AMD Compute Units กับ Nvidia CUDA Cores: อะไรคือความแตกต่าง?

หากคุณติดตาม Nvidia และ AMD คุณอาจทราบเกี่ยวกับข้อกำหนดของ GPU ที่ทั้งสองบริษัทต้องการใช้ ตัวอย่างเช่น Nvidia ชอบเน้นการนับจำนวนคอร์ของ CUDA เพื่อแยกความแตกต่างของข้อเสนอจากการ์ดของ AMD ในขณะที่ AMD ทำเช่นเดียวกันกับ Compute Units

แต่คำเหล่านี้หมายถึงอะไรจริง ๆ คอร์ CUDA เป็นสิ่งเดียวกับ Compute Unit หรือไม่ ถ้าไม่เช่นนั้นความแตกต่างคืออะไร?

ผสมแรม 4gb กับ 8gb ได้ไหมครับ

มาตอบคำถามเหล่านี้และดูว่า GPU ของ AMD แตกต่างจาก Nvidia อย่างไร

สถาปัตยกรรมทั่วไปของ GPU

GPU ทั้งหมดไม่ว่าจะมาจาก AMD, Nvidia หรือ Intel ทำงานในลักษณะเดียวกันโดยทั่วไป พวกเขามีองค์ประกอบหลักเหมือนกันและเค้าโครงโดยรวมของส่วนประกอบเหล่านั้นมีความคล้ายคลึงกันในระดับที่สูงกว่า

ดังนั้น จากมุมมองจากบนลงล่าง GPU ทั้งหมดจึงเหมือนกัน

เมื่อเราพิจารณาส่วนประกอบเฉพาะที่เป็นกรรมสิทธิ์ซึ่งผู้ผลิตแต่ละรายบรรจุลงใน GPU ของตน ความแตกต่างก็เริ่มปรากฏขึ้น ตัวอย่างเช่น Nvidia สร้างแกน Tensor ลงใน GPU ในขณะที่ GPU ของ AMD ไม่มีแกน Tensor

ในทำนองเดียวกัน AMD ใช้ส่วนประกอบต่างๆ เช่น Infinity Cache ซึ่ง GPU ของ Nvidia ไม่มี

ดังนั้น เพื่อให้เข้าใจความแตกต่างระหว่างแกนประมวลผล (CU) และแกน CUDA เราต้องดูสถาปัตยกรรมโดยรวมของ GPU ก่อน เมื่อเราสามารถเข้าใจสถาปัตยกรรมและดูว่า GPU ทำงานอย่างไร เราจะเห็นความแตกต่างระหว่าง Compute Units และ CUDA cores ได้อย่างชัดเจน

GPU ทำงานอย่างไร?

สิ่งแรกที่คุณต้องเข้าใจคือ GPU ประมวลผลคำสั่งนับพันหรือล้านคำสั่งพร้อมกัน ดังนั้น GPU จึงต้องการคอร์ขนาดเล็กและขนานกันมากในการจัดการคำสั่งเหล่านั้น

คอร์ GPU ขนาดเล็กเหล่านี้แตกต่างจากคอร์ของ CPU ขนาดใหญ่ที่ประมวลผลคำสั่งที่ซับซ้อนหนึ่งคำสั่งต่อคอร์ในแต่ละครั้ง

ตัวอย่างเช่น Nvidia RTX 3090 มีแกน 10496 CUDA ในทางกลับกัน AMD Threadripper 3970X ระดับบนสุดมีเพียง 64 คอร์เท่านั้น

ดังนั้นเราจึงไม่สามารถเปรียบเทียบแกน GPU กับแกน CPU ได้ มีค่อนข้างเยอะ ความแตกต่างระหว่าง CPU และ GPU เพราะวิศวกรได้ออกแบบให้ทำงานต่างๆ

นอกจากนี้ คอร์ GPU ทั้งหมดยังถูกจัดเรียงเป็นกลุ่มหรือเป็นกลุ่ม ไม่เหมือนกับ CPU ทั่วไป

สุดท้าย คลัสเตอร์ของคอร์บน GPU มีส่วนประกอบฮาร์ดแวร์อื่นๆ เช่น คอร์ประมวลผลพื้นผิว หน่วยจุดลอยตัว และแคช

