通用图形处理器为军用信号处理应用系统的设计人员提供了可以利用的图形处理技术，几乎免费地得到了极大的嵌入式并行处理能力。 通用图形处理器在航空航天和防务应用中的增长正是将现成的商用技术用于军事技术领域的实例。 富兰克林说，图形处理器的主要应用仍然是图形处理，虽然图形处理器制造商在计算机游戏中所挣的美元数以十亿计，但是像NVIDIA那样的公司每研发一个系列的图形处理器都要投入20亿美元的成本。 通用图形处理器的开放性软件库的内容也在增加，使得通用图形处理器的软件得到更为广泛的应用。 现在也有许多Linux操作系统可以供下载和增加通用图形处理器的材料。
GPGPU芯片上会放很多运算单元，让这些运算单元最适当组合并拥有最高的运算效率实现难度极大，一个部分计算单位效率不佳，对整个芯片的影响将放大上千倍。 gpgpu 后来，英伟达经过多次迭代，发掘了许多图形之外的应用领域，诸如超算、医疗、科学运算等，并获得了不错的回报，并使用GTX/RTX和Tesla两个前缀区分显卡和AI加速卡。 随着人工智能产业爆炸式增长，导致计算复杂化和算力不足，加上CPU并行计算能力不及GPU，使得GPU的通用性计算优势愈发明显，在一众xPU中脱颖而出，成为算力时代VIP。 图三：使用AIDA64对GPGPU进行测试GPGPU的测试界面如图四所示，在对话框下方选择“start benchmark”这个选项即可开始测试，只需要稍微等待一下就能够看到测试结果了。
gpgpu: 使用者工具
一块GPU芯片的研发周期从立项到上市至少要3～5年，好的芯片要经过架构和应用打磨，这个过程也不可能低于两年。 GPU不可能一年半载就设计出来并跑通应用，有可能设计全是外包，或是将已流片的设计的Spec配置稍作修改。 与GPU创业高热相伴的，是从未间断的质疑声：估值虚高，PPT发布，套壳马甲……一些国内GPU创企推出的产品，被认为已经背离了芯片研发规律，成为融资的工具跳板，后生们不讲武德，坏了规矩。 通常一款高端芯片前端和后端设计要耗时1~3年，设计完成后流片环节需要3~6个月，期间还会有流片失败一切重来的风险。 即使成功流片，还需经过3~12个月的产品测试调优，才能开启量产。 近几年GPU大会显示的趋势是：GPU将会向大规模扩展计算能力的高性能计算（GPGPU）、人工智能计算（AIGPU）、更加逼真的图形展现（光线追踪 Ray Tracing GPU)三大主要方向发展。
固定渲染流水线涉及较多的数学公式，因此比较依靠编译器和驱动等软件能力，GPGPU在硬件和应用层面较为复杂。 海思做GPU，前后花了4年半，在华为强大流程体系支持下尚且如此，初创企业难度更大。 近两年，受市场需求以及政策、资本的推动，GPU在国内受到疯狂追捧。 地缘政治、大国博弈背景下，相较于已有一定积累的国产CPU，国产GPU的破局更具紧迫性和必要性。 gpgpu 人才储备程度，科创板提供的退出机制，也为国产GPU的发展创造了良好契机。
gpgpu: 一窩瘋「人工智慧晶片」前，你需要知道的幾件關於 GPGPU 的事
GPU的成功和成熟需要大量的验证和出货，这就需要国产GPU厂商瞄准目标应用市场发力。 芯动科技去年推出的渲染GPU‘风华1号’80%以上的IP都属于自主研发。 既然已经获得了架构授权，芯动科技就可以不受限制地自行改进，能够做到自主可控。 核心IP国内有Imagination、芯原、格兰菲等厂商，相对而言，Imagination认可度较高，芯原是后起之秀，格兰菲主要面向特定领域用户。 GPGPU、通用GPU、全功能GPU、图形GPU、渲染GPU、GPU+……在国内，GPU命名上的文字游戏已被厂商们玩坏，也让外界对这些产品一时云里雾里。
