Bạn mua một chiếc card đồ họa để chơi game cho mượt. Vài năm sau, chính loại chip ấy lại trở thành thứ các công ty công nghệ lớn nhất thế giới tranh nhau mua với giá hàng chục nghìn đô la mỗi chiếc. Nghe có vẻ khó tin, nhưng đó là câu chuyện có thật của GPU.
Vậy GPU là gì, nó khác CPU ở đâu, và vì sao một con chip sinh ra để vẽ hình trong game lại trở thành trái tim của trí tuệ nhân tạo? Bài viết này sẽ giải thích từ gốc, bằng ví dụ đời thường, để bạn đọc xong là hiểu.
Câu trả lời ngắn: GPU (bộ xử lý đồ họa) là con chip có hàng nghìn nhân nhỏ làm việc cùng lúc. Nó được thiết kế để tô hàng triệu điểm ảnh trong game, nhưng AI cũng cần đúng kiểu sức mạnh đó: làm hàng tỷ phép nhân đơn giản song song. Vì vậy GPU chạy AI nhanh hơn CPU rất nhiều lần.
Nếu bạn thích nghe kể bằng hình ảnh động, hãy xem video giải thích GPU là gì trên kênh Nhật Phúc. Video ngắn khoảng vài phút, còn bài viết dưới đây đi sâu hơn vào từng ý.
Tóm tắt nhanh
- CPU giống một giáo sư giỏi giải bài khó; GPU giống cả giảng đường cùng làm phép tính đơn giản.
- Game cần GPU vì mỗi khung hình phải tô lại hàng triệu điểm ảnh bằng cùng một kiểu phép tính.
- Mạng nơ-ron của AI về bản chất là núi phép nhân ma trận, rất hợp với kiểu làm việc của GPU.
- CUDA (2007) và AlexNet (2012) là hai cột mốc biến card đồ họa thành chip AI.
- Chip AI đắt và khan hiếm vì nhu cầu tăng vọt, còn bộ nhớ và dây chuyền sản xuất khó mở rộng nhanh.
Nội dung chính:
- GPU là gì?
- CPU và GPU khác nhau thế nào?
- Vì sao game cần GPU?
- Vì sao GPU chạy AI nhanh hơn CPU?
- Lịch sử: từ card game thành chip AI
- GPU, TPU và NPU khác gì nhau?
- Vì sao chip AI đắt và khan hiếm?
- Ba động lực đưa AI cất cánh
- Hiểu lầm phổ biến về GPU
- Khi nào bạn cần GPU mạnh?
- Câu hỏi thường gặp
GPU là gì?
GPU là viết tắt của Graphics Processing Unit, tức bộ xử lý đồ họa. Đây là con chip chuyên lo phần hình ảnh: dựng cảnh 3D trong game, phát video, hiển thị giao diện mượt mà. Trong máy tính, GPU có thể nằm chung trong con chip CPU (gọi là GPU tích hợp) hoặc là một tấm card riêng cắm vào bo mạch chủ (gọi là card đồ họa rời).
Điểm đặc biệt của GPU không nằm ở chỗ mỗi nhân của nó mạnh. Ngược lại, từng nhân của GPU khá đơn giản. Sức mạnh thật sự đến từ số lượng nhân rất lớn chạy cùng lúc. Một CPU máy tính phổ thông thường có khoảng 8 đến 24 nhân, trong khi một GPU chơi game cao cấp có hơn 16.000 nhân tính toán nhỏ.
Cần nói thêm cho chính xác: “nhân” của GPU (NVIDIA gọi là nhân CUDA) không tương đương một nhân CPU. Nó giống một làn tính toán nhỏ hơn, chỉ giỏi vài phép cộng, phép nhân cơ bản. Vì vậy so sánh số nhân chỉ để thấy cách thiết kế khác nhau, không phải để nói GPU “mạnh gấp nghìn lần” CPU.
CPU và GPU khác nhau thế nào?
Cách dễ hiểu nhất là dùng một phép so sánh mà video cũng dùng: hãy hình dung CPU là một vị giáo sư, còn GPU là cả một giảng đường đầy sinh viên.
