Виды процессоров: CPU, GPU, APU, NPU, FPGA и другие

Под словом процессор большинство пользователей подразумевают именно центральный процессор (CPU) или графический процессор (GPU). Но на деле в сфере вычислительных технологий есть огромное множество процессоров, которые необходимы для выполнения разных типов задач. Сегодня мы расскажем вам о всех популярных разновидностях процессоров, необычных экземплярах, а также выделим наиболее известных производителей этих чипов. 

Центральный процессор (CPU) — наиболее распространенный вид процессора, который является важнейшим компонентов любого вычислительного устройства. По сути, центральный процессор можно назвать мозгом системы, который выполняет все вычислительные операции и контролирует работу других компонентов. Центральные процессоры состоят являются полупроводниками, состоящими из миллиардов транзисторов. К главным характеристикам центральных процессоров относится количество ядер, тактовая частота ядер, тепловыделение(TDP) и техпроцесс, на котором он создан. Процессоры могут быть оптимизированы под работу в разных типах устройств, например, серверах, рабочих станциях, ноутбуках, игровых ПК, периферийных устройствах и так далее. С каждым годом крупнейшие производители центральных процессоров, такие как AMD, Intel и Nvidia активно конкурируют друг с другом и каждая из них пытается создать наиболее технологичные, передовые CPU, которые закроют потребности множества сегментов рынка. Вот несколько примеров передовых центральных процессоров от AMD, Intel и Nvidia:

• AMD Ryzen 7 9800X3D — лучший десктопный игровой процессор в мире, выпущенный компанией AMD;
• Apple M4 — процессор для мобильных и десктопных устройств, представленный компанией Apple;
• Nvidia Grace — северный центральный процессор от Nvidia, который используется интегрируется в корпоративные системы в связке с графическими процессорами от Nvidia для ускорения операций с ИИ.

Игровой процессор AMD Ryzen 7 9800X3D. Источник: 3dnews.

В данный момент эти технологические гиганты фокусируют свое производство на выпуск процессоров, оптимизированных под работу с обучением и инференсом крупных моделей искусственного интеллекта, поскольку в последние годы эта сфера активно развивается и у разработчиков есть большие потребности в мощном вычислительном оборудовании. Наряду с этим, идет активная борьба производителей процессоров на архитектурах x86 и ARM. Ранее позицию лидерства твердо занимали чипы x86, однако ARM-чипы от таких компаний, как Apple, Qualcomm и Ampere, с каждым новым поколением CPU постепенно отвоевывают лидирующие позиции у процессоров на архитектуре x86.

Графический процессор (GPU) — второй по распространенности тип процессора после GPU и предназначенный для ускорения обработки графических данных и выполнения сложных параллельных вычислений. Изначально GPU создавались для обработки двухмерных и трехмерных изображений в реальном времени, однако, со временем функционал графических чипов расширялся и на сегодняшний день их функционал вышел далеко за рамки своего первичного назначения. Сейчас GPU являются главным компонентом для выполнения таких задач, как инференса ИИ, машинного обучения, научных вычислений и обработки больших объемов данных. В отличие от центральных процессоров, графические чипы имеют гораздо большее количество вычислительных блоков огромным количеством ядер, что и дает возможность выполнять огромное количество параллельных вычислительных операций с наибольшей скоростью. Наиболее успешным производителем графических процессоров является компания Nvidia, однако, на рынке ей составляют конкуренцию другие компании, например, AMD и Intel. Вот несколько современных графических процессоров от популярных производителей:

• Nvidia Blackwell B200 — передовые графические процессоры от Nvidia, предназначенные для интеграции в системы разработчиков искусственного интеллекта;
• AMD Radeon RX 7900 XT — производительные графические карты от компании AMD для десктопных устройств;
• Intel Arc A770 — GPU среднего ценового сегмента от Intel, ориентированные на потребительский рынок. Эти графические процессоры предлагают оптимальный баланс цены и производительности.