集微网同产业人士进行交流，探寻国产GPU创业浪潮风起云涌的背后。 仔细丈量国产GPU的“成色”，或许有助于更加清醒地正视现实。 gpgpu 高算力的GPGPU芯片，底层硬件如同迷宫，设计和生产的要求十分复杂、专业和苛刻。
GPGPU適合平行運算應用，因為核心數很多，勝任的工作種類不及CPU，但擅長處理大量圖像數據。 因此，許多高效能運算伺服器運用GPGPU達到超級電腦的運算水準，藉此發展先進技術、推動科學研究。 图二：使用AIDA64查看电脑GPGPU详细信息AIDA64除了能够查看GPGPU的详细信息之外，还能够针对GPGPU进行测试，从而让用户更直观的了解自己电脑GPGPU的实际水平。 gpgpu 点击“GPGPU”这一选项，随后就能够看到电脑GPGPU的详细信息了，它能够查看电脑GPGPU支持的功能以及设备制造商等等信息。
gpgpu: GPGPU 架構設計
虽然除了芯动科技以外，官方没有明确透露有哪些国产芯片厂商与Imagination达成了合作，但完美世界、腾讯游戏、网易游戏等游戏公司都出面为PowerVR Photon这个“移动GPU领域最先进光追架构”站过台。 Imagination中国区战略市场与生态副总裁时昕博士提及，GPU软件极为复杂，包括各种图形API和计算接口、基础库、与上层应用对接适配等等，开发工作量巨大。 在步日欣看来，GPU作为高性能的大芯片，在短期内出成果，必然需要依赖外部IP。 国产GPU厂商能够快速推出相关产品，很大程度上依靠外购IP。 在显卡这个成熟市场，强势的英伟达、AMD令后来者难以立足，加之支持桌面级显示和游戏渲染的显卡，背后需要很多技术支持和迭代，因此市场由国外巨头长期把控。 不过，该领域并非没有“叫板者”，只是门槛过高，强如Intel，也难以如愿。
- 結合兩種不同處理器是異質運算的一種應用，也是許多創新科技發明背後的成功因素；比方說，運用機器學習和深度學習開發人工智慧，可使用GPGPU來提升效率。
- GPGPU并不比GPU更厉害，只是去掉GPU的图形显示部分，将其余部分全部投入通用计算，并成为AI加速卡（一种并行计算硬件）的核心。
- 仔细丈量国产GPU的“成色”，或许有助于更加清醒地正视现实。
- 歐洲核子研究組織使用技嘉G482-Z51分析大型強子對撞機產出的數據，尋找神秘的底夸克；西班牙巴塞隆納大學理論與計算化學研究所，購買技嘉G292-Z42和其他伺服器，將資料中心的運算效能提升約40%。
- 通用图形处理器的开放性软件库的内容也在增加，使得通用图形处理器的软件得到更为广泛的应用。
- 實際案例包括西班牙跨學科物理和複雜系統研究所，運用技嘉G482-Z54進行氣候變遷、再生能源、COVID-19疫情相關的重要研究計畫；臺灣師範大學運用G190-H44和其他伺服器，建置泛用型「雲端運算平台」，供師生使用。
通用圖形處理器英文名稱是GPGPU，是圖形處理器的一種；和其他GPU的差別是，GPGPU不是用來繪製電腦動畫，而是協助中央處理器分擔工作。 結合兩種不同處理器是異質運算的一種應用，也是許多創新科技發明背後的成功因素；比方說，運用機器學習和深度學習開發人工智慧，可使用GPGPU來提升效率。 现在，不仅通用图形处理器芯片的应用领域从单一的图形处理装置扩展到了信号处理装置，而且通用图形处理器的软件编程语言也在向着信号处理和通用处理扩展。