CPU: một giáo sư giải bài khó
Vị giáo sư rất giỏi. Đưa cho ông một bài toán nhiều bước, có điều kiện “nếu thế này thì làm thế kia”, ông giải nhanh và chính xác. Đó chính là CPU (Central Processing Unit, bộ xử lý trung tâm). Nó điều phối cả hệ thống: chạy hệ điều hành, mở ứng dụng, xử lý những việc phải làm tuần tự, bước sau phụ thuộc bước trước.
GPU: cả giảng đường làm phép tính đơn giản
Bây giờ giả sử bạn có 10.000 phép nhân hai chữ số. Giáo sư giỏi đến mấy cũng phải làm lần lượt từng phép. Còn nếu chia cho một giảng đường vài nghìn sinh viên, mỗi người làm vài phép cùng lúc, cả lớp sẽ xong trước giáo sư rất lâu. Mỗi sinh viên không giỏi bằng giáo sư, nhưng với loại việc này, số đông thắng.
Tóm lại, CPU tối ưu cho độ trễ thấp (làm một việc thật nhanh), còn GPU tối ưu cho thông lượng cao (làm thật nhiều việc cùng lúc). Hai con chip bổ sung cho nhau chứ không thay thế nhau. Máy tính nào cũng cần CPU, kể cả những cụm máy chủ AI khổng lồ.
Vì sao game cần GPU?
Để hiểu vì sao GPU được thiết kế “đông người” như vậy, hãy nhìn vào cách một khung hình game được tạo ra. Một màn hình Full HD 1920×1080 có khoảng 2 triệu điểm ảnh. Game muốn mượt thì phải vẽ lại toàn bộ màn hình khoảng 60 lần mỗi giây, có khi 144 lần hoặc hơn.
Bốn chặng của một khung hình
Đầu tiên, máy tính toạ độ của hàng nghìn tam giác tạo nên nhân vật, toà nhà, cây cối. Tiếp theo, cảnh 3D được chia thành từng điểm ảnh trên màn hình phẳng. Sau đó mỗi điểm ảnh được tô màu: tính ánh sáng chiếu vào, bóng đổ, vân bề mặt của vật liệu. Cuối cùng, khung hình hoàn chỉnh được đẩy lên màn hình.
Điểm mấu chốt: cùng một phép tính, lặp lại hàng triệu lần
Điều quan trọng là phép tính cho điểm ảnh này gần như giống hệt điểm ảnh bên cạnh, chỉ khác dữ liệu đầu vào. Điểm ảnh ở góc trái không cần chờ điểm ảnh ở góc phải. Đây là kiểu công việc mà giới kỹ thuật gọi là song song dữ liệu: chia nhỏ được, làm cùng lúc được. GPU sinh ra chính là để làm việc này.
Vì sao GPU chạy AI nhanh hơn CPU?
Đến đây là phần thú vị nhất. Hóa ra trí tuệ nhân tạo hiện đại, cụ thể là mạng nơ-ron (neural network), cũng cần đúng kiểu sức mạnh mà game cần.
Mạng nơ-ron thực chất làm gì?
Khi bạn gõ một câu hỏi cho chatbot hay đưa một tấm ảnh cho AI nhận dạng, dữ liệu đó trước hết được đổi thành dãy số. Mạng nơ-ron gồm nhiều lớp, mỗi lớp chứa hàng triệu con số gọi là trọng số. Công việc của mỗi lớp rất đơn điệu: lấy dãy số đầu vào, nhân với trọng số, cộng dồn lại, rồi chuyển kết quả sang lớp tiếp theo.
Trong toán học, kiểu “nhân rồi cộng dồn hàng loạt” này gọi là nhân ma trận. Một mô hình ngôn ngữ lớn có thể có hàng tỷ trọng số, nên mỗi lần trả lời là hàng tỷ phép nhân. Lúc huấn luyện mô hình, con số này còn lớn hơn rất nhiều lần.
Vì sao nó hợp với GPU?