Accelerated Processing Unit (APU) — это чип, состоящий из центрального процессора (CPU) и графического процессора (GPU) на одном кристалле. AMD разработала APU в 2011 году как альтернативу традиционной связке отдельных процессоров и видеокарт, изначально они предназначались для распространения на массовом рынке (ноутбуки, ПК и игровые консоли) предлагая энергоэффективную и компактную архитектуру, где не нужно интегрировать отдельную графический ускоритель. Однако, сейчас ареал распространения APU расширился и их можно найти даже в серверах. Помимо этого современные APU, такие как чипы Ryzen с интегрированной графической архитектурой RDNA или Vega, способны обеспечивать высокую производительность как в мультимедийных приложениях, так и играх или профессиональных задачах. Одним из ключевых преимуществ APU является их энергоэффективность и минимизация задержек между процессором и графическим ядром, что обуславливается использованием общей памяти, обычно в формате DDR или HBM. Технология создания чипов APU запатентована компанией AMD, поэтому на рынке практически не распространены APU от других производителей. 

Neural Processing Unit (NPU), или нейронный процессор — специализированный чип, разработанный для ускорения задач, связанных с искусственным интеллектом и машинным обучением. Этот чип стал важным элементом современных вычислительных систем, в работе которых применяется искусственный интеллект. NPU создан для выполнения специфических операций, таких как матричные вычисления и операции с плавающей запятой, которые требуют высокой вычислительной мощности при минимальном энергопотреблении. Главная особенность NPU заключается в параллельной архитектуре, оптимизированной для обработки больших массивов данных одновременно, что делает его гораздо эффективнее традиционных CPU и GPU в задачах ИИ. Чаще всего NPU применяются в составе SoC чипов для десктопных систем, однако, их также можно встретить и в серверных системах, предназначенных для обучения и инференса больших языковых моделей. Как и в случае с другими типами процессоров, на которые есть большой спрос, большие производители вычислительного оборудования тоже выпускают свои версии NPU, и вот некоторые из них:

• AMD XDNA 2 — архитектура NPU от AMD, которая встраиваются в гибридные процессоры серии Ryzen AI 300;
• NPU 4.0 — архитектура Intel, которая интегрируются в современные процессоры Intel Core 200;
• Hexagon NPU — NPU-блок от производителя Qualcomm, интегрируемый в чипы серии Snapdragon.

Tensor Processing Unit (TPU), или тензорный процессор — специализированный чип, разработанный для выполнения вычислений, связанных с задачами машинного обучения и искусственного интеллекта. В отличие от NPU, которые также специализируются на ИИ-операциях, TPU используют тензорные ядра, а не нейронные вычислительные блоки, а также обеспечивают высокую производительность при выполнении конкретных математических вычислений, в частности, тензорных операций. Кроме того, тензорные процессоры потребляют в разы больше энергии и имеют большие габариты, чем нейронные процессоры, за счет чего их не получится интегрировать в периферийные системы. Впервые представленные в 2016 году TPU от Google изначально создавались для обработки операций с тензорами, которые являются основой глубокого обучения ИИ-моделей, но сейчас их функционал более широк. Эти процессоры также оптимизированы для работы с фреймворками, такими как TensorFlow и PyTorch. TPU интегрируются исключительно в высокопроизводительные серверные системы и их не встретить в десктопных устройствах. 

TPU выделяются своим упором на энергоэффективность и способность обрабатывать огромные массивы данных параллельно, что делает их более подходящими для специфических операций, например, умножения матриц, по сравнению с универсальными GPU. Одной из ключевых особенностей TPU является их высокая производительность — современные версии, такие как TPU Trillium v6 от Google, способны обеспечивать вычислительную мощность, достигающую 918 TFLOPS в вычислениях c половиной точностью (BF16), что значительно ускоряет процесс обучения больших языковых моделей ИИ. TPU активно используются в облачных сервисах Google Cloud, предоставляя компаниям и разработчикам доступ к масштабируемым и мощным ресурсам для выполнения ИИ-задач. Помимо этого, тензорные процессоры также находят применение в научных исследованиях, обработке медицинских данных и разработке автономных систем. Тензорные процессоры часто используются в купе с другими компонентами ИИ-систем, например, GPU, APU и NPU, за счет чего такие инфраструктуры обладают наибольшей производительностью для обучения передовых моделей искусственного интеллекта с сотнями миллиардов параметров.

