AMD tiết lộ chiến lược đối đầu Qualcomm trên sân chơi GPU cho smartphone

Vi kiến trúc mới của AMD sẽ tập trung vào các yếu tố hiệu quả năng lượng và khả năng xử lý tác vụ máy học để hạ bệ ngôi đầu của Qualcomm đối với GPU trên smartphone.

Tháng Sáu vừa qua, Samsung và AMD thông báo hợp tác chiến lược để đưa kiến trúc GPU “Next Gen” của AMD lên các thiết bị di động. Mới đây nhất, AMD còn công bố sách trắng về vi kiến trúc RDNA mới nhất của họ. Tài liệu này cho thấy card đồ họa cao cấp RX-5700 của AMD có thể trở thành tương lai cho các thiết bị năng lượng thấp như thế nào.

Được xem là người kế nhiệm cho vi kiến trúc GCN (Graphics Core Next) của AMD, RDNA không chỉ có các thay đổi về số lượng các lõi nhỏ cho đến bộ nhớ và các kết nối bên trong nó, nó còn bao gồm cả các tập lệnh và các phần cứng được AMD sử dụng để xây dựng nên những GPU mới nhất dành cho các máy tính cá nhân, máy chơi game cầm tay và các thị trường khác.

Theo sách trắng của AMD, các GPU xây dựng trên kiến trúc RDNA sẽ trải rộng trên hàng loạt thiết bị, bao gồm cả notebook, smartphone cũng như một số siêu máy tính lớn nhất thế giới.

Liệu GPU của AMD có đáp ứng yêu cầu của smartphone?

Cho dù rất khó nói trước về hiệu năng của GPU AMD thông qua các mô tả kỹ thuật trên sách trắng, nhưng chúng ta có thể thấy RDNA mang lại các tối ưu phù hợp với việc sử dụng trên các thiết bị di động. Theo sách trắng của AMD, các GPU mới sẽ có bộ nhớ đệm L1 cache, được chia sẻ với DCU (Bộ xử lý điện toán kép – Dual Compute Units), giúp giảm năng lượng tiêu thụ nhờ vào việc giảm số lần đọc và ghi trên bộ nhớ.

Bộ nhớ đệm L2 cache cũng được cấu hình với khả năng cung cấp các mức từ 64KB cho đến 512KB tùy thuộc vào hiệu năng, điện năng của ứng dụng cũng như vùng silicon mà nó nhắm đến.

Lộ trình kiến trúc đồ họa của AMD.

Kiến trúc GPU di dộng của AMD sẽ chuyển từ hỗ trợ 64 đầu mục công việc với kiến trúc GCN sang 32 đầu mục công việc được tối ưu hơn với RDNA. Nói cách khác, các tải công việc có thể được tính toán trên 32 phép tính song song cùng lúc trên mỗi nhân.

AMD cho biết, lợi ích của việc tính toán song song này là phân phối tải công việc cho nhiều nhân hơn, cải thiện hiệu năng và hiệu quả năng lượng. Điều này đặc biệt thích hợp cho các thiết bị có băng thông giới hạn như điện thoại di động, khi việc dịch chuyển một lượng lớn dữ liệu sẽ tiêu tốn rất nhiều năng lượng.

Điều này cho thấy AMD đang rất chú ý đến việc tiêu thụ bộ nhớ và điện năng – hai lĩnh vực quan trọng nhất đối với bất kỳ GPU nào thành công trên smartphone.

Tận dụng lợi thế về tác vụ trí tuệ nhân tạo của Radeon

Kiến trúc GCN của AMD, tiền thân của RDNA, cũng có lợi thế đặc biệt về các tải công việc máy học hay trí tuệ nhân tạo. Như chúng ta đã biết, AI đang có vai trò ngày càng quan trọng trong các bộ xử lý smartphone và sẽ tiếp tục trở nên phổ biến trong 5 năm tới.

RDNA hỗ trợ đến 8 phép tính song song 4-bit và phép tính FMA cho các tác vụ máy học.

Với kiến trúc mới, nhưng RDNA vẫn giữ lại các thành phần máy học hiệu năng cao, với khả năng hỗ trợ phép tính số học song song 64 bit, 32 bit, 16 bit, 8 bit, hoặc thậm chí 8 bit. Các Vector ALU của RDNA có bề rộng gấp đôi so với thế hệ trước, cho khả năng xử lý nhanh hơn và thực hiện các phép tính nhân lũy thừa FMA (Fused Multiply-Accumulate) với năng lượng tiêu thụ thấp hơn so với các thế hệ trước.