Phần lớn các phép nhân trong một lớp không phụ thuộc vào nhau, giống hệt chuyện các điểm ảnh trong game. Vậy là có thể chia cho hàng nghìn nhân GPU làm cùng lúc. Thêm vào đó, GPU có băng thông bộ nhớ rất lớn, tức là đọc và ghi dữ liệu nhanh, điều cực kỳ quan trọng khi phải liên tục nạp hàng tỷ trọng số.
Các thế hệ GPU về sau còn được bổ sung những khối tính toán chuyên cho phép nhân ma trận (NVIDIA gọi là Tensor Core, xuất hiện từ khoảng năm 2017). Nhờ vậy, cùng một bài toán AI, GPU có thể làm nhanh hơn CPU hàng chục, thậm chí hàng trăm lần, tùy loại việc và phần mềm.
Lịch sử: từ card game thành chip AI
GPU không tự nhiên trở thành chip AI. Có vài cột mốc quan trọng đã mở đường.
1999: cái tên GPU ra đời
Năm 1999, NVIDIA giới thiệu GeForce 256 và quảng bá đây là “GPU đầu tiên trên thế giới”. Thời đó, GPU chỉ biết làm đúng một việc: vẽ hình. Lập trình viên muốn dùng nó cho việc khác phải “giả” bài toán của mình thành bài toán đồ họa, rất vất vả.
2007: CUDA mở khoá sức mạnh của GPU
Bước ngoặt đầu tiên là CUDA, nền tảng lập trình NVIDIA phát hành năm 2007. CUDA cho phép lập trình viên viết chương trình tính toán thông thường chạy thẳng trên GPU, không cần giả làm đồ họa nữa. Từ đây, các nhà khoa học bắt đầu dùng GPU cho mô phỏng thời tiết, vật lý, sinh học.
Điều ít người để ý là CUDA quan trọng không kém con chip. Một GPU mạnh mà không có phần mềm tốt thì giống chiếc xe đua không có đường chạy. Sau nhiều năm, quanh CUDA đã hình thành cả một hệ sinh thái thư viện toán học và công cụ học sâu, và đây là một lý do lớn khiến GPU của NVIDIA chiếm ưu thế trong AI.
2012: AlexNet và khoảnh khắc thay đổi cả ngành
Năm 2012, một nhóm nghiên cứu tại Đại học Toronto mang mạng nơ-ron AlexNet tham gia cuộc thi nhận dạng ảnh ImageNet. Điều đáng chú ý: họ huấn luyện nó trên hai card đồ họa chơi game GTX 580, chứ không phải siêu máy tính.
Kết quả gây chấn động: tỷ lệ lỗi top-5 (tức đáp án đúng không nằm trong 5 dự đoán hàng đầu) của AlexNet chỉ khoảng 15,3%, trong khi đội xếp thứ hai khoảng 26,2%. Ở một cuộc thi mà các đội thường hơn kém nhau vài điểm, cách biệt hơn 10 điểm là cực lớn. Từ đó, giới nghiên cứu ồ ạt chuyển sang học sâu trên GPU.
2016 đến nay: chip chuyên cho AI và kỷ nguyên AI tạo sinh
Năm 2016, Google công bố TPU, một con chip thiết kế riêng để chạy AI trong trung tâm dữ liệu của họ. Những năm gần đây, với sự bùng nổ của chatbot và AI tạo sinh, các công ty xây những cụm máy chủ chứa hàng chục nghìn GPU để huấn luyện mô hình.
GPU, TPU và NPU khác gì nhau?
Khi tìm hiểu về chip AI, bạn sẽ gặp thêm vài cái tên. Chúng cùng mục đích tăng tốc AI, nhưng phục vụ những chỗ khác nhau.
| Loại chip | Thế mạnh | Thường gặp ở |
|---|---|---|
| GPU | Đa năng: đồ họa, huấn luyện và chạy AI | PC chơi game, máy trạm, trung tâm dữ liệu |
| TPU | Chuyên nhân ma trận cho AI | Dịch vụ đám mây của Google |
| NPU | Chạy AI nhẹ, tiết kiệm điện | Điện thoại, laptop đời mới |
TPU: chuyên gia một nghề
TPU (Tensor Processing Unit) bỏ bớt những phần đồ họa không cần thiết, dồn toàn bộ diện tích chip cho phép nhân ma trận. Đổi lại, nó kém linh hoạt hơn GPU và chủ yếu được dùng qua dịch vụ đám mây của Google.
