تبلیغات
برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات. - زمانی برای مرگ cpuبا gpu

برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات.

دایره المعارف تاسیسات برق (اطلاعات عمومی برق)

وقتی شرکت اینتل پردازنده های ۳۲ نانومتری خود را با نام رمز Westmere عرضه کرد و از فشرده ترین و کارآمدترین هسته های پردازنده که تا به حال تولید شده است استفاده نمود، ممکن است تصور کرده باشید به اوج فناوری محاسبه رسیده ایم. مطمئناً اینتل CPUهای جدید خود با این هدف عرضه می کند که قلب سیستم های کامپیوتری نسل آینده باشند. اما همه بر سر این موضوع اتفاق نظر ندارند.

در حالی که اینتل مشغول جلب مشتری برای Westmere است، شرکت Nvidia خود را آماده می کند که سخت افزار گرافیکی جدید خود را با نام رمز Fermi به بازار عرضه نماید و در عین حال وعده می دهد که نه تنها به رویاهای نسل بعدی تحقق بخشد؛ بلکه با قدرت محاسباتی پردازنده های سنتی نیز رقابت کند و حتی آنها را تحقیر نماید. در ظاهر به نظر می رسد که این امر به طرز محالی جاه طلبانه باشد. اما Nvidia استدلال های فنی متقاعدکننده ای در دفاع از آن دارد و اثبات می کند که قدرت GPU اکنون می تواند برای اموری فراتر از بازی های رایانه ای مورد استفاده قرار گیرد. آیا سال ۲۰۱۰ سالی خواهد بود که در آن CPU تحت الشعاع سخت افزار گرافیکی قرار می گیرد؟

از CPU فاصله بگیرید

CPUهای فوق العاده قوی که معمولاً در کامپیوترهای جدید یافت می شوند در واقع برای اکثر کاربردهای اداری و اینترنتی لازم نیستند. بله، اگر می خواهید پایگاه داده بزرگی از اعداد را به سرعت پردازش کنید یا یک فیلم دارای وضوح بالا را ویرایش نمایید، یک CPU پرسرعت به شما کمک خواهد کرد. اما ظهور پدیده ای چون نِت بوک به ما یاداوری می کند که برای بسیاری از امور روزمره پردازنده ای به ارزانی و سادگی Intel Atom واقعاً کافی است.

 

با این وجود، نت بوک های مبتنی بر پردازنده Atomمعمولاً از لحاظ تصویری رضایت بخش نیستند. آنها برای بازکردن و نمایش فایل های رسانه ای دارای وضوح بالا از قدرت پردازش کافی برخوردار نیستند. در مورد بازی های جدید که اصلاً جای بحث نیست. Nvidiaبر این باور است که می توان با ترکیب یک پردازنده Atom سبک وزن و یک GPU مجزا که مخصوص این امور است از قابلیت های هر دو سخت افزار به بهترین نحو استفاده کرد.

در مارس سال ۲۰۰۹، این شرکت چنین ترکیب سخت افزاری را تحت عنوان Ion به بازار عرضه کرد. بِن بِراندو، مدیر بازاریابی این شرکت اظهار می کند که «Ion فیلم هایی مانند فیلم های آنلاین یوتوب یا هولو را که با فلش ۱۰.۱ نمایش داده می شوند [از طریق یک سیستم Atom] به فیلم های دارای وضوح و تفکیک بالا تبدیل می کند و از بازی های محبوبی همچون The Simsو World of Warcraft پشتیبانی می کند.» بسیاری از صاحب نظران نیز تحت تأثیر قابلیت های گرافیکی سیستم های کم توان مبتنی بر Ion از جمله نت بوک Samsung N۵۱۰ و نِتتاپ Asus Eee Box EB۱۵۰۱ قرار گرفته اند.

به آسانی می توان تصور کرد که در آینده CPU ممکن است با وجود یک سخت افزار گرافیکی که مدل های مختلف را به طور قابل توجه تری از هم متمایز می کند، در این بخش از بازار تقریباً از بحث خارج شود.