เพื่อช่วยประมวลผลคำสั่งนับล้านพร้อมกัน ความขนานนี้กำหนดสถาปัตยกรรมของ GPU ตั้งแต่การโหลดคำสั่งไปจนถึงการประมวลผล GPU จะทำทุกอย่างตามหลักการของการประมวลผลแบบขนาน

ขั้นแรก GPU ได้รับคำสั่งให้ประมวลผลจากคิวคำสั่ง คำแนะนำเหล่านี้มักเกี่ยวข้องกับเวกเตอร์อย่างท่วมท้น
ถัดไป เพื่อแก้ไขคำแนะนำเหล่านี้ ตัวกำหนดตารางเวลาของเธรดจะส่งต่อไปยังคลัสเตอร์คอร์แต่ละคลัสเตอร์สำหรับการประมวลผล
หลังจากได้รับคำแนะนำ ตัวจัดกำหนดการคลัสเตอร์หลักในตัวจะกำหนดคำสั่งให้กับคอร์หรือองค์ประกอบการประมวลผลสำหรับการประมวลผล
สุดท้าย คลัสเตอร์หลักที่ต่างกันจะประมวลผลคำสั่งต่างๆ แบบขนานกัน และผลลัพธ์จะแสดงบนหน้าจอ ดังนั้น กราฟิกทั้งหมดที่คุณเห็นบนหน้าจอ ตัวอย่างเช่น วิดีโอเกม เป็นเพียงชุดของเวกเตอร์ที่ประมวลผลแล้วนับล้าน

กล่าวโดยย่อ GPU มีองค์ประกอบการประมวลผลนับพันซึ่งเราเรียกว่าคอร์ที่จัดเรียงเป็นกลุ่ม เครื่องมือจัดกำหนดการมอบหมายงานให้กับคลัสเตอร์เหล่านี้เพื่อให้เกิดความเท่าเทียมกัน

หน่วยคำนวณคืออะไร?

ตามที่เห็นในส่วนก่อนหน้านี้ GPU ทุกตัวมีคลัสเตอร์ของคอร์ที่มีองค์ประกอบการประมวลผล AMD เรียกคลัสเตอร์คอร์เหล่านี้ว่า Compute Units

www.youtube.com/watch?v=uu-3aEyesWQ&t=202s

Compute Units คือชุดของทรัพยากรในการประมวลผล เช่น Parathmetic and Logical Units (ALU) แบบคู่ขนาน แคช หน่วยทศนิยมหรือตัวประมวลผลเวกเตอร์ รีจิสเตอร์ และหน่วยความจำบางส่วนเพื่อเก็บข้อมูลเธรด

เพื่อให้ง่าย AMD โฆษณาเฉพาะจำนวนหน่วยประมวลผลของ GPU เท่านั้นและไม่ได้ให้รายละเอียดเกี่ยวกับส่วนประกอบพื้นฐาน

ดังนั้น เมื่อใดก็ตามที่คุณเห็นจำนวนหน่วยคำนวณ ให้คิดว่าเป็นกลุ่มขององค์ประกอบการประมวลผลและส่วนประกอบที่เกี่ยวข้องทั้งหมด

ค้นหารายการสินค้าที่ต้องการของอเมซอนตามชื่อ

CUDA Cores คืออะไร?

ในที่ที่ AMD ต้องการให้สิ่งต่างๆ ง่ายขึ้นด้วยจำนวนหน่วยประมวลผล Nvidia จะทำให้สิ่งต่างๆ ซับซ้อนขึ้นโดยใช้คำต่างๆ เช่น CUDA cores

แกน CUDA ไม่ใช่แกนหลักอย่างแน่นอน พวกเขาเป็นเพียงหน่วยทศนิยมที่ Nvidia เรียกว่าเป็นแกนกลางเพื่อวัตถุประสงค์ทางการตลาด และถ้าคุณจำได้ คลัสเตอร์หลักมีหน่วยทศนิยมในตัวจำนวนมาก หน่วยเหล่านี้ทำการคำนวณเวกเตอร์และไม่มีอะไรอื่น

ดังนั้นการเรียกพวกเขาว่าแกนกลางคือการตลาดที่บริสุทธิ์

ดังนั้น แกน CUDA จึงเป็นองค์ประกอบการประมวลผลที่ดำเนินการจุดทศนิยม อาจมีแกน CUDA จำนวนมากภายในคลัสเตอร์หลักเดียว

