资源简介

(共32张PPT)
第七单元 第5课
GPU：从游戏到人工智能
清华版（小学）
通
1
学习目标
3
新知讲解
5
拓展延伸
7
板书设计
2
新知导入
4
课堂练习
6
课堂总结
课后作业
8
01
教学目标
（1）知道GPU的应用历史和发展变化。
（2）了解GPU对人工智能发展的贡献。
02
新知导入
算力的关键作用
强大的计算能力解决了大规模神经网络训练所需的存储与运算需求，成为现代AI发展的三大支柱之一。
02
新知导入
GPU的戏剧性突破
游戏显卡因其并行计算优势被意外发现适用于深度学习，2010年后大幅加速AI模型训练效率，推动技术爆发。
02
新知导入
三要素协同效应
神经网络架构+ 大数据+ GPU算力形成“黄金三角”，共同促成AI从理论到应用的跨越式发展。
03
新知讲解
1
GPU的出现
CPU的核心功能与设计优化
CPU作为计算机的“大脑”，通过执行数据计算、任务调度等多样化指令协调系统运行，并采用指令缓存、预取等高级设计提升效率，实现多任务快速切换，如边听歌边打字无延迟。
03
新知讲解
1
GPU的出现
CPU的性能优势与局限
优势 ：运算速度远超人类反应，通过任务轮换模拟“并行处理”效果。
局限 ：面对复杂任务（如3D游戏渲染）时资源消耗剧增，导致卡顿甚至崩溃，暴露串行架构的算力瓶颈。
03
新知讲解
1
GPU的出现
图形计算的需求升级
随着音视频处理、游戏画质提升，传统CPU难以满足高并发、高强度的图形计算需求，催生专用硬件GPU的诞生。
03
新知讲解
1
GPU的出现
GPU的起源与早期应用
GPU最初是为街机游戏设计的图形芯片（如NEC μPD7220），负责图形显示和变换，后逐步应用于个人计算机显卡，支持开发者通过编程接口创建复杂图形效果。
03
新知讲解
1
GPU的出现
GPU的演进与通用化
20世纪90年代，3D游戏的普及推动GPU发展，如索尼PlayStation的32位GPU，2007年后NVIDIA GeForce系列使其成为通用计算设备，突破图形处理的局限。
03
新知讲解
1
GPU的出现
并行计算的核心优势
GPU通过大量简单计算核心实现高效并行计算，如RTX 4090的16384个核心，适合处理像素渲染等简单但海量的任务，与CPU的少量复杂核心形成鲜明对比。
03
新知讲解
1
GPU的出现
CPU与GPU的结构差异
CPU侧重复杂指令的快速串行处理，GPU专精简单指令的并行执行，二者的架构差异反映了计算需求的多样化。
03
新知讲解
1
GPU的出现
技术突破的跨领域影响
GPU的并行能力不仅革新了图形处理，更推动了AI、科学计算等领域的突破，体现“专用硬件→通用技术”的进化路径。
03
新知讲解
GPU与神经网络的天然契合性
神经网络的海量并行计算需求与GPU的架构特性高度匹配，使GPU成为深度学习的理想硬件载体。
2
GPU与人工智能
03
新知讲解
CUDA的技术桥梁作用
NVIDIA 2007年推出的CUDA平台为开发者提供编程接口，将GPU从图形渲染工具转变为通用计算引擎，直接赋能神经网络训练加速。
2
GPU与人工智能
03
新知讲解
性能提升的实证案例
2012年AlexNet训练中，两块GTX580 GPU将耗时从1个月缩短至5-6天，验证GPU对深度学习效率的百倍级提升，奠定其AI基础硬件地位。
2
GPU与人工智能
03
新知讲解
行业垄断与战略价值
2024年NVIDIA以92%份额垄断高阶服务器GPU市场，反映GPU已成AI发展的核心战略资源，甚至影响国家科技竞争力。
2
GPU与人工智能
03
新知讲解
技术演进的连锁反应
GPU的普及推动深度学习从实验室走向产业化，形成“硬件突破→算法革新→应用爆发”的正向循环。
2
GPU与人工智能
03
新知讲解
爱
思
考
1.技术与产业的共生共荣
