RTX 5090 se laudă cu 21.760 de „nuclee" CUDA. Cel mai puternic procesor desktop de la Intel sau AMD are cel mult 24-32 de nuclee. Diferența nu înseamnă că un GPU e „de 700 de ori mai puternic" — înseamnă că cele două cipuri sunt proiectate după filozofii complet opuse. Episodul din seria Procesoare despre pipeline și execuție out-of-order arată exact partea CPU a poveștii. Acum e rândul GPU-ului.
Streaming Multiprocessors: „nucleele" reale ale unui GPU
Un GPU nu are 21.760 de nuclee independente în sensul în care are un CPU 8 sau 16. E organizat în unități mai mari numite Streaming Multiprocessors (SM la NVIDIA; AMD numește echivalentul Compute Unit, CU) — fiecare SM conținând zeci sau sute de nuclee CUDA/shadere mai simple, plus unități specializate (Tensor Cores pentru AI, RT Cores pentru ray tracing).
RTX 5090 (arhitectura Blackwell) are 170 de SM-uri active, aproximativ 128 de nuclee CUDA per SM, totalizând cele 21.760 CUDA cores, plus 680 de Tensor Cores de generația a 5-a. Echivalentul AMD, RX 9070 XT (RDNA4), are 64 de Compute Units, 4.096 de shadere (Stream Processors) și 64 de Ray Accelerators.
Warp-uri și execuție SIMT: aceeași instrucțiune, mii de date diferite
Un CPU execută instrucțiuni complexe, diferite, pe fiecare nucleu — asta permite flexibilitate maximă, dar limitează câte fire de execuție poate ține „în cap" simultan. Un GPU face exact opusul: grupează thread-urile în pachete fixe de 32, numite warp-uri, iar toate cele 32 execută aceeași instrucțiune, simultan, pe date diferite — model numit SIMT (Single Instruction, Multiple Threads). E perfect pentru calcularea culorii a mii de pixeli deodată, unde fiecare pixel rulează aceeași formulă cu valori diferite.
Un singur SM poate găzdui până la 64 de warp-uri rezidente simultan — 2.048 de thread-uri „în așteptare" în orice moment. Costul: dacă thread-urile dintr-un warp trebuie să urmeze căi diferite la un if (numit „warp divergence"), unele așteaptă degeaba cât rulează celelalte — motivul pentru care codul cu multe ramificații condiționale rulează prost pe GPU, dar excelent pe CPU.
Throughput, nu latență: filozofia care schimbă tot
Aici e diferența fundamentală față de episodul CPU al seriei. Un procesor obișnuit e optimizat să termine o singură sarcină cât mai repede — cache mare, predicție de ramuri, execuție speculativă, tot ce descria episodul anterior, toate există ca să reducă latența unui singur fir de execuție. Un GPU pornește de la premisa opusă: latența pe un singur thread nu contează, contează câte mii de thread-uri identice poate termina pe secundă. E diferența dintre un livrator solo, foarte rapid, și o flotă de mii de curieri, fiecare puțin mai lent, dar care livrează simultan.
Cum ascunde un GPU latența memoriei
Accesul la memorie e mult mai lent decât un calcul intern — pe orice cip. Un CPU rezolvă asta cu cache mare și predicție. Un GPU rezolvă altfel: când un warp cere date din memorie și trebuie să aștepte, schedulerul SM-ului „îl adoarme" instant și pornește imediat alt warp, deja pregătit — cu mii de warp-uri rezidente, GPU-ul aproape că nu stă niciodată degeaba, chiar dacă fiecare acces individual la memorie durează mult.
De-asta memoria unui GPU e proiectată total diferit față de RAM-ul unui CPU: RTX 5090 are 32GB GDDR7 pe o magistrală de 512-bit, cu bandwidth de 1,79 TB/s — de peste 10 ori mai mult decât bandwidth-ul unei configurații DDR5 dual-channel obișnuite de desktop (~50-100 GB/s). Latența per acces e mai mare la GDDR decât la DDR, dar nu contează, pentru că miile de warp-uri rezidente acoperă exact acel gol.
Concluzie
Un CPU și un GPU nu sunt „procesorul rapid" și „procesorul lent" — sunt două răspunsuri diferite la aceeași întrebare: cum organizezi tranzistorii ca să faci treabă utilă. CPU-ul pariază pe câteva fire de execuție foarte inteligente. GPU-ul pariază pe mii de fire simple, executate în paralel. Amândouă pariurile sunt corecte — doar pentru probleme diferite, motiv pentru care niciun calculator modern nu renunță la vreunul dintre ele.
Fii primul care comentează acest articol!