Data Processing Unit (DPU), или процессор обработки данных — сопроцессор, разработанный для выполнения задач, связанных с управлением данными и ускорением различных операций, присущих различным дата-центрам и облачным средам. Спрос на DPU обусловлен тем, что эти процессоры предназначены исключительно для обработки данных и операций ввода вывода, тем самым разгружая центральный процессор и позволяя ему выполнять другие, более значимые задачи, и таким образом повышается общая производительность системы. Помимо этого, DPU также могут увеличить показатель безопасности сетевой инфраструктуры, за счет выполнения анализа трафика и выявления подозрительных операций с данными. Компании, такие как NVIDIA и AMD, активно развивают DPU-архитектуры, которые включают в себя программируемые ядра, аппаратные ускорители и сетевые адаптеры с поддержкой высокой пропускной способности, достигающей 400 Гбит/с. С развитием технологий IoT и искусственного интеллекта, DPU становятся все более и более востребованным элементом в построении инфраструктур нового поколения, обеспечивая как высокую производительность систем, так и защиту конфиденциальных данных в условиях постоянно растущего объема трафика. Можно выделить следующие популярные модели чипов DPU:

• Nvidia Bluefield-3 — программируемые сетевые карты для обработки данных от Nvidia со скоростью обработки данных в 400 Гбит/с, ставшие первыми DPU с поддержкой PCIe 5.0. Сегодня такие ускорители лежат в основе современных ЦОД и инфраструктурах облачных провайдеров.
• AMD Pensando Salina 400 — передовой программируемый сопроцессор для обработки данных с пропускной способностью в 400 Гбит/с и уникальной архитектурой полностью программируемых ядер P4.

Field-Programmable Gate Array (FPGA), или программируемая пользователем вентильная матрица — это особая разновидность микросхемы, главным преимуществом которой является возможность гибкой настройки ее архитектуры под выполнение конкретных задач, в зависимости от сферы ее использования. При использовании FPGA, пользователи могут перепрошить отдельные логические блоки схемы, чтобы она могла выполнять конкретные типы алгоритмов. Например, в сетевых системах FPGA используется для обработки пакетов данных на скорости, недостижимой для традиционных процессоров, а в задачах машинного обучения — для создания кастомизированных архитектур нейронных сетей, соответствующих потребностям конкретного приложения. Кроме того, наиболее широкое применение FPGA схемы получили в секторе периферийных вычислений. Современные FPGA могут содержать миллионы логических элементов, интегрированные блоки памяти и специализированные модули, такие как DPU или NPU. Схемы FPGA часто путают с ASIC-схемами ввиду схожих возможностей, однако, FPGA можно адаптировать под выполнение разных типов задач за счет их широкой гибкости в настройке, в то время как ASIC оптимизированы только под выполнение конкретного типа операций. FPGA-схемы от популярных изготовителей:

• AMD Spartan UltraScale+ — серия программируемых FPGA схем, появившаяся в результате выкупа компании Xilinx производителем AMD и предназначенные для применения в широком спектре периферийных приложений;
• Intel Agilex — одна из серий FPGA-схем от Intel, предназначенные для уменьшения задержек, увеличения производительности и ускорения обработки данных в периферийных устройствах, инфраструктурах для виртуализации и дата-центрах.

В условиях динамично развивающегося рынка, микросхемы FPGA становятся одним из наиболее востребованных компонентов, поскольку компании могут адаптировать эти устройства под постоянно меняющиеся потребности. Скорее всего, в дальнейшем FPGA будут развиваться как интеграция в гибридные SoC чипы для периферийных устройств и сектора IoT.