ในที่สุด Nvidia เรียกคลัสเตอร์หลัก มัลติโปรเซสเซอร์แบบสตรีมหรือ SM SM เทียบเท่ากับ AMD Compute Units เนื่องจาก Compute Units เป็นคลัสเตอร์หลักเอง

ความแตกต่างระหว่างหน่วยคำนวณและแกน CUDA คืออะไร

ความแตกต่างหลักระหว่าง Compute Unit และแกน CUDA คืออันแรกหมายถึงคลัสเตอร์หลัก และส่วนหลังหมายถึงองค์ประกอบการประมวลผล

เพื่อให้เข้าใจความแตกต่างนี้มากขึ้น ให้เรายกตัวอย่างกระปุกเกียร์

กระปุกเกียร์เป็นหน่วยที่ประกอบด้วยหลายเกียร์ คุณสามารถคิดว่ากระปุกเกียร์เป็นหน่วยคำนวณและแต่ละเกียร์เป็นหน่วยจุดลอยตัวของแกน CUDA

กล่าวอีกนัยหนึ่ง ที่หน่วยคำนวณคือชุดของส่วนประกอบ แกน CUDA จะแสดงส่วนประกอบเฉพาะภายในคอลเล็กชัน ดังนั้น Compute Units และ CUDA cores จึงไม่สามารถเปรียบเทียบกันได้

นี่เป็นเหตุผลว่าทำไมเมื่อ AMD กล่าวถึงจำนวน Compute Units สำหรับ GPU ของพวกเขา พวกเขาจึงค่อนข้างต่ำกว่าเมื่อเทียบกับการ์ด Nvidia คู่แข่งและจำนวนแกน CUDA ของพวกเขา การเปรียบเทียบที่ดีกว่าคือระหว่างจำนวนของ Streaming Multiprocessors ของการ์ด Nvidia และจำนวนของ Compute Units ของการ์ด AMD

ที่เกี่ยวข้อง: AMD 6700XT กับ Nvidia RTX 3070: GPU ที่ดีที่สุดราคาต่ำกว่า 0 คืออะไร?

CUDA Cores และ Compute Units แตกต่างกันและไม่สามารถเปรียบเทียบกันได้

บริษัทต่างๆ มีนิสัยชอบใช้คำศัพท์ที่สับสนในการนำเสนอผลิตภัณฑ์ของตนในแง่ดีที่สุด สิ่งนี้ไม่เพียงแต่ทำให้ลูกค้าสับสน แต่ยังทำให้การติดตามสิ่งที่สำคัญเป็นเรื่องยากอีกด้วย

ดังนั้น ตรวจสอบให้แน่ใจว่าคุณรู้ว่าควรมองหาอะไรเมื่อค้นหา GPU การอยู่ห่างจากศัพท์แสงทางการตลาดจะทำให้การตัดสินใจของคุณดีขึ้นและปราศจากความเครียดมากขึ้น

แบ่งปัน แบ่งปัน ทวีต อีเมล กราฟิกการ์ด 30 Series ของ NVIDIA นั้นคุ้มค่ากับการอัพเกรดหรือไม่?

หากคุณเป็นนักเล่นเกม คุณอาจอยากอัพเกรดการ์ดจอของคุณเป็น 30 Series ของ NVIDIA แต่มันคุ้มค่าหรือไม่?

อ่านต่อไป หัวข้อที่เกี่ยวข้อง

เทคโนโลยีอธิบาย
การ์ดจอ
Nvidia
โปรเซสเซอร์ AMD

เกี่ยวกับผู้เขียน ฟาวาด มูร์ตาซา(47 บทความที่ตีพิมพ์)

Fawad เป็นนักเขียนอิสระเต็มเวลา เขารักเทคโนโลยีและอาหาร เมื่อเขาไม่ได้กินหรือเขียนเกี่ยวกับ Windows เขากำลังเล่นวิดีโอเกมหรือฝันกลางวันเกี่ยวกับการเดินทาง

เพิ่มเติมจาก Fawad Murtaza

สมัครรับจดหมายข่าวของเรา

เข้าร่วมจดหมายข่าวของเราสำหรับเคล็ดลับทางเทคนิค บทวิจารณ์ eBook ฟรี และดีลพิเศษ!

คลิกที่นี่เพื่อสมัครสมาชิก