推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

从异构计算到大小核设计的演进

更新时间:2026-06-19 20:53:53 大小:16K 上传用户:烟雨查看TA发布的资源 标签:异构计算 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

异构计算的起源与发展逻辑

异构计算并不是近几年才诞生的新概念,早在上世纪80年代,学术界就已经提出了异构计算的初步构想。在计算机发展的早期阶段,通用CPU是绝对的计算核心,所有任务都依赖CPU完成串行或并行计算,但随着图形处理、信号处理等专用领域对计算能力需求的快速提升,人们逐渐发现,完全依靠通用CPU完成所有任务,不仅成本高昂,而且效率极低——专用任务对算力的特殊需求,通用CPU的通用架构无法针对性满足。

异构计算的核心逻辑非常清晰:通过组合不同架构的计算单元,让不同特性的计算单元承担匹配自身优势的任务,最终实现整体计算效率、算力成本和功耗表现的最优平衡。简单来说,就是让专业的人干专业的事:CPU擅长处理逻辑复杂的串行任务、调度系统资源,GPU擅长处理高度并行的图形计算和通用并行任务,ASIC专用芯片擅长处理固定算法的特定任务,不同单元分工协作,比单一通用计算单元的综合表现更好。

最早落地的大规模异构计算应用,就是个人电脑领域的CPU+GPU组合。在上世纪90年代,电脑的图形显示任务原本由CPU负责软件渲染,随着3D游戏和图形设计的兴起,CPU的算力完全无法满足实时渲染的需求,于是独立GPU应运而生,专门承担图形渲染的并行计算任务,CPU只需要负责场景调度、数据传输和系统管理,这种分工模式大幅提升了图形处理的效率,也成为了异构计算最经典的实践案例。

进入21世纪后,异构计算的应用场景快速扩张:在高性能计算领域,CPU+GPU的异构集群成为了超算的主流架构,全球TOP500超算中绝大多数都采用了这种异构设计;在移动设备领域,除了CPU+GPU,还加入了NPU神经网络处理单元、ISP图像信号处理单元、Modem基带处理单元等一系列专用计算单元,形成了多单元异构的复杂架构;在数据中心领域,CPU+AI加速卡、CPU+FPGA的异构组合也已经成为人工智能算力中心的标准配置。

异构计算发展半个世纪,始终围绕着平衡这个核心目标:平衡算力与功耗,平衡通用性能与专用性能,平衡计算成本与应用效率。而大小核设计,其实就是异构计算思想在CPU架构内部的延伸与落地,是摩尔定律逼近物理极限后,芯片设计思路从堆频率”“堆核数转向调结构”“优分工的必然产物。


部分文件列表

文件名 大小
从异构计算到大小核设计的演进.docx 16K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载