GPU همه منظوره اما این موضوع تنها بخشی از ماجراست. اگر GPU می تواند با رمزگشایی فیلم و تبدیل تصاویر سه بعدی به CPU کمک کند، دلیلی وجود ندارد که از قابلیت های پردازش آن نیز نتوان برای اهداف دیگر استفاده کرد.

از موضوع استفاده از پردازنده گرافیکی برای محاسبات غیر گرافیکی تحت عنوان محاسبه GPU همه منظوره (GPGPU) یا به طور کوتاه محاسبه GPU یاد می شود. که تا حد زیادی هم قابل قبول است. بهترین پردازنده Core i۷ اینتل هشت هسته اجرایی را برای سیستم عامل فراهم می آورد (که چهار هسته آن هسته های مجازی هستند و از طریق فناوری Hyper-Threading شبیه سازی شده اند). در حالی که یک کارت گرافیک ۳۰ پوندی ارزان ده برابر این تعداد واحدهای پردازش هسته اجرایی ارائه می دهد که هر یک بخشی از نیروی مصرفی به وسیله هسته CPU را دریافت می کنند.

تا پیشرفته ترین مدل ها که پیش برویم با کارت هایی مانند ۲۹۵ Nvidia GTX مواجه می شویم که ۴۸۰ هسته را ادغام می کنند. بدیهی است که توسعه دهندگان با به کارگیری این دستگاه ها می توانند میزانی از نیروی پردازش موازی را مهار کنند که CPU نمی تواند برای رقابت با آن امیدوار باشد. به زعم براندو «این صنعت در حال حاضر با گام نهادن از CPU به GPU شاهد سرعت های بی سابقه ای است. برای مثال، رمزگذاری فیلم از طریق GPU در مقایسه با CPU می تواند ده برابر سریع تر انجام شود؛ یا حتی بیشتر

محاسبه GPU کاربردهای جدی تری نیز دارد. برای مثال، Folding@home یک طرح محاسبه توزیعی است که در پی درمان بیماری هایی مانند سرطان، فیبروز کیستی و پارکینسون است. در سال ۲۰۰۸، Nvidia گزارش داد که بر اساس یک تحلیل، اجرای محاسبات Folding@home از طریق GPUهای این شرکت نتایج را ۱۴۰ برابر سریع تر از برخی CPUهای سنتی امروزی به دست می دهد.

به «کودا» خوش آمدید برگ برنده Nvidia چیزی به نام Compute Unified Device Architecture یا معماری دستگاه یکپارچه محاسباتی (CUDA) است که برای اولین بار در سال ۲۰۰۷ به عرضه گذاشته شد. CUDA زبان های برنامه نویسی آشنا از جمله سی، جاوا و فورترن را توسعه می دهد و دارای عملکردهایی است که انتقال محاسبات به Nvidia GPU را برای توسعه دهندگان آسان تر می سازد. CUDA تنها راه ایجاد نرم افزار مبتنی بر GPU نیست.

برای مثال، نرم افزار DirectCompute API شرکت مایکروسافت و چارچوب فناوری OpenCL که در ابتدا توسط شرکت Apple توسعه یافت یک سری عملکردهای برنامه نویسی ارائه می دهند که بر روی هر گونه GPU جدید قابل اجراست. در واقع، AMD رقیب Nvidia استدلال می کند که این استانداردهای نامحدود نمایانگر آینده هستند؛ نه دنیای محدود CUDA (به مصاحبه با مدیر بازاریابی AMD توجه کنید.)

