Re: [閒聊] 為何GPU比CPU貴那麼多?已刪文

看板PC_Shopping (個人電腦購買)作者 (冰嵐)時間4年前 (2022/04/03 19:25), 編輯推噓8(11341)
留言55則, 14人參與, 4年前最新討論串6/7 (看更多)
根據之前高人指教跟個人見解,有誤請指正 CPU應該早就要被GPU取代了 假如同時要做四個算式ABCD CPU的作法是先算A,然後算B,然後算C,最後算D 也可以說CPU的計算是有序的 而GPU則是直接同時跑ABCD,也就是平行化計算 而CPU為了彌補這部分的差距,發展出了分支預測的技術 也就是猜答案,例如A必須等待B的答案,但A跑完時B還沒答案 CPU就會猜一個答案去解A,等到B跑完有解之後再檢查A 而分支預測越準確,相對的CPU的IPC就越高,執行效率也會跟著提高 但也說明了CPU的執行效率取決於分支預測的準確度 而GPU的平行運算性能則取決於可程式化核心, 在NV上叫做CUDA,最多可同時處理的運算正比於核心 也是為什麼GPU的性能可以直接從核心數看出來的原因 所以在發展上,CPU提升性能的方式主要取決於分支預測,但GPU只需要堆核心即可 因此GPU的性能大幅度跟製程掛鉤,而CPU的架構影響更重 但這也表示,要取得更好的GPU表現,就需要更多的可程式化核心 這點直接就反應在材料價格上,所以終端產品就一直變貴 但CPU則不是靠堆核心的方式,因此漲幅也就較為可控 未來的發展性上,GPU必然會更加吃重,但取代不了CPU的原因還是在x86 CPU的單一核心必須要可以計算從過去以來所有的x86運算 所以CPU也很難像GPU一樣堆核心,轉而向提高頻率的方式來進步 但也不可能放棄x86,這已經是歷史共業了,放棄後整個科技業都是大洗牌, 尤其是舊有程式幾乎無法繼續使用這點就不可能 除非像蘋果那樣才有可能直接拋棄x86開始堆核心 說來好笑,限制CPU發展的是x86,但把CPU命吊著的也是x86 大概4John -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.223.59.68 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/PC_Shopping/M.1648985119.A.527.html

