
  • 显存 (VRAM)：高速内存，用于存储纹理、帧缓冲及大型模型参数。
  • 供电模块 (VRM)：为 GPU 提供稳定电流。
  • 散热系统：风扇或液冷装置，解决高算力带来的热功耗问题。
  • 输出接口：HDMI/DisplayPort 等，用于连接显示器。
• 关系辨析：GPU 是“心脏”，显卡是“躯体”。口语中常混用，但在技术语境下，GPU 指芯片，显卡指硬件板卡。

1.3 显示器 (Monitor) vs. 显卡

• 区别：显示器是输出终端设备（Output Device），仅负责光信号显示；显卡是计算与渲染设备（Compute & Rendering Device），负责生成图像数据。两者通过视频线缆连接，功能完全独立。

2. GPU 的存在形式与分类

2.1 集成显卡 (Integrated Graphics / iGPU)

• 架构：GPU 核心直接封装在 CPU die 内部，与 CPU 共享系统内存（RAM）作为显存。
• 性能特征：
  • 算力有限，功耗低。
  • 主要服务于基础图形渲染管线（Desktop Composition, Video Decoding, Basic 3D）。
• 应用场景：办公电脑、轻薄本、普通服务器（仅用于系统维护亮机）。
• 局限性：由于带宽和算力限制，无法胜任大规模深度学习训练或高精度光线追踪。

2.2 独立显卡 (Discrete Graphics / dGPU)

• 架构：GPU 作为独立芯片安装在专用电路板上，拥有独立的显存 (GDDR/HBM) 和专用供电/散热系统。
• 性能特征：
  • 具备极高的并行计算吞吐量（TFLOPS）。
  • 拥有专用的 Tensor Cores（张量核心）或 RT Cores（光追核心）。
• 应用场景：高性能游戏工作站、AI 训练/推理服务器、科学计算集群、3D 渲染农场。
• 必要性：运行大语言模型（LLM）、扩散模型（Diffusion Models）等深度学习任务的必要条件。

3. CPU 与 GPU 的计算范式对比

4. GPU 的功能演进：从图形渲染到通用计算

4.1 传统职能：图形渲染管线 (Graphics Pipeline)

• 职责：负责将 3D 模型数据转换为 2D 屏幕像素（光栅化、着色、纹理映射）。
• 现状：即使是集成显卡也能高效完成此任务，保障用户界面的流畅显示。

4.2 现代职能：通用并行计算 (GPGPU)

• 技术背景：随着 CUDA (Compute Unified Device Architecture) 等编程模型的成熟，GPU 被解放出来用于非图形类的科学计算。
• 核心原理：深度学习的核心运算——矩阵乘法 (Matrix Multiplication) 和 卷积运算 (Convolution)，具有高度的数据并行性，完美契合 GPU 的架构特性。
• 能力跨越：
  • 过去：GPU 仅用于“让屏幕显示画面”。
  • 现在：GPU 成为 AI 计算的基石。高性能独立 GPU（如 NVIDIA H100/A100）能够加速神经网络的反向传播与推理过程，将训练时间从“月”级缩短至“天”甚至“小时”级。

5. 总结论

1. 普遍性：所有现代计算机均包含 GPU 单元（集成或独立），这是图形显示的物理基础。
2. 性能分层：
   • 集成 GPU 满足基础显示需求（UI、视频播放）。
   • 独立 GPU 提供工业级算力，是人工智能、高性能计算（HPC）及高端图形渲染的必备硬件。
3. 角色转变：GPU 已从单一的“图形加速器”演变为“通用并行计算引擎”。在 AI 时代，算力即权力，而 GPU 正是这一权力的核心载体。
4. 软件生态：通过 CUDA（底层驱动/语言）和 Triton（高层编译器/抽象），开发者得以释放 GPU 的并行潜力，无需关注底层硬件细节即可实现高性能计算。