对于一家初创公司的首颗GPU产品来说，如果要同时自研渲染GPU的固定渲染流水线IP、统一着色器（shader）IP，需要的时间和人力成本将非初始的几百人团队可以承受。 因此，沐曦采取先做GPGPU，再发展图形渲染GPU的模式。 在自研GPGPU中，只有统一着色器IP，不需要固定渲染流水线，这样可以在自研GPU的道路上一步一个脚印稳健前行。 芯动科技首席SoC架构师认为，图形渲染GPU因为经过了十几年的演化进程，流水线长，实现起来复杂，设计上的挑战更大，同时存在很多专利陷阱。 目前国内初创GPU公司，结合优势和阶段性定位，分别采取了不同的切入路线。 其中GPGPU公司包括壁仞、沐曦、登临、天数智芯、红山微电子、珠海芯动力等，渲染GPU企业包括摩尔线程、励算、深流微、瀚博、芯瞳、格兰菲等。
GPU挖矿主要挖的是以太坊，其价格在一年间增长了4.8倍。 而在这之前，芯动科技的业务之一是生产挖比特币用的ASIC矿机。 如手机GPU搭载光线追踪成为一大趋势，Imagination与高通走在前面，苹果如坚持自研，就要绕过已有专利提出新方法，如此则面临跟不上产品更新换代节奏的风险。 ARM的Mali系列GPU主打移动端，被联发科、三星、华为海思选用。 不过海思前景不明，三星也开始着手在AMD架构授权下自研IP。
gpgpu: GPGPU | 通用圖形處理器
现在摩尔线程仅用18个月时间，量产上市了一款全功能国产GPU。 国内GPU距离国际大厂还有很长的距离，特别是目前的竞争格局下，国内GPU还处于野蛮生长阶段，虽然资本市场较为关注，但同质化竞争和创业造成了很大的人才和资金的浪费，一定程度上制约了国产GPU的发展进程。 在最终量产和商业化产品出来之前，国产GPU还没到谈论生态和应用层面的地步，GPU生态是除产品外初创企业能否活下来的重要因素，是一开始就要考虑的问题。 李锴认为，国内GPU底层技术空白点较多，IP大多受制于国外厂商，产品前端稳定性不理想，目前又很难在主线中高端电子产品上得到普及化应用，需多年沉淀形成自主IP积累才能具有一定替代性。 考虑到GPU的研发非常考验项目的目标管理能力，对于团队能力和组织工程能力要求很高，初创企业由于能力有限，短期内如果自研路线不顺利，会选择大量外购IP或“马甲”路线。 但从长远看，公司团队的成长、市场定位以及盈亏平衡不能得到保证，会逐渐拉开跟行业领先公司的差距。
功能的验证，用户的培养需要额外3-5年，每年还要至少开支1000万-3000万元资助外部开发者。 GPGPU并不比GPU更厉害，只是去掉GPU的图形显示部分，将其余部分全部投入通用计算，并成为AI加速卡（一种并行计算硬件）的核心。 聽說拜「人工智慧」與「深度學習」之所賜，GPU 應用看起來很夯，大家搶著挖礦讓顯示卡一片難求，搞得最近 nVidia 和 AMD 的股價漲得很兇。 上文提到，GPGPU负责的是一些非图形相关程序的运算，而我们平时经常听到的GPU负责的是图形渲染，二者的任务并不一样。 其中芯动科技的风华1号明确表示使用了Imagination的IMG B系列GPU IP，另外几家没有透露具体情况。
gpgpu: 功能
对于那些成立一年左右就推出多款产品的公司，颠覆了行业认知。 资本的蜂拥而至吸引了来自英伟达、AMD、海思、高通等一众大厂精英创业。 据不完全统计，目前该领域的初创企业已近20家，所有一线投资机构均参与其中。 科學知識：搭載GPGPU的GPU協同運算伺服器，可以幫助科學研究機構增進人類知識。
