从文生文到文生图，再到文生视频……如今，生成式AI已经成为提高企业生产效率，加速业务创新的核心技术，而这项技术的背后，离不开CPU、GPU、NPU等计算芯片的强力支撑。
在《解读AI通用计算芯片：GPU训练CPU推理，用最优的成本降低AI算力支出》这篇文章中，笔者简单介绍了CPU与GPU芯片的不同之处。除了这两种通用芯片之外，NPU与AI计算过程中扮演着重要的角色。那么，作为同样拥有大量计算单元的并行计算芯片，GPU与NPU又有何不同之处呢？本文将简单介绍。
什么是 GPU？
GPU（Graphics Processing Unit，图形处理器）是一种专门设计用于处理图形和图像计算任务的计算硬件，用于加速图像/视频处理和渲染等图形任务，例如在电脑游戏中，就需要高性能的GPU进行实时的图像渲染。
最初，GPU是为提高计算机图形的渲染速度而开发的，但随着技术的发展，它们已经扩展到更广泛的计算领域，尤其是在需要大规模并行处理能力的场景中。例如，在生成式AI计算过程中，GPU常用于训练大型神经网络。目前很多科技公司使用 Nvidia 的企业级 H-100 GPU 来训练他们的大型语言模型 （LLM）。
什么是NPU？
NPU是一种用于加速神经网络操作的专用处理器，具有并行处理能力（能够同时执行多个操作），并且通过硬件架构优化，它们可以有效地执行推理和训练等 AI 和 ML 任务，包括AI和机器学习（ML）计算任务，例如面部识别，甚至训练 AI 系统等。
通过针对不同任务需求的特定硬件优化，NPU拥有更高的性能，同时由于能耗较低，能够实现更高的能效比，这也是NPU相较于CPU、GPU等通用处理器最大的优势之一。
GPU的主要特点及其优势
1）强大的并行计算性能。GPU拥有成千上万个浮点运算单元，这些计算核心可以同时处理多个计算任务，这使得GPU在处理并行计算任务时比传统的CPU（中央处理器）更加高效，更加适合进行大规模并行计算。例如，在深度学习和其他机器学习算法中，GPU发挥着关键作用，因为这些算法需要处理大量的矩阵运算，GPU的并行处理能力可以显著加速这些运算。
2）通用性。作为通用计算处理器，GPU不仅能够用于图形渲染，而且它所拥有的并行处理能力也更适用于广泛的计算密集型任务。这也是目前AI训练过程中广泛采用GPU的根本原因之一。
除此之外，通过技术如CUDA（Compute Unified Device Architecture，由NVIDIA开发）和OpenCL（Open Computing Language），GPU可以用于执行通用计算任务，即所谓的GPGPU（General-Purpose computing on Graphics Processing Units）。
3）灵活性：GPU可以执行各种算法和任务，不仅限于神经网络，还包括物理模拟、科学计算等。以英伟达GPU为例，自2007年以来，英伟达（NVIDIA） GPU软件已经涵盖了人工智能的各个方面，从高级功能到高级应用。CUDA编程语言和cuDNN-X深度学习库为开发人员构建软件提供了基础，例如NVIDIA NeMo。它使用户能够创建、配置和推理自己的生成式人工智能模型。其中许多元素都可作为开源软件提供，这对软件开发人员来说是必不可少的。
4）扩展性：人工智能模型的复杂性以每年10倍的速度增长。前沿大型语言模型（LLM）GPT-4包含超过一万亿个参数，其数学密度令人瞩目。GPU系统通过有效地协作巧妙地应对了这一挑战。它们轻松扩展到超级计算级别，利用快速的NVLink互连和强大的Quantum InfiniBand网络。
GPU的这些特性使它们成为处理需要大量计算资源任务的理想选择，从而在多个领域内推动了技术的快速发展。
NPU的主要特点及其优势
1）专用性：NPU是专门为执行神经网络和深度学习算法而设计的处理器。
2）能效比：由于NPU的架构优化了并行运算和数据流，因此通常在处理神经网络任务时具有更高的能效比。
3）计算效率：NPU在进行矩阵运算和卷积运算时表现出高效率，这些运算是深度学习中的核心操作。
GPU与NPU的主要应用领域的差异
GPU和NPU的性能都是根据处理器每秒可以执行多少万亿次操作来衡量，通常用每秒万亿次（或万亿次）操作数（TOPS）表示。例如，高通骁龙 X Elite 芯片拥有高达45 TOPS（仅来自 NPU），而NVIDIA GeForce RTX 4090 GPU拥有超过1300 TOPS。
此外，GPU可以是独立形态存在的（独立于CPU）或集成的（内置于CPU中），目前大部分NPU已集成到 CPU 中。例如，Apple 的A系列和M系列处理器在CPU中内置了NPU（所谓的 Apple 神经引擎）。当然，仍旧有一些独立的NPU产品存在，比如Raspberry Pi。
考虑到两者之间存在着较大的性能差异，因此应用场景也有着较大的不同之处：
GPU：
机器学习训练：GPU在训练大型神经网络模型时非常有用，尤其是在需要大量计算资源的情况下。
科学计算和模拟：用于复杂的物理模拟和科学计算任务。
图形渲染：用于视频游戏、电影制作和其他图形密集型应用。
NPU：
深度学习推理（Inference）：在生产环境中快速执行预训练模型的预测。
深度学习训练（Training）：在某些特定的情况下，例如场景对于能效比要求极高（边缘计算场景下），NPU也可以用于模型训练。
语音和图像识别：处理与语音和图像相关的AI任务，例如人脸识别等应用场景。
总结：
GPU由于拥有更高的性能，因此在需要广泛并行处理能力的任务中表现出色；NPU在执行深度学习和AI相关任务时更为高效，且具备更好的能耗比。因此，NPU和GPU各有优势，它们在处理不同类型的任务时表现出不同的性能特点。随着人工智能和机器学习技术的不断发展，这两种处理器都在不断地演进和改进，以满足日益增长的计算需求。
