国产GPU绕不开的CUDA生态

近日，摩尔线程在北京发布多款软硬件新品，包括新一代GPU“春晓”、面向个人电脑的消费级显卡MTT S80和服务器计算卡MTT S3000、一体化计算设备“MCCX元计算一体机”，以及开发套件、数字人解决方案等。GPU“春晓”做为本次发布会的核心产品受到广泛关注。

摩尔线程“春晓”GPU 图源：摩尔线程

“春晓”是摩尔线程的第二颗GPU，也是摩尔线程首颗面相国内消费级市场发售的GPU，它强调游戏、元宇宙与渲染用途，最重要的是，这颗GPU支持英伟达CUDA生态。

其实经常关注显卡的同学总能从英伟达的发布会上听到CUDA这个词，例如最新的RTX3060有拥有多少颗CUDA核心，某某游戏首发即支持CUDA生态等。作为显卡领域的高频词汇，很多人好奇CUDA到底是什么？为什么国产显卡会用到英伟达的技术？本文将带你了解即熟悉又陌生的CUDA。

CUDA是什么？

CUDA（Compute Unified Device Architecture，统一计算架构）是由英伟达所推出的一种集成技术，是该公司对于GPGPU的正式名称。通过这个技术，用户可利用NVIDIA的GPU进行图像处理之外的运算，CUDA也是首次可以利用GPU作为C-编译器的开发环境。简单来说，程序员平时如果不使用特定框架都是针对CPU进行编程的，CUDA是全球最大GPU厂商英伟达推出的针对GPU的编程的架构。

2006年，英伟达发布了CUDA，它提供了GPU编程的简易接口，程序员可以基于CUDA编译基于GPU的应用程序，利用GPU的并行计算能力更高效的解决复杂计算难题。在CUDA发布之前，程序员需要到显卡内核并利用机器码进行编译，编程过程相当繁琐也很困难。CUDA的发布，相当于将较为复杂的底层代码封装成了一个个简单接口，使用时直接调用，其在GPU编程领域的革命性不亚于C、Python、PHP等高等编程语言的发明。当然，CUDA本身也是兼容C语言的，其本身就类似C语言，这可以帮助程序员更快速上手CUDA。现在主流的深度学习框架大多都基于CUDA进行GPU加速运算。

CUDA工作流程图源：CSDN

从硬件角度看，英伟达会经常宣传自家显卡拥有的CUDA Core数量。CUDA Core其实就是英伟达的流处理器，也就是FP32计算单元，同样的结构在AMD的GPU内叫做SP。与CUDA Core相对的还有Tensor Core张量核心，从字面上就能看出该核心主要针对深度学习中的Tensor计算设计。Tensor计算就是混合精度计算，即在底层硬件算子层面用半精度（FP16）进行输入和输出，使用全精度（FP32）进行计算放置丢失过多精度的操作，这个底层硬件就是Tensor Core。CUDA 9.0引入了一个“warp矩阵函数” C++语言API，以便开发者可以使用GPU上的Tensor Core。

CUDA Core 图源：知乎

CUDA与 GPGPU的概念一脉相承。GPU就是传统意义上的显卡与图形加速卡。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，CPU并行计算能力远不如GPU，使得GPU在通用计算领域逐渐领先，为了进一步专注通用计算，GPGPU便应运而生。GPGPU与CUDA之间关系十分密切。GPGPU其实是去掉了图形显示功能的GPU，它将全部能力都投入到通用计算上，CUDA的出现让GPU真正实现更广泛的通用计算。CUDA与GPGPU也直接推动了AI与深度学习的发展与产业革命。

为什么要兼容CUDA？

当我们了解了CUDA是怎么回事，也就方便解释为什么国产GPU需要兼容CUDA。

前文提到，目前世界上的主流深度学习架构都在使用CUDA，其主要原因就是深度学习的重要载体—GPU市场已被英伟达占领大半。随之而来的，就是市面上绝大部分GPU相关软件都是用CUDA开发，国产GPU兼容CUDA可以同时“继承”英伟达打造好的软件生态，也有更多资料可供学习，这对于蹒跚起步的国产GPU行业来说，减轻了不少开发难度，也降低了推广压力。

从开发角度分析。业内GPU工程师称目前GPU市场可以笼统的分成两大块，分别是计算和渲染。此前国内GPU厂商通常专注与计算方面的研发，也有少部分渲染产品问世，最近摩尔线程发布的GPU强调其具有强大的渲染能力。然而渲染赛道难度较大，其计算复杂度更高，除了通用计算，还包图形渲染、前后端着色器配置、物体几何属性等需要处理。目前世界上标准API主要是CUDA与OpenCL，CUDA是英伟达系统架构，OpenCL则主要被AMD采用。采用标准化的API接口，无论是CUDA还是OpenCL，都可以极大减少开发渲染类GPU的前提投入，后期可以再做相应的优化，这样可以降低与CUDA等 “地位”稳固的GPU生态直接竞争的难度。

从市场推广角度看。英伟达的CUDA生态已经问世多年，与下游软件、驱动厂家已经有了深度合作。大部分厂家对于GPU生态的观点，往往是不在乎GPU本身好与坏，而是关注GPU好不好用、能不能用。好不好用的评价较为主观，但采用现成的英伟达CUDA接口进行编程，可以规避大多数未知风险，多数初创企业开发GPU软件采用统一接口也能增加开发稳定性，降低人才招聘难度。所以，构建自己的GPU生态要慢慢起步，一味求快推广自家生态只会把风险转嫁给更多下游开发者。

国产GPU要挑战CUDA吗？

CUDA本身涵盖了多个技术领域，其开发与后续更新都与英伟达自家GPU高度绑定，即使全部开源，第三方厂家也难以完美移植到自家GPU上。从另一个角度看，英伟达在GPU领域的垄断地位主要通过CUDA平台上的软件生态实现。国产GPU若想真正做到与英伟达一较高下，CUDA生态是绕不开的最终BOSS。

知乎用户对英伟达GPU生态做出分析。国产GPU厂商若无法做到与英伟达的架构、封装技术、驱动优化等都保持完全一致，CUDA生态就一定不会完美适配其他显卡。做到完全移植，CUDA生态内的各种库以及套件等都需要做相应调试，工作量太大。

此外，CUDA也并不是一成不变的。每隔一代GPU，CUDA架构就会发生很大变化。每个驱动小版本推送，CUDA都会做出部分微调。国产GPU如果完全基于CUDA生态进行开发，那它的硬件更新将完全绑定英伟达的开发进程，这样就失去了主动性，且永远慢人一步。

不过内开发者也不用悲观。CUDA本质是一个计算结构，甚至是一个理念，它并不需要英伟达的完全授权。我们可以参考英伟达的有力竞争者AMD。AMD的生态虽然基于开源生态OpenCL开发，但AMD也制作了HIP的编程模式，与CUDA相比，其开发函数甚至可以进行直接替换。如果说英伟达在GPU领域是摸着石头过河的，那AMD就是摸着英伟达过河。国内GPU厂家或许可以参考AMD发展模式，前期借鉴可以是后期创新的基础。