NPU: chip AI trong túi bạn
NPU (Neural Processing Unit) là khối xử lý AI nhỏ nằm trong chip điện thoại và laptop đời mới. Nó lo những việc như xoá phông ảnh, lọc tiếng ồn khi gọi, nhận diện giọng nói, với mức tiêu thụ điện rất thấp. NPU không dùng để huấn luyện mô hình lớn, mà để chạy AI ngay trên thiết bị.
Vì sao chip AI đắt và khan hiếm?
Bạn có thể từng đọc tin các công ty phải xếp hàng chờ mua GPU cho trung tâm dữ liệu, và mỗi con chip AI cao cấp có giá lên tới hàng chục nghìn đô la. Có vài lý do chính.
Nhu cầu tăng vọt
Từ khi AI tạo sinh bùng nổ, rất nhiều công ty muốn huấn luyện hoặc vận hành mô hình riêng. Mỗi dự án lớn không cần một vài GPU, mà cần cả cụm hàng nghìn chiếc nối với nhau.
Bộ nhớ HBM và khâu đóng gói phức tạp
Chip AI cao cấp dùng bộ nhớ HBM (High Bandwidth Memory), loại bộ nhớ xếp chồng nhiều lớp đặt sát con chip để truyền dữ liệu cực nhanh. Chỉ một số ít nhà sản xuất làm được loại bộ nhớ này. Việc ghép chip và bộ nhớ lại với nhau cũng cần công nghệ đóng gói tiên tiến, dây chuyền riêng, không thể mở rộng trong vài tháng.
Không chỉ là phần cứng
Người mua chip AI còn trả tiền cho phần mềm, thư viện và hệ sinh thái đi kèm. Như đã nói ở phần CUDA, đổi sang nền tảng khác đồng nghĩa với việc viết lại và tối ưu lại rất nhiều thứ, nên nhiều công ty chấp nhận chờ và trả giá cao.
Ba động lực đưa AI cất cánh
GPU rất quan trọng, nhưng nó chỉ là một mảnh ghép. AI hiện đại bùng nổ nhờ ba thứ đến cùng một lúc.
Dữ liệu
Internet tạo ra kho chữ, ảnh, video khổng lồ để máy học. Bộ dữ liệu ImageNet mà AlexNet dùng có hơn một triệu ảnh được gắn nhãn, một con số không tưởng vài chục năm trước.
Thuật toán
Ý tưởng mạng nơ-ron đã có từ rất lâu, nhưng phải đến khi học sâu được cải tiến, và sau đó là kiến trúc Transformer (công bố năm 2017), AI mới đạt được khả năng hiểu và tạo ngôn ngữ như ngày nay.
Phần cứng
Có dữ liệu và thuật toán mà không đủ sức tính thì vẫn chịu. GPU biến những việc huấn luyện có thể mất nhiều năm trên CPU thành vài tuần. Có thể nói GPU là động cơ, dữ liệu là nhiên liệu, còn thuật toán là bản thiết kế của chiếc xe AI.
Hiểu lầm phổ biến về GPU
“GPU nhanh hơn CPU ở mọi việc”
Không đúng. GPU chỉ vượt trội với những việc chia nhỏ được thành nhiều phần giống nhau. Mở trình duyệt, chạy Excel, xử lý logic phức tạp thì CPU vẫn là chính. Vì thế máy tính luôn cần cả hai.
“Nhiều nhân hơn là mạnh hơn”
Số nhân chỉ là một yếu tố. Dung lượng và tốc độ bộ nhớ, kiến trúc chip, phần mềm hỗ trợ đều ảnh hưởng lớn. Với AI, dung lượng bộ nhớ của GPU (VRAM) thường quyết định bạn chạy được mô hình lớn cỡ nào.