اما CUDA حدوداً دو سال زودتر از این واسط های نامحدود عرضه شد و همان طور که سانفورد راسِل، مدیر کل CUDA در همایش فناوری GPU این شرکت در سال ۲۰۰۹ شرح داد، CUDA به دلیل پشتیبانی از زبان های آشنا و به ویژه زبان سی اساساً گزینه جذاب تری برای توسعه دهندگان است. راسل در حالی که از پنجره به طرف خیابان های سیلیکون ولی اشاره می کرد گفت «اگر بیرون بروید و بگویید هر کسی که با زبان سی برنامه نویسی می کند در این طرف خیابان بایستد و هر کسی که از API استفاده می کند در آنجا بایستد، فقط تعداد کمی از مردم در طرف API می ایستند؛ در حالی که مردم زیادی در طرف سی خواهند ایستاد

Nvidia همچنین قصد دارد با عرضه انواع جدیدی از کارت های گرافیک مبتنی بر معماری ابتکاری Fermi خود CUDA را به قابلیت های بیشتری مجهز سازد. به گفته یکی از مدیران انویدیا کارت های Fermi اولین کارت هایی هستند که «در آنها به گرافیک و رمز به طور یکسان توجه شده است.» پیشرفت های فنی شامل یک حافظه مشترک L۲ و یک زمان بند رشته (thread) آنبورد می شود که به Fermi در اجرای رمز به طور کارآمدتر از هر گونه GPU موجود کمک خواهد کرد.

همه اینها به تصویری از آینده می انجامد که در آن CPU به تدریج به یک کالای سبک وزن و مصرفی در کل معماری کامپیوتر تبدیل می شود؛ در حالی که عملیات تصویری و ریاضی به وسیله یک GPU کاملاً قابل برنامه ریزی موازی حجیم اداره می شود. آیا به سوی این هدف حرکت می کنیم؟ آیا قرار است تولیدکنندگان CPU نقش اندکی در صنعت کامپیوتر داشته باشند؟

محدودیت های GPU

فناوری GPU هنوز نمی تواند در برخی از زمینه ها با CPU سنتی رقابت کند. CPUهای جدید دارای مجموعه فرمان های عظیم و ویژگی های پیشرفته ای مانند اجرای همزمان چند دستور غیر وابسته و انشعاب فرضی هستند که عدم اتلاف چرخه های ساعت را تضمین می کنند. بنابراین، CPU در اجرای رمز تک رشته ای پیچیده ای که معرف اکثر برنامه هاست، بسیار موفق تر است. در حالی که پردازش داده های با مقیاس بزرگ شاید فقط برای طرح های تحقیقاتی و کاربردهای تجاری مورد نیاز باشد، در حوزه کاربردهای خانگی و تجاری غیر از مثال های نام آشنای ویرایش فیلم و تبدیل رمز، امور زیادی وجود ندارند که واقعاً از آن بهره مند شوند. این نکته مهم از دید اینتل پوشیده نیست.

وقتی از مایک آبِل، مهندس بازاریابی تولید این شرکت پرسیده شد که آیا این شرکت CUDA را یک تهدید در نظر می گیرد، وی به طور آشکار ترس خود را ابراز نکرد. وی تصدیق کرد که «در برخی موارد ممکن است بگویید CUDA از CPU مفیدتر است، اما وقتی DirectCompute و چیزهایی مانند آن را در نظر می گیرم، به اعتقاد من آنها برای ایستگاه های کاری پیشرفته در نظر گرفته شده اند. محاسبه با کارایی بالا بخش کاملاً متفاوتی با محاسبه متوسط است و در مورد محاسبه متوسط راه های مختلف زیادی وجود دارد که یک برنامه نرم افزاری کارایی داشته باشد، مانند تردینگ چندگانه» آبِل نمی توانست به طور دقیق درباره محاسبه GPU برای برنامه های کاربردی با کارایی بالا صحبت کند.

اما این طور نیز انتظار می رفت؛ زیرا اینتل فعلاً مشغول جبران خسارت های ناشی از عدم موفقیت Larrabee است؛ کارت گرافیکی که به سبک GPU تولید شده است و تولید آن در ماه دسامبر متوقف شده است. اما این شکست به خودی خود تا حد زیادی نشان دهنده محدودیت های محاسبه GPU است: هسته های Larrabee از پردازنده های جریانی Nvidia پیشرفته تر بودند که این امر اجرای امور پیچیده تر را برای آنها میسر می ساخت و موجب گران تر شدن، مصرف برق بیشتر و دشوارتر شدن برنامه ریزی آنها نیز می شد.