04/03 19:28, 4年前 , 1F
我看GPU以後也不方便堆核心了吧
04/03 19:28, 1F

04/03 19:28, 4年前 , 2F
不然就是往上疊
04/03 19:28, 2F

04/03 19:30, 4年前 , 3F
現在就看有誰還能像GK 》GM那樣來
04/03 19:30, 3F

04/03 19:30, 4年前 , 4F
個架構大改進
04/03 19:30, 4F

04/03 19:30, 4年前 , 5F
這就要看製程發展如何了,還沒到材
04/03 19:30, 5F

04/03 19:30, 4年前 , 6F
質極限之前應該都會是這樣發展
04/03 19:30, 6F

04/03 19:30, 4年前 , 7F
就算到極限了,也可以再提高DIE的大
04/03 19:30, 7F

04/03 19:30, 4年前 , 8F
小來提升
04/03 19:30, 8F

04/03 19:37, 4年前 , 9F
作文比賽
04/03 19:37, 9F

04/03 19:42, 4年前 , 10F
你忽略了一個程式同時有平行部分和
04/03 19:42, 10F

04/03 19:42, 4年前 , 11F
不可被平行部分,GPU是在可平行度高
04/03 19:42, 11F

04/03 19:42, 4年前 , 12F
的程式比較快、比方說算圖。在不可
04/03 19:42, 12F

04/03 19:42, 4年前 , 13F
平行的部分CPU會遠快得多
04/03 19:42, 13F

04/03 19:43, 4年前 , 14F
此外,你對分支預測的描述是正確的
04/03 19:43, 14F

04/03 19:43, 4年前 , 15F
FORTH發明人的GA144(144核心CPU)
04/03 19:43, 15F

04/03 19:43, 4年前 , 16F
,但場景跟平不平行沒有關係。GPU也
04/03 19:43, 16F

04/03 19:43, 4年前 , 17F
有分支預測
04/03 19:43, 17F

04/03 19:45, 4年前 , 18F
此外CPU雖然平行能力比GPU弱,但你
04/03 19:45, 18F

04/03 19:45, 4年前 , 19F
不要懷疑CPU的併發能力,他在只有沒
04/03 19:45, 19F

04/03 19:45, 4年前 , 20F
幾顆核心的情況之下實際上跑得可以
04/03 19:45, 20F

04/03 19:45, 4年前 , 21F
比10倍規模的GPU要快
04/03 19:45, 21F

04/03 19:47, 4年前 , 22F
CPU和GPU完全在天秤的兩端,沒有所
04/03 19:47, 22F

04/03 19:47, 4年前 , 23F
謂誰能取代誰的問題
04/03 19:47, 23F

04/03 19:50, 4年前 , 24F
你講的那個"同時要做四個算式ABCD"
04/03 19:50, 24F

04/03 19:50, 4年前 , 25F
是"同一個算是用在四個不同資料"的
04/03 19:50, 25F

04/03 19:51, 4年前 , 26F
情況。但這種情況並沒那麼常發生
04/03 19:51, 26F

04/03 19:52, 4年前 , 27F
GPU會快是因為交給GPU做的工作本來
04/03 19:52, 27F

04/03 19:52, 4年前 , 28F
就是特別適合GPU做的工作
04/03 19:52, 28F

04/03 19:52, 4年前 , 29F
你隨便亂寫個GPGPU的工作給GPU做是
04/03 19:52, 29F

04/03 19:52, 4年前 , 30F
不會比CPU快的
04/03 19:52, 30F

04/03 19:53, 4年前 , 31F
目前NVENC的效果還沒辦法取代二壓
04/03 19:53, 31F

04/03 19:53, 4年前 , 32F
的H264、H265,現階段說完全捨棄CPU
04/03 19:53, 32F

04/03 19:53, 4年前 , 33F
我個人認為還是太樂觀了點
04/03 19:53, 33F

04/03 19:57, 4年前 , 34F
現在會組高端PC的,除了玩家之外,
04/03 19:57, 34F

04/03 19:57, 4年前 , 35F
很大一部分是影視工作者,看YT逐年
04/03 19:57, 35F

04/03 19:57, 4年前 , 36F
吃掉第四台的受眾就知道,不能以遊
04/03 19:57, 36F

04/03 19:57, 4年前 , 37F
戲用途看世界
04/03 19:57, 37F

04/03 19:57, 4年前 , 38F
再疊上去是會真的一張顯卡1200w
04/03 19:57, 38F

04/03 20:01, 4年前 , 39F
不趕時間都是用2pass壓,品質最好
04/03 20:01, 39F

04/03 20:01, 4年前 , 40F
影視製作現在有M1來瓜分市場就是 靠
04/03 20:01, 40F

04/03 20:01, 4年前 , 41F
一堆定制單元硬上 沒財力很難做到
04/03 20:01, 41F

04/03 20:02, 4年前 , 42F
不玩遊戲,但也覺得i5 2400有點弱了
04/03 20:02, 42F

04/03 20:03, 4年前 , 43F
最大的障礙就是OSX不行XD
04/03 20:03, 43F

04/03 20:03, 4年前 , 44F
一些高畫質的影片都會卡頓
04/03 20:03, 44F

04/03 20:04, 4年前 , 45F
說得好像全部運算都能平行運算一樣
04/03 20:04, 45F

04/03 20:05, 4年前 , 46F
感謝兩位a大的提點,當初誤解這些部
04/03 20:05, 46F

04/03 20:05, 4年前 , 47F
分了
04/03 20:05, 47F

04/03 20:09, 4年前 , 48F
頻率單純是製程紅利, 而且它會邊際
04/03 20:09, 48F

04/03 20:09, 4年前 , 49F
效用遞減, 實際上 cpu 也是堆核,
04/03 20:09, 49F

04/03 20:09, 4年前 , 50F
只是在堆特異的核(simd)和通用的核
04/03 20:09, 50F

04/03 20:09, 4年前 , 51F
中取捨而已
04/03 20:09, 51F

04/03 20:17, 4年前 , 52F
而且 gpu 的核還愈來愈不通用, 現
04/03 20:17, 52F

04/03 20:17, 4年前 , 53F
在都拿去給搞 ml 的人用了, 如果你
04/03 20:17, 53F

04/03 20:17, 4年前 , 54F
需要雙精度的話可能舊卡還比較好
04/03 20:17, 54F

04/03 20:23, 4年前 , 55F
一些小規模模型,未來用CPU算會更快
04/03 20:23, 55F
文章代碼(AID): #1YIOGVKd (PC_Shopping)
文章代碼(AID): #1YIOGVKd (PC_Shopping)