说到GPGPU的实际用途，GPGPU主要用于例如物理计算、加密解密、科学计算以及比特币等加密货币的生成。 在了解GPGPU的主要用途之后，就要查看一下自己电脑的GPGPU的性能究竟如何了，而这就需要用到一款软件——AIDA64。 隨著大量應用產品與需求的出現，繪圖引擎近來擔任大量平行運算的重要角色。
从中长期看，虽然云端渲染成为新的增长点，但元宇宙、云游戏、云手机等市场普遍认为将在2024年前后起势，因此当下如何获得盈利求生存也是艰难挑战。 要加快打造国产GPU产业链，下游的整机厂商需要对国产GPU给予更多包容。 虽然不少GPU初创公司推出的产品都号称兼容CUDA生态，但存在兼容多少的问题，水分较大，比较重要的特性中可能60%-70%都无法支持。 GPGPU的生态非常复杂，要求一路打通到应用层，提供面向所有应用的全面支持，甚至要自主开发以支持一个新的应用领域。 整体而言，GPGPU企业与国际大厂技术差距约3年，渲染GPU与国际大厂差距约10年左右。
歐洲核子研究組織使用技嘉G482-Z51分析大型強子對撞機產出的數據，尋找神秘的底夸克；西班牙巴塞隆納大學理論與計算化學研究所，購買技嘉G292-Z42和其他伺服器，將資料中心的運算效能提升約40%。 請洽詢您的系統供應商，以判斷您的系統是否提供此功能，或參考系統規格（主機板、處理器、晶片組、電源供應器、硬碟機、繪圖控制器、記憶體、BIOS、驅動程式、虛擬機器監視器、平台軟體和/或作業系統）以瞭解其相容性。 gpgpu 此功能的功能、效能和其他方面的表現會因系統組態而有所不同。
目前和AI相关的大芯片，因为需要Cowos等先进封装，所涉及的中介层原材料非常紧缺，在目前产能吃紧的情况下，对于已经推出一些产品的初创GPU企业，会面临短期盈利的问题。 对于初创企业而言，渲染GPU涉及到生态建设的完善度，所以从信创、军工、工业等领域切入较为稳妥。 GPGPU市场从人工智能、服务器、高性能计算等领域切入是最优选择。 使用的人越多，生态越占统治地位，看看国内的初创GPU企业，哪些是已经开始编写教材、在高校开课和开展合作项目、组织比赛等做这些人才培养方面的工作，就知道谁真正在沉下心来做生态了。
gpgpu: 国产GPU，为何是现在？
事实上，就连苹果的自研IP也并非一帆风顺，分手3年后又回头重新与Imagination合作，据市场传闻有专利方面的原因。 另外，据《金融时报》报道，英特尔和苹果都曾大量持有这家芯片设计公司的股份，以至于该公司一度陷于两强之间拉锯战。 国产GPU可能99%已达标了，如果能帮助国产GPU厂商一起将这百分之一影响体验的最后一步补齐，做到更完善，这对其发展是非常重要的。 涉及50个驱动、50个编译器、50个数学库、300个应用层工程师，3-5年的时间。
如果整个市场是一个地图，国内GPU厂商可先撒点，针对一些特定市场循序渐进抢占生态，加强与国内厂商的紧密合作，积累一定的优势和声誉后，再由点及面布局寻求突破。 渲染GPU在技术层面来相对复杂，但是好处在于有很多业界成熟的标准的API，如OpenGL、OpenGL ES、DirectX、Vulkan等。 王强告诉记者，GPU IP自研需要36-48个月以及200个工程师，采用外购IP的方式，可以减少12-18个月开发周期。 但打着自主研发之名，行外购之实，推出“马甲”产品就难免有忽悠之嫌，这样的案例在芯片领域本就不在少数。 渲染GPU约80%仍是GPGPU部分，20%则是固定渲染流水线（fixed function），例如geometry pipeline、rasterization pipeline等。