Phép toán FMA là phép tính toán phổ biến trong các ứng dụng máy học đến mức, GPU Mali-G77 của ARM còn phải có riêng một block phần cứng bên trong để xử lý các phép tính đó.

Bên cạnh đó, RDNA còn giới thiệu kênh tính toán không đồng bộ ACE (Asynchronous Compute Tunneling) để quản lý các tải công việc đổ bóng. AMD tuyên bố điều này “cho phép các tải công việc tính toán và xử lý đồ họa cùng tồn tại hài hòa trên GPU”. Nói cách khác, RDNA xử lý các tải công việc máy học và đồ họa song song hiệu quả hơn nhiều, giảm thiểu nhu cầu của việc cần có bộ xử lý AI riêng biệt.

RDNA được thiết kế để linh hoạt hơn

Bên cạnh các ưu điểm trên, sách trắng của AMD cũng đề cập đến hàng loạt các cải tiến khác được thực hiện vi kiến trúc mới này. Nhưng điều thú vị nhất có lẽ là Engine Shader (bộ đổ bóng) và mảng Shader Array mới của RDNA.

Sơ đồ khối của GPU Radeon RX 5700 XT, một trong những GPU đầu tiên sử dụng kiến trúc RDNA.

Sách trắng của AMD cho biết: “Để gia tăng hiệu năng từ mức thấp lên mức cao, các GPU khác có thể gia tăng số lượng các mảng shader và thay đổi mức độ cân bằng về tài nguyên bên trong mỗi mảng này.” Vì vậy, điều này sẽ tùy thuộc vào nền tảng mục tiêu của bạn là gì, cũng như số lượng các bộ xử lý DCU, kích thước bộ nhớ đệm L1 và L2, thậm chí cả số lượng các thay đổi trong bộ render backend.

Nvidia và ARM cũng có những cách làm tương tự trên GPU CUDA và Mali của họ khi tăng hoặc giảm số lượng nhân xử lý tùy thuộc vào các mục tiêu hiệu năng và điện năng cần thiết. Nhưng RDNA lại khác biệt so với các cách tiếp cận trên. Nó mang lại sự linh hoạt trong việc tinh chỉnh hiệu năng và vì vậy cả điện năng tiêu thụ trong mỗi mảng Shader Array. Thay vì chỉ điều chỉnh số lượng các bộ tính toán như đối thủ, GPU mới có thể điều chỉnh cả số lượng mảng đổ bóng và Render Backend, cũng như cả khối lượng bộ nhớ cache.

Điều này sẽ mang lại một nền tảng linh hoạt hơn, với thiết kế được tối ưu cho việc mở rộng hoặc thu hẹp tốt hơn các sản phẩm trước đây của AMD. Cho dù vậy, đây mới chỉ là các yếu tố lý thuyết, vì vậy những loại hiệu năng nào có thể đạt được trên một nền tảng giới hạn như smartphone vẫn là một yếu tố cần xem xét.

Bao giờ các GPU hợp tác giữa Samsung và AMD ra mắt

Theo thông báo của Samsung trong buổi báo cáo thu nhập gần đây nhất, chúng ta vẫn “còn cách khoảng 2 năm” mới đến thời điểm công ty ra mắt GPU mới dựa trên kiến trúc RDNA. Điều này cho thấy nó có thể sẽ xuất hiện trong năm 2021. Vào thời điểm đó, có thể GPU này sẽ có thêm các tinh chỉnh và thay đổi mới so với RX 5700 hiện tại, đặc biệt là khi AMD sẽ tối ưu hơn nữa khả năng tiêu thụ năng lượng.

Tuy nhiên, với những chi tiết trong sách trắng về RDNA, chúng ta đã có cái nhìn ban đầu về kế hoạch của AMD trong việc đưa kiến trúc GPU nổi tiếng của mình tới các thiết bị tiêu thụ năng lượng thấp và smartphone. Điểm mấu chốt ở đây là một kiến trúc sử dụng năng lượng hiệu quả hơn, các tải công việc tính toán hỗn hợp được tối ưu hơn, và thiết kế nhân với mức độ linh hoạt cao để phù hợp với nhiều ứng dụng khác nhau.

Theo GameK