GPU与神经网络相互成就：GPU的并行计算为AI提供百倍加速，而AI的爆发需求反向推动GPU技术迭代与产业升级。
2.突破的渐进性本质
从图形渲染到AI计算的转型，体现技术突破需长期积累，验证"没有偶然成功，只有水到渠成"的创新规律。
3.科技发展的方法论启示
硬件与算法的协同进化证明：重大变革需"垂直深耕+横向融合"，且必须坚持长期主义投入。
03
新知讲解
爱
思
考
思考：1.为什么GPU和人工智能会形成'共生关系？
（1）GPU的 海量并行计算 能力完美适配神经网络的 矩阵运算 需求，形成硬件与算法的黄金组合。
04
课堂练习
一、填空题。
1.NVIDIA RTX 4090显卡包含 个计算核心。
2. 平台让开发者能够使用GPU进行通用计算编程。
3.2012年使用GPU训练的 网络大幅降低了图像识别错误率。
4.GPU特别适合处理 类型的计算任务。
5.CPU和GPU的主要区别在于 和并行处理能力。
16384
CUDA
AlexNet
简单重复
核心复杂度
04
课堂练习
二、判断题。
1.CPU的核心数量通常比GPU多。（ ）
2.CUDA平台是AMD公司开发的。（ ）
3.GPU的并行计算能力对深度学习训练至关重要。（ ）
4.索尼PlayStation是第一个使用GPU概念的产品。（ ）
5.神经网络训练不需要大数据支持。（ ）
×
√
×
√
×
04
课堂练习
三、选择题。
1.GPU最初是为哪个领域设计的？ ( )
A. 人工智能训练 B. 街机游戏图形处理 C. 科学计算 D. 数据存储
2.GPU的哪种特性使其特别适合神经网络训练？ ( )
A. 高主频单核性能 B. 海量简单计算核心并行处理 C. 大容量存储空间 D. 低功耗设计
3.哪项技术使GPU从图形处理器转变为通用计算设备？ ( )
A. OpenGL B. CUDA平台 C. HTML5 D. Java
4.2012年AlexNet使用GPU训练后，速度提升了多少倍？ ( )
A. 2-3倍 B. 10倍 C. 约100倍 D. 1000倍
5.2024年NVIDIA在高阶服务器GPU市场的占有率是多少？ ( )
A. 50% B. 75% C. 92% D. 100%
B
B
C
B
C
05
拓展延伸
1.CUDA架构的技术原理
NVIDIA的CUDA通过线程块分级管理和共享内存优化，实现GPU上数千个线程的并行计算，突破传统CPU的串行计算瓶颈。
05
拓展延伸
2. AI芯片的多元化发展
从GPU通用计算到TPU张量专用架构，再到存算一体芯片（如存内计算），不同芯片在能效比（TOPS/W）和计算精度（FP16/INT8）间形成互补生态。
05
拓展延伸
3.量子计算与GPU的融合前景
GPU在量子线路模拟（如模拟50+量子比特）中展现加速优势，未来"CPU+GPU+QPU"异构架构或成为量子经典混合计算的标准范式。
06
课堂总结
1
GPU的出现
2
GPU的演进与通用化
3
完成课堂练习
4
进行相关知识拓展
1
2
4
5
GPU：从游戏到人工智能
4
GPU与人工智能
3
07
板书设计
GPU：从游戏到人工智能
1、GPU的出现
2、 GPU的演进与通用化
3、GPU与人工智能
4、完成课堂练习
5、进行知识拓展
课后作业。
1、CPU它对人工智能发展有哪些关键贡献？
08
课后作业
思考：1.CPU它对人工智能发展有哪些关键贡献？
（1）算力突破 ：CUDA平台（2007）让GPU支持通用编程，使训练时间从月缩短到天。
（2）产业催化 ：NVIDIA垄断92%服务器GPU市场，成为AI战略资源。
（3）范式转变 ：推动AI从"重算法"转向"算法+数据+算力"三要素协同。
https://www.21cnjy.com/recruitment/home/fine

展开更多......

收起↑