Les unités de traitement graphique (GPU) sont conçues pour rendre les graphiques en temps réel. Cependant, il s’avère que ce qui rend les GPU excellents pour les graphiques les rend également excellents pour certains travaux non graphiques. C’est ce qu’on appelle l’informatique GPU.
En quoi les CPU et les GPU diffèrent-ils ?
En principe, les GPU et les CPU (Central Processing Units) sont des produits de la même technologie. À l’intérieur de chaque appareil, il y a des processeurs qui se composent de millions à des milliards de composants électroniques microscopiques, principalement des transistors. Ces composants forment des éléments de processeur tels que des portes logiques et, à partir de là, sont intégrés dans des structures complexes qui transforment le code binaire en expériences informatiques sophistiquées que nous avons aujourd’hui.
La principale différence entre les CPU et les GPU est parallélisme. Dans un processeur moderne, vous trouverez plusieurs cœurs de processeur complexes et hautes performances. Quatre cœurs sont typiques des ordinateurs grand public, mais les processeurs à 6 et huit cœurs deviennent courants. Les ordinateurs professionnels haut de gamme peuvent avoir des dizaines, voire plus de 100 cœurs de processeur, en particulier avec des cartes mères multi-sockets pouvant accueillir plusieurs processeurs.
Chaque cœur de processeur peut faire une ou (avec hyperthreading) deux choses à la fois. Cependant, ce travail peut être presque n’importe quoi et il peut être extrêmement complexe. Les processeurs ont une grande variété de capacités de traitement et des conceptions incroyablement intelligentes qui les rendent efficaces pour traiter des mathématiques complexes.
Les GPU modernes ont généralement milliers de processeurs simples en eux. Par exemple, le GPU RTX 3090 de Nvidia a un énorme 10496 cœurs GPU. Contrairement à un processeur, chaque cœur de GPU est relativement simple en comparaison et est conçu pour effectuer les types de calculs typiques du travail graphique. Non seulement cela, mais tous ces milliers de processeurs peuvent travailler sur une petite partie du problème de rendu graphique en même temps. C’est ce que nous entendons par « parallélisme ».
Calcul à usage général sur GPU (GPGPU)
N’oubliez pas que les processeurs ne sont pas spécialisés et peuvent effectuer n’importe quel type de calcul, quel que soit le temps nécessaire pour terminer le travail. En fait, un processeur peut faire tout ce qu’un GPU peut faire, mais il ne peut tout simplement pas le faire assez rapidement pour être utile dans les applications graphiques en temps réel.
Si tel est le cas, alors l’inverse est également vrai dans une certaine mesure. Les GPU peuvent faire quelque des mêmes calculs que nous demandons habituellement aux processeurs de faire, mais comme ils ont une conception de traitement parallèle de type superordinateur, ils peuvent le faire des ordres de grandeur plus rapidement. C’est GPGPU : utiliser des GPU pour effectuer des charges de travail CPU traditionnelles.
Les principaux fabricants de GPU (NVIDIA et AMD) utilisent des langages de programmation et une architecture spéciaux pour permettre aux utilisateurs d’accéder aux fonctionnalités GPGPU. Dans le cas de Nvidia, c’est CUDA ou Architecture de périphérique unifiée de calcul. C’est pourquoi vous verrez leurs processeurs GPU appelés cœurs CUDA.
Étant donné que CUDA est propriétaire, les fabricants de GPU concurrents tels qu’AMD ne peuvent pas l’utiliser. Au lieu de cela, les GPU d’AMD utilisent OpenCL ou langage informatique ouvert). Il s’agit d’un langage GPGPU créé par un consortium d’entreprises comprenant Nvidia et Intel.
GPU dans la recherche scientifique
L’informatique GPU a révolutionné ce que les scientifiques peuvent faire avec des budgets beaucoup plus petits qu’auparavant. L’exploration de données, où les ordinateurs recherchent des modèles intéressants dans des montagnes de données, obtenant des informations qui seraient autrement perdues dans le bruit.
Des projets tels que Folding@Home utilisent le temps de traitement du GPU à domicile donné par les utilisateurs pour travailler sur des problèmes graves tels que le cancer. Les GPU sont utiles pour toutes sortes de simulations scientifiques et techniques qui auraient pris des années à réaliser dans le passé et des millions de dollars de temps loués sur de grands supercalculateurs.
GPU dans l’intelligence artificielle
Les GPU sont également excellents pour certains types de travaux d’intelligence artificielle. L’apprentissage automatique (ML) est beaucoup plus rapide sur les GPU que sur les processeurs et les derniers modèles de GPU intègrent un matériel d’apprentissage automatique encore plus spécialisé.
Un exemple pratique de la façon dont les GPU sont utilisés pour faire progresser les applications d’IA dans le monde réel est l’avènement des voitures autonomes. Selon Tesla, leur logiciel Autopilot a nécessité 70 000 heures de GPU pour « former » le réseau neuronal avec les compétences nécessaires pour conduire un véhicule. Faire le même travail sur les processeurs serait beaucoup trop coûteux et chronophage.
GPU dans l’extraction de crypto-monnaie
Les GPU sont également excellents pour résoudre les énigmes cryptographiques, c’est pourquoi ils sont devenus populaires dans l’extraction de crypto-monnaie. Bien que les GPU n’exploitent pas la crypto-monnaie aussi rapidement que les ASIC (circuits intégrés spécifiques à l’application), ils ont l’avantage distinct d’être polyvalents. Les ASIC ne peuvent généralement exploiter qu’un seul type spécifique ou un petit groupe de crypto-monnaies et rien d’autre.
Les mineurs de crypto-monnaie sont l’une des principales raisons pour lesquelles les GPU sont si chers et difficiles à trouver, du moins au moment de la rédaction au début de 2022. Faire l’expérience des sommets de la technologie GPU signifie payer cher, le prix courant d’un NVIDIA GeForce RTX 3090 étant plus de 2 500 $. C’est devenu un tel problème que NVIDIA a artificiellement limité les performances de cryptographie des GPU de jeu et introduit des produits GPU spéciaux spécifiques à l’exploitation minière.
Vous pouvez également utiliser GPGPU !
Bien que vous n’en soyez pas toujours conscient, certains des logiciels que vous utilisez quotidiennement déchargent une partie de leur traitement sur votre GPU. Si vous travaillez avec un logiciel de montage vidéo ou des outils de traitement audio, par exemple, il y a de fortes chances que votre GPU supporte une partie de la charge. Si vous souhaitez vous attaquer à des projets comme créer vos propres deepfakes à la maison, votre GPU est une fois de plus le composant qui le rend possible.
Le GPU de votre smartphone est également responsable de l’exécution de nombreux travaux d’intelligence artificielle et de vision artificielle qui auraient été envoyés aux ordinateurs du cloud. Nous devrions donc tous être reconnaissants que les GPU puissent faire plus que dessiner une image attrayante sur votre écran.