اما آبِل درباره محاسبه متوسط با خرسندی توضیح داد که تا جایی که به اینتل ارتباط دارد قدرت CPUهای آن برای نامرتبط دانستن محاسبه GPU کافیست. وی اظهار داشت که «CPU در عرصه کامپیوتر شخصی در رده اول قرار دارد و به اعتقاد ما در همین رده نیز باقی خواهد ماند. اگر کسی می خواهد بازی کند، می تواند یک کارت گرافیک مجزا تهیه کند. اما در مورد تبدیل رمز، آیا باید یک کارت گرافیک ۲۰۰ دلاری بخرم یا اینکه CPU من به قدر کافی خوب است؟ بر اساس مشاهدات و آزمایشات ما CPU کاملاً یک محصول رقابتی است و در برخی موارد کارایی بهتری نسبت به Nvidia و AMD دارد.» وی تصدیق کرد که DirectCompute نیز ممکن است در برخی موارد مفید باشد.

«ممکن است در زمینه های خاصی استفاده از آن معقول باشد. من نمی گویم اینتل هرگز از آن پشتیبانی نخواهد کرد. امروز یک راه حل کاملاً رقابتی در اختیار داریم، اما همیشه سعی می کنیم از همه منابع موجود در یک پردازنده به بهترین نحو استفاده کنیم و اگر روش های خلاقی برای انجام این کار وجود داشته باشد، مطمئناً آنها را ارزیابی خواهیم کرد

چنین موضعی مسلم و قطعی است اما همان طور که راجِر کِی تحلیل گر Endpoint Technologies اشاره می کند، اینتل به زحمت می تواند چیز دیگری بگوید. کِی می گوید: «تولید یک تراشه با کارایی و قدرتی که امکان رقابت در یک فضای محاسبه فوق العاده موازی را فراهم کند، به زمان بیشتری نیاز دارد

راند بعدی

مشاهده نحوه عملکرد راهکارهای مختلف اینتل و Nvidia در سال ۲۰۱۰ جالب توجه خواهد بود. اما قبل از اینکه به این بحث خاتمه دهیم، لازم به ذکر است که هر دو شرکت چند طرح دیگر برای ارائه دارند. Nvidia تاکنون نشان داده است که CUDA در بین سخت افزارهای موجود بازار خوبی دارد و Fermi در صدد شکوفایی امکانات بیشتر برنامه نویسی مبتنی بر GPU است. ضمناً اینتل امیدوار است با ارتقای مداوم پردازنده های خود از محاسبه GPU پیشی بگیرد و به آنها در انجام امور رسانه ای که منبع درآمد GPUهای مجزاست کمک کند.

رادوسلا والزیک، مدیر روابط عمومی شرکت اینتل تأیید کرد که «قبلاً اعلام شده بود که در Sandy Bridge (معماری نسل بعدی اینتل که در سال ۲۰۱۱ به بازار عرضه می شود) از دستورالعمل های جدید Advanced Vector Extensions استفاده خواهد شد. این می تواند کارایی محاسبات ممیز شناور را به طور قابل توجهی بهبود بخشد. ما طرح های دیگری نیز در دست اقدام داریم که فعلاً درباره آنها صحبت نخواهیم کرد.

اما می توانید مطمئن باشید که همگام با نسل های جدید سخت افزار، اینتل فناوری های جدیدی را عرضه خواهد کرد که قطعاً از عملیات چندرسانه ای برخوردار خواهند بود.» اما در نهایت هر تغییر و تحولی هم که صورت بگیرد، تردیدی وجود ندارد که محاسبه GPU وضعیت را برای همیشه تغییر داده است. همان طور که راجِر کِی نتیجه گیری می کند «مردم عادی به این زودی ها از محاسبه GPU استفاده نخواهند کرد، اما بلافاصله از دستاوردهای آن بهره مند خواهند شد: جلوه های انیمیشنی ساخته شده توسط استودیوهای مهم، داروهای کشف شده با استفاده از محاسبه GPU و شاید حتی هزینه پرداختی بابت مصرف انرژی؛ زیرا شرکت های نفت و گاز از این فناوری برای اکتشاف استفاده خواهند کرد