“Muốn dùng AI phải mua GPU đắt tiền”
Phần lớn người dùng phổ thông dùng AI qua dịch vụ đám mây: chatbot, công cụ tạo ảnh, trợ lý trên điện thoại. GPU nằm ở trung tâm dữ liệu, không phải trên bàn của bạn. Chỉ khi muốn chạy mô hình ngay trên máy, bạn mới cần quan tâm đến GPU riêng.
Khi nào bạn thực sự cần một GPU mạnh?
Hiểu GPU rồi, câu hỏi thực tế là: mình có cần không? Dưới đây là vài gợi ý để bạn tự đánh giá.
1. Chơi game 3D và làm đồ họa
Đây vẫn là lý do phổ biến nhất. Game càng đẹp, độ phân giải càng cao, tần số quét càng lớn thì càng cần GPU mạnh. Dựng video, làm 3D, thiết kế cũng hưởng lợi rõ rệt.
2. Chạy AI ngay trên máy tính
Nếu bạn muốn chạy mô hình tạo ảnh hoặc mô hình ngôn ngữ trên máy riêng để bảo mật dữ liệu hoặc thử nghiệm, hãy ưu tiên GPU có nhiều VRAM, vì mô hình phải nằm vừa trong bộ nhớ của card mới chạy nhanh được.
3. Học tập, văn phòng, lướt web
GPU tích hợp trong CPU đời mới đã đủ dùng. Các tính năng AI cơ bản trên laptop đời mới thường do NPU đảm nhận, không cần card rời.
Câu hỏi thường gặp
GPU và card đồ họa có phải là một không?
Gần như vậy trong cách nói hằng ngày. Chính xác hơn, GPU là con chip, còn card đồ họa là cả tấm mạch gồm GPU, bộ nhớ VRAM, hệ thống cấp điện và tản nhiệt. GPU cũng có thể nằm ngay trong CPU (GPU tích hợp) mà không cần card rời.
Vì sao không làm CPU có hàng nghìn nhân như GPU?
Mỗi nhân CPU rất phức tạp để xử lý nhanh việc tuần tự và rẽ nhánh, nên chiếm nhiều diện tích và điện năng. Nhồi hàng nghìn nhân như vậy vào một chip là không khả thi. GPU chấp nhận nhân đơn giản để có số lượng lớn, đó là đánh đổi có chủ đích.
Card đồ họa chơi game có chạy được AI không?
Có. Chính AlexNet năm 2012 được huấn luyện trên card chơi game. Ngày nay nhiều người vẫn dùng card chơi game để chạy mô hình tạo ảnh hoặc chatbot cỡ nhỏ trên máy. Card càng nhiều VRAM thì chạy được mô hình càng lớn.
CUDA là gì, có cần cài không?
CUDA là nền tảng lập trình của NVIDIA giúp phần mềm dùng GPU để tính toán. Người dùng phổ thông không cần cài riêng vì nó đi kèm driver hoặc ứng dụng. Chỉ lập trình viên hoặc người chạy công cụ AI trên máy mới cần quan tâm phiên bản CUDA.
Điện thoại có GPU không?
Có. Chip điện thoại tích hợp CPU, GPU và thường cả NPU trên cùng một con chip. GPU lo đồ họa game và giao diện, còn NPU lo các tác vụ AI như xử lý ảnh chụp, nhận diện giọng nói, giúp tiết kiệm pin hơn.
Kết luận
GPU là con chip có hàng nghìn nhân nhỏ làm việc cùng lúc. Nó sinh ra để tô hàng triệu điểm ảnh trong game, và tình cờ đó cũng chính là kiểu sức mạnh mà AI cần: làm hàng tỷ phép nhân đơn giản song song. Cộng thêm CUDA mở đường từ 2007 và cú hích AlexNet năm 2012, card đồ họa chơi game đã trở thành trái tim của cuộc cách mạng AI.
Lần tới khi nghe tin chip AI cháy hàng, bạn sẽ biết vì sao. Nếu thấy bài viết hữu ích, hãy xem video GPU là gì trên YouTube, để lại bình luận chủ đề công nghệ bạn muốn tìm hiểu tiếp, và theo dõi Nhật Phúc để không bỏ lỡ những bài giải thích dễ hiểu tiếp theo.