Application-Specific Integrated Circuit (ASIC), или специализированная интегральная схема, представляет собой чип, разработанный для выполнения конкретной задачи или набора задач с максимально возможной производительностью и минимальным энергопотреблением. В отличие от универсальных процессоров, таких как CPU, GPU и APU, ASIC создаются для строго определенных функций, что делает их оптимальными для использования в узкоспециализированных системах, где важна скорость и эффективность выполнения одной или нескольких задач. ASIC активно используются в телекоммуникациях, медицинской технике, автомобильной промышленности и потребительском сегменте. Например, чипы ASIC применяются в маршрутизаторах, периферийных системах, дата-центрах, некоторых серверных системах, ИИ-инфраструктурах, а также в специальных устройствах для добычи криптовалют (майнерах). Преимущества ASIC включают не только высокую производительность, но и компактность, которая позволяет интегрировать их в устройства с ограниченным пространством и энергопотреблением. С развитием IoT, мобильных и автономных систем, потребность в ASIC будет только расти, так как они обеспечивают оптимальное сочетание производительности, надежности и энергоэффективности для специализированных задач. Примеров ASIC-схем популярных компаний не так много — одним из немногих примеров можно назвать ASIC-схемы Meta**  MTIA v2* и MSVP*. MTIA v2* оптимизируют работу генеративных моделей и ИИ-сервисов на базе модели LLAMA*, а MSVP* предназначены для транскодирования видеопотока с использованием возможностей ИИ.

Quantum Processing Unit (QPU), или квантовый процессор — интересный тип вычислительного устройства, который использует принципы квантовой механики для решения наиболее сложных задач, с которыми не справляются традиционные типы процессоров. Основой работы QPU являются кубиты (квантовые биты, выступают вместо ядер), которые находиться в суперпозиции, одновременно представляя значения 0 и 1, что позволяет квантовым процессорам параллельно обрабатывать максимально возможное количество вычислений. Эта уникальная архитектура делает QPU особенно эффективными в задачах оптимизации, моделирования химических и физических процессов, других сложнейших научных вычислений, глубокого машинного обучения, криптографии и анализа больших объемов данных данных. Ключевым отличием QPU от классических CPU и GPU является способность решать сложнейшие задачи, при этом с полным отсутствием каких-либо задержек. Крупнейшие IT-компании, такие как IBM и Google, активно развивают эту технологию, используя различные подходы к созданию процессоров на кубитах — они создают сверхпроводящие схемы, устройства на захваченных ионах и другие разновидности QPU. Например, квантовый процессор IBM Condor, оснащенный 1121 кубитами, демонстрирует впечатляющие результаты в симуляциях химических веществ, тогда как Google Sycamore всего за 200 секунд произвел вычисления, которые бы заняли у суперкомпьютера на основе центральных процессоров 10 000 лет.

Однако QPU все еще находятся на ранних этапах развития и сталкиваются с рядом трудностей, которые связаны с особенностями квантовой механики:

• Требование изоляции. Квантовые процессоры обязательно нужно изолировать от воздействия окружающей среды, вплоть до воздуха, поскольку это приведет к так называемым ошибкам декогенерации и процессор не сможет корректно выполнять вычисления — чип начнет считывать информацию из окружающей среды. 
• Охлаждение. Квантовому процессору не подойдет обычная система охлаждения — QPU нужно охлаждать до сверхнизких температур близких к абсолютному нулю температуры (0К);
• Сложность масштабирования квантовых систем. До недавнего времени масштабировать квантовые системы было полностью невозможно, однако, в ноябре 2024 года, IBM представила передовую систему, объединяющую в себе 2 QPU. Тем не менее, такие устройства все равно сложны в производстве ввиду особенностей работы QPU;
• Огромная стоимость производства. На данном этапе развития QPU на их создание уходит огромное количество средств, ввиду чего их серийное производство очень ограничено.

Существуют и гибридные системы, объединяющие CPU с QPU, позволяя использовать преимущества квантовых вычислений в коммерческих приложениях. Например, квантовые алгоритмы оптимизации интегрируются в логистические системы и финансовые рынки, а квантовая криптография обещает обеспечивает полную безопасную передачи данных.

В будущем, с увеличением числа кубитов и развитием инфраструктуры для работы с QPU, квантовые процессоры могут стать основой вычислительных систем нового поколения, выступая катализатором прогресса в науке, медицине, искусственном интеллекте и важнейших областях.

