ResponTodo

Las unidades de procesamiento de gráficos (GPU) están diseñadas para representar gráficos en tiempo real. Sin embargo, resulta que lo que hace que las GPU sean excelentes en gráficos también las hace excelentes en ciertos trabajos que no son gráficos. Esto se conoce como computación GPU.

¿En qué se diferencian las CPU y las GPU?

En principio, tanto las GPU como las CPU (Unidades centrales de procesamiento) son productos de la misma tecnología. Dentro de cada dispositivo, hay procesadores que constan de millones a miles de millones de componentes electrónicos microscópicos, principalmente transistores. Estos componentes forman elementos del procesador, como puertas lógicas, y desde allí se integran en estructuras complejas que convierten el código binario en las sofisticadas experiencias informáticas que tenemos hoy.

La principal diferencia entre CPU y GPU es  el paralelismo . En una CPU moderna, encontrará múltiples núcleos de CPU complejos y de alto rendimiento. Cuatro núcleos son típicos para las computadoras convencionales, pero las CPU de 6 y 8 núcleos se están convirtiendo en la corriente principal. Las computadoras profesionales de gama alta pueden tener docenas o incluso más de 100 núcleos de CPU, especialmente con placas base de múltiples zócalos que pueden acomodar más de una CPU.

Cada núcleo de CPU puede hacer una o (con hyperthreading ) dos cosas a la vez. Sin embargo, ese trabajo puede ser casi cualquier cosa y puede ser extremadamente complejo. Las CPU tienen una amplia variedad de capacidades de procesamiento y diseños increíblemente inteligentes que las hacen eficientes para procesar matemáticas complicadas.

Las GPU modernas suelen tener  miles  de procesadores simples. Por ejemplo, la GPU RTX 3090 de Nvidia tiene 10496 núcleos de GPU. A diferencia de una CPU, cada núcleo de GPU es relativamente simple en comparación y está diseñado para realizar los tipos de cálculos típicos en el trabajo de gráficos. No solo eso, sino que todos estos miles de procesadores pueden trabajar en una pequeña parte del problema de representación de gráficos al mismo tiempo. Eso es lo que queremos decir con «paralelismo».

Computación de propósito general en GPUS (GPGPU)

Recuerda que las CPU no son especializadas y pueden hacer cualquier tipo de cálculo, independientemente del tiempo que se tarde en terminar el trabajo. De hecho, una CPU puede hacer todo lo que puede hacer una GPU, solo que no puede hacerlo lo suficientemente rápido como para ser útil en aplicaciones de gráficos en tiempo real.

Si este es el caso, entonces lo contrario también es cierto hasta cierto punto. Las GPU pueden hacer  algunos  de los mismos cálculos que normalmente le pedimos a las CPU, pero dado que tienen un diseño de procesamiento paralelo similar a una supercomputadora, pueden hacerlo muchísimo más rápido. Eso es GPGPU: usar GPU para realizar cargas de trabajo de CPU tradicionales.

Los principales fabricantes de GPU (NVIDIA y AMD) utilizan lenguajes de programación y arquitectura especiales para permitir que los usuarios accedan a las funciones de GPGPU. En el caso de Nvidia, eso es CUDA o  Compute Unified Device Architecture. Es por eso que verá sus procesadores GPU denominados núcleos CUDA.

Dado que CUDA es propietario, los fabricantes de GPU de la competencia, como AMD, no pueden usarlo. En cambio, las GPU de AMD utilizan OpenCL o  Open Computing Language) . Este es un lenguaje GPGPU creado por un consorcio de empresas que incluyen a Nvidia e Intel.

GPU en la investigación científica

La computación GPU ha revolucionado lo que los científicos pueden hacer con presupuestos mucho más pequeños que antes. Minería de datos, donde las computadoras buscan patrones interesantes en montañas de datos, obteniendo información que de otro modo se perdería en el ruido.

Proyectos como Folding@Home utilizan el tiempo de procesamiento de GPU doméstico donado por los usuarios para trabajar en problemas graves como el cáncer. Las GPU son útiles para todo tipo de simulaciones científicas y de ingeniería que habrían tardado años en completarse en el pasado y millones de dólares en tiempo alquilado en grandes supercomputadoras.

GPU en Inteligencia Artificial

Las GPU también son excelentes para ciertos tipos de trabajos de inteligencia artificial. El aprendizaje automático (ML) es mucho más rápido en las GPU que en las CPU y los últimos modelos de GPU tienen integrado un hardware de aprendizaje automático aún más especializado.

Un ejemplo práctico de cómo se utilizan las GPU para hacer avanzar las aplicaciones de IA en el mundo real es la llegada de los automóviles autónomos . Según Tesla , su software Autopilot requirió 70 000 horas de GPU para “entrenar” la red neuronal con las habilidades para conducir un vehículo. Hacer el mismo trabajo en las CPU sería demasiado costoso y requeriría mucho tiempo.

GPU en minería de criptomonedas

Las GPU también son excelentes para descifrar acertijos criptográficos, razón por la cual se han vuelto populares en la minería de criptomonedas . Aunque las GPU no extraen criptomonedas tan rápido como los ASIC (Circuitos integrados específicos de la aplicación), tienen la clara ventaja de ser versátiles. Por lo general, los ASIC solo pueden extraer un tipo específico o un pequeño grupo de criptomonedas y nada más.

Los mineros de criptomonedas son una de las principales razones por las que las GPU son tan caras y difíciles de encontrar , al menos en el momento de escribir este artículo a principios de 2022. Experimentar las alturas de la tecnología GPU significa pagar muy caro, ya que el precio actual de una NVIDIA GeForce RTX 3090 es más de $2,500. Se ha convertido en un problema tal que NVIDIA ha limitado artificialmente el rendimiento criptográfico de las GPU para juegos y ha introducido productos de GPU específicos para minería .

¡También puedes usar GPGPU!

Si bien es posible que no siempre lo sepa, parte del software que usa todos los días descarga parte de su procesamiento en su GPU. Si trabaja con software de edición de video o herramientas de procesamiento de audio, por ejemplo, es muy probable que su GPU lleve parte de la carga. Si desea abordar proyectos como hacer sus propios deepfakes en casa, su GPU vuelve a ser el componente que lo hace posible.

La GPU de su teléfono inteligente también es responsable de ejecutar muchos de los trabajos de inteligencia artificial y visión artificial que se habrían enviado a las computadoras en la nube. Entonces, todos deberíamos estar agradecidos de que las GPU puedan hacer más que dibujar una imagen atractiva en su pantalla.