● AMD، وزنه تعادل

به عنوان تنها شرکت مهم تولیدکننده CPU و کارت گرافیک مجزا (با مارک ATI)، از AMD انتظار می رود دیدگاه بی طرفانه ای داشته باشد. درهمین باره نشریه PC PRO با ساشا مارینکویچ، مدیر بازاریابی این شرکت گفت وگویی داشته است که در زیر می خوانید:

آیا به نظر شما GPU دنیا را متحول خواهد کرد؟

انجام محاسبات از طریق GPU قطعاً تغییر الگوی بزرگی در شیوه حل مشکلات دنیای واقعی خواهد بود. تاکنون شاهد استقبال شرکت هایی مانند CyberLink، ArcSoft و Adobe از GPU بوده ایم. برای دستیابی توسعه دهندگان به این فناوری اقدامات اندکی لازم است، اما انتظار داریم شاهد برنامه های مبتنی بر GPU بیشتری در سال های ۲۰۱۰ و ۲۰۱۱ باشیم.

فکر می کنید مدل برنامه نویسی CUDA مزیتی را برای آن فراهم می کند؟

نمی خواهم درباره روش کسی اظهار نظر کنم، اما در گذشته شاهد شکست بسیاری از سیستم های اختصاصی بوده ایم. استانداردهای نامحدود OpenCL و DirectCompute در واقع تازه در چند ماه گذشته در دسترس قرار گرفته اند، اما هم اکنون صنعت به این استانداردها روی آورده است. زیرا توسعه دهندگان می خواهند از تلاش های مهندسی خود به بهترین نحو استفاده کنند و ما می خواهیم این استانداردهای صنعتی را در جهت فراهم کردن شرایط لازم برای سرمایه گذاران و توسعه پلتفرم ها هدایت کنیم.

حذف پردازشگر Larrabee شرکت اینتل فرصتی را برای AMD فراهم می کند؟ در چند سال گذشته به طور بی وقفه برای افزایش کارایی کارت های گرافیک مجزا پیش قدم بوده ایم و من متوجه نمی شوم که Larrabee چگونه می خواست این وضعیت را تغییر دهد. بنابراین ما فقط بر اجرا و وارد کردن ویژگی های ابتکاری به بازار تمرکز می کنیم.

آیا ظهور محاسبه به طریق GPU بدین معناست که از ارج و قرب CPU کاسته خواهد شد؟

AMD به یک پلتفرم متعادل اعتقاد دارد. یک GPU با تعداد زیادی پردازنده شاید قدرتمندترین سخت افزار محاسباتی در بازار باشد، اما GPU بیشتر برای بارگذاری های سری مناسب است. انتقال برنامه های مختلف به جای مناسب کاربر نهایی را از لحاظ کارایی بهره مند می سازد که این در مورد کامپیوترهای همراه احتمالاً به معنای افزایش طول عمر باتری خواهد بود. ما تنها شرکتی هستیم که هم CPU و هم GPU تولید می کنیم و توانایی ما برای تولید یک پلتفرم واقعاً متعادل ما را نسبت به رقبای مان برتر می سازد.

منبع: ماهنامه PC PRO، آوریل ۲۰۱۰
نویسنده: دارین گِراهام اِسمیت
مترجم: احمد شریفی

 

 

 

 

 

 

اخبار فن آوری اطلاعات ایتنا ( www.itna.ir )

 

www.pcdoc.blogsky.com

صفحات جانبی

نظرسنجی

    لطفاً نظرات خود را درمورد وبلاگ با اینجانب در میان بگذارید.(iman.sariri@yahoo.com)نتایج تاکنون15000مفید و 125غیرمفید. با سپاس


  • آخرین پستها

آمار وبلاگ

  • کل بازدید :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :