除了游戏，显卡在 AI 领域扮演着怎样的角色？

回答之前，福利先送上：

我们现在日常语境里就把显卡等同于 GPU 了，GPU 即图形处理单元，其最核心的特征是具有数千甚至上万个计算核心，可以并行、高效地处理工作负载。

先了解下机器学习和深度学习的概念和原理，再来说明下 GPU 发挥的作用。

机器学习(ML) 采用算法和统计模型，使计算机系统能够在大量数据中找到规律，然后使用可识别这些模式的模型来预测或描述新数据。简而言之，机器学习就是训练机器去学习，而不需要明确编程。机器学习作为 AI 的一个子集，以其最基本的形式使用算法来解析数据、学习数据，然后对现实世界中的某些内容做出预测或判断。

而深度学习又是机器学习的一个子集，使用多层人工神经网络精准完成物体检测、语音识别、语言翻译等任务。与众不同之处在于，深度学习算法可以自动从图像、视频或文本等数据中学习表征，无需引入人类领域的知识。深度学习中的“深度”一词表示用于识别数据模式的多层算法或神经网络。深度学习高度灵活的架构可以直接从原始数据中学习，这类似于人脑的运作方式，获得更多数据后，其预测准确度也将随之提升。

深度学习本质上就是大量的矩阵乘法、卷积运算，比如一个神经网络模型，本质上就是无数个神经元节点的加权求和与激活函数运算。GPU 拥有数千个计算核心，非常适合把海量的、相互独立的简单计算任务并行执行，这正是训练神经网络最需要的。

先进的深度学习神经网络通常包含数百万数十亿个参数，这些参数需要通过反向传播不断优化。同时，为了达到较高的模型精度，它们依赖于海量训练数据，这意味着成千上万甚至数百万个输入样本需要进行前向传播与反向传播计算。由于神经网络由大量结构相似的神经元组成，其计算过程天然具备高度并行性。这种并行特性非常适合映射到 GPU 上执行，相较于仅依赖 CPU 的训练方式，能够显著提升计算效率，因此 GPU 已成为训练大型复杂神经网络的首选平台。此外，推理阶段同样具有良好的并行特性，也非常适合在 GPU 上高效运行。

以 NVIDIA GPU 为例，其具有几个关键的特性：

• 先进的芯片架构和多处理器核心：GPU 拥有数千上万颗核心，具备高度并行计算能力，从 NVIDIA Volta 架构开始还集成了 NVIDIA Tensor Core 张量核心，专门加速矩阵运算。
• 大容量显存以及高显存带宽：GPU 往往具备大容量显存，且拥有比 CPU 更高的内存带宽，可以更快地将数据加载到 GPU 核心进行处理，避免了数据传输瓶颈。
• 软件生态加持：NVIDIA 推出的 CUDA 并行计算平台，让开发者可以直接用 GPU 做深度学习，几乎所有的深度学习框架都建立在 CUDA 之上。

所以在进行机器学习项目时，特别是在处理深度学习和神经网络时，往往采用高性能 GPU 作为理想的硬件解决方案，无论是神经网络的训练，还是高级算法的运行，选择适合的 GPU 都是深度学习工作流中不可或缺的一环。

NVIDIA RTX PRO™ 5000 Blackwell 作为高端专业显卡，基于NVIDIA Blackwell 架构而构建，并配备 48GB 或 72GB 超高速 GDDR7 内存，并且搭载第五代 Tensor Core，并增加了对 FP4 精度的支持，能够加速本地 LLM 的运行，开发新型 AI 模型，并推动增强内容创作和图形技术发展。

此前也有做过相关 AI 性能测试，供参考：