第1章 GPU发展简史

1. GPU发展简史：从图形加速到通用计算，GPU的演进之路

大家好，我是你们的老朋友。今天咱们聊聊GPU的“前世今生”。

说实话，我入行那会儿，GPU还是个“偏科生”——只会画图。谁能想到，十几年后，它成了AI、科学计算、数据中心里的香饽饽？这背后的演进之路，其实挺有意思的。我个人习惯把这段历史分成三个阶段来讲，这样脉络更清晰。

早期的计算机，图形显示全靠CPU硬扛。你想想看，CPU既要算数据，又要管像素点，效率能高吗？

我记得90年代初，玩个《毁灭战士》都卡成PPT。那时候的“显卡”，其实叫“图形加速卡”。它只干一件事：把CPU从繁重的像素填充、线条绘制中解放出来。

关键节点：

1995年，3dfx Voodoo：这玩意儿是3D游戏的里程碑。它引入了“纹理映射”和“Z缓冲”，让游戏画面有了立体感。我在项目里调试过Voodoo的驱动，那会儿的API叫Glide，现在基本绝迹了。
1999年，NVIDIA GeForce 256：它第一次喊出“GPU”这个名词。核心卖点是“硬件T&L”（坐标变换与光照）。以前这些计算靠CPU，现在GPU自己干了。说白了，就是把CPU的活抢过来一部分。

    核心变化： 从“画图工具”变成了“3D图形处理器”。但此时，它依然是个专用芯片，只认图形指令。

进入21世纪，游戏画面越来越逼真。固定管线（Fixed Pipeline）开始捉襟见肘。为什么？因为开发者想实现“水面反射”、“动态光影”，但硬件不支持，只能靠CPU模拟，效率极低。

这时候，GPU架构发生了一次革命：可编程着色器（Shader）。

2001年，DirectX 8：引入了顶点着色器和像素着色器。开发者可以写一小段程序，控制每个顶点和像素的行为。嗯，这里要注意，当时的着色器是分离的，顶点和像素不能混用。
2006年，DirectX 10 & NVIDIA GeForce 8800：统一着色器架构（Unified Shader）来了。顶点、像素、几何着色器，全部跑在同一个计算单元上。这为后来的通用计算埋下了伏笔。

我在项目中遇到过一个问题：用老显卡跑新游戏，画面撕裂。后来发现是着色器编译器的bug。那会儿调试着色器，全靠printf打日志，现在想想真是原始。

避坑指南： 我曾经以为着色器代码越短越快。后来发现，分支预测失败的代价远高于多写几行代码。GPU的并行执行模型，对分支非常敏感。

2007年，NVIDIA发布了CUDA。这玩意儿彻底改变了GPU的命运。

为什么？因为CUDA让GPU不再只是“画图的”，它变成了一个“大规模并行计算引擎”。你想想看，CPU有4个核、8个核，GPU有几千个核。虽然每个核很弱，但架不住人多啊。

关键转折点：

2007年，CUDA 1.0：我第一次用CUDA写程序，是在一个图像处理项目里。把一张1024x1024的图片做高斯模糊，CPU跑了200ms，GPU只用了5ms。当时我就意识到，这玩意儿要变天。
2012年，AlexNet：深度学习爆发。Alex Krizhevsky用两块GTX 580训练了ImageNet模型，碾压了所有传统算法。从此，GPU成了AI训练的标配。
2017年，Volta架构 & Tensor Core：NVIDIA专门为AI矩阵运算设计了Tensor Core。这玩意儿做矩阵乘法，比普通CUDA核快一个数量级。说白了，就是为AI量身定做的“加速器”。

注意： 通用计算不是万能的。GPU擅长“数据并行”，但不擅长“任务并行”。如果你的程序有大量分支、递归、链表操作，GPU反而比CPU慢。我见过有人硬把二叉树遍历塞进GPU，结果性能惨不忍睹。

下面这张图，是我自己画的GPU演进路线。你可以看到，从固定功能到可编程，再到通用计算，核心逻辑就是“把更多控制权交给开发者”。

回顾GPU的发展史，你会发现一个规律：每一次架构变革，都是为了解决上一代的痛点。

我个人觉得，未来GPU会继续分化：一部分走向“超大规模并行计算”（比如AI训练），另一部分走向“实时渲染”（比如光线追踪）。但无论怎么变，并行计算这个核心思想不会变。

    一句话总结： GPU从“画图卡”变成了“算力卡”。它用几千个简单核心，解决了CPU搞不定的并行问题。这就是它存在的意义。

好了，这一章就聊到这儿。下一章，咱们深入GPU的微架构，看看那些成千上万的“小核心”到底是怎么工作的。