Photonic Integrated Circuit (PIC), или фотонная интегральная схема — чип, который объединяет оптические компоненты, такие как лазеры, модуляторы, фотодетекторы и волноводы, на одном кристалле. PIC не является аналогом CPU, так как их архитектуры очень отличаются, поэтому их невозможно применять в традиционных вычислительных устройствах — их главная сфера применения затрагивает передачу данных на сверхвысоких скоростях. В отличие от электронных интегральных схем и полупроводников, работающих с электрическими сигналами, PIC использует свет для передачи и обработки информации, что обеспечивает ряд уникальных преимуществ, таких как высокая пропускная способность, низкое энергопотребление, устойчивость к электромагнитным помехам и огромная скорость вычислений. Чаще всего PIC создают из кремния, поэтому фотонные процессоры с легкостью интегрируются в большинство современных микроэлектронных систем. Сфера применения PIC затрагивает телекоммуникации, оптические сети, высокопроизводительные вычисления, центры обработки данных и другие секторы, где требуется моментальная передача объемов данных на очень большие расстояния. Современные фотонные интегральные схемы также активно развиваются в таких областях, как квантовые вычисления, медицинская диагностика и сенсорика. В квантовых системах PIC используется для создания фотонных кубитов, обеспечивая точное управление светом на нанометровом уровне. В медицине фотонные чипы применяются для оптического анализа биологических образцов, что ускоряет процессы диагностики заболеваний. В сенсорных системах, например для автономных автомобилей, PIC играет важную роль, обеспечивая высокоточную работу лидара. На данный момент существует только одна компания, которая производит фотонные процессоры для разработки искусственного интеллекта — Lightmetter. В числе продуктов компании можно выделить фотонный процессор ENVISE SoC, который значительно уменьшает задержку и увеличивает пропускную способность, сохраняя при этом высокую энергоэффективность. Это обуславливается тем, что ENVISE SoC не имеет тактовой частоты в привычном понимании, как у центральных процессоров, поскольку фотонный ядерный блок работает на скорости света, что и объясняет эффективность таких чипов. Сочетание энергоэффективности и высокой скорости передачи данных особенно полезно для сектора ИИ, поэтому ENVISE SoC потенциально могут успешно применяться в этой сфере.

Несмотря на сложность производства и высокую стоимость разработки, PIC обладает огромным потенциалом для массового внедрения. Тем не менее, ученые разрабатывают новые, более совершенные материалы для создания фотонных чипов, а также активно развиваются оптические технологии, поэтому со временем могут появиться более компактные, экономичные и универсальные PIC, которые можно будет использовать во многих секторах рынка, например, для разработки ИИ и развертывания коммерческих приложений.

Как мы выяснили, процессоров существует немало, причем, все они обладают своими уникальными особенностями, выполняют разные типы задач и имеют особые архитектурные отличия. Однако, несмотря на это разнообразие, в данный момент большая часть инновационных технологических решений в области полупроводниковой промышленности направлено на развитие сферы искусственного интеллекта и машинного обучения. Такие гиганты индустрии, как AMD, Nvidia и Intel, в рамках конкуренции друг с другом, создают ИИ-ускорители, высокопроизводительные процессоры различных видов и другие передовые устройства, которые закрывают потребности разработчиков больших языковых моделей от таких крупных компаний, как Google, OpenAI и Meta**. Однако, с учетом такого быстрого появления более совершенных CPU и GPU и ускоренного развития ИИ, в скором времени традиционная полупроводниковая промышленность может столкнуться с технологическим потолком. Из-за этого разработчикам ИИ, а также потребителям из других сегментов рынка, нужно будет обратить внимание на альтернативные решения, вроде квантовых или фотонных процессоров, что и станет толчком к активному развитию этих технологий. 

*MTIA и MSVP — проекты Meta Plarforms Inc.**, деятельность которой в России признана экстремистской и запрещена.

*LLAMA 3.2 — проект Meta Plarforms Inc.**, деятельность которой в России признана экстремистской и запрещена.

**Деятельность Meta Platforms Inc. в России признана экстремистской и запрещена.