NVIDIA GPU在图形渲染、高性能计算两条路上都是一骑绝尘，让对手看不到尾灯，但是依然没有停下甚至放缓的节奏，如今又带来了重新设计的Blackwell GPU架构，而且通吃图形、计算两大领域。
随着RTX 50系列的正式发布，NVIDIA也公开了Blackwell的诸多细节，尤其是架构设计、AI神经网络渲染、DLSS 4技术，等等。
CES 2025大展期间，文Q受NVIDIA官方邀请参加了Editor's Day活动，提前了解了Blackwell的相关设计，并参观了多项现场技术演示。
下边，我们逐一来看。
【Blackwell GPU架构设计：四大目标】
相信这部分是大家最为感兴趣的，推荐各位首先回顾一下我们快科技在2022年10月份介绍的Ada Lovelace架构设计，对比来看Blackwell架构的变化会更有针对性。
NVIDIA首先承认，当前的GPU行业内，一方面是用户对画质、帧率的要求越来越高，还得兼顾，但另一方面摩尔定律逐渐放缓。
这一尖锐的矛盾如何解决，NVIDIA给出的答案就是——支持神经网络渲染、AI算力飙升的Blackwell架构。
虽然AI渲染已经诞生很多年，日渐普及，但是很多玩家依然特别在意所谓的原生渲染性能，特别是光栅化游戏的性能，而对DLSS这样基于AI算法的技术嗤之以鼻，认为算出来的画面都是作弊。
这种看法显然有失偏颇。坦白地说，至少在现有技术条件下，AI计算出来的画面肯定和原生渲染画面有一定区别，但第一，我们最终需要的是更好画质、更高帧率这一结果，只要能达成目的，方法和手段是次要的；毕竟原生渲染出的画面其实也不是真的画面，只是实现的渲染方式的差别罢了。
第二，AI技术和算法也在不断快速进步，越来越逼近甚至超过原生渲染的画质，迟早会让人无法轻易分辨或反而带来画质的提升；
第三，传统渲染技术进步越来越难，不可能一直抱残守缺，需要不断革新。
为此，NVIDIA提出了Blackwell架构设计的四大主要目标：优化新的神经网络负载、降低显存占用、优化AI精度与大模型、更高能效。
最终，Blackwell架构通过第五代Tensor Core，在新的FP4数据精度下，最高可达4000 AI TOPS(每秒4千万亿次计算)的超高算力；
通过第四代RT Core，达成了360 RT TFLOPS(每秒360万亿次计算)的性能；加入了全新的AI管理处理器(AM P)，可以同步管理AI模型与图形，自动拆分不同的变成类型，调度分配给不同的硬件执行，尤其是AI相关的。
重组了SM单元，专为神经网络着色器(Neural Shaders)而组建，性能高达125 TFLOPS；
针对移动端升级了Max-Q，能效提升2倍；
还首发了新一代GDDR7显存，最高速率达30Gbps。
1、优化新的神经网络负载
上下图分别为Blackwell(GB202)、Ada Lovelace(AD102)的架构布局总图，大体上没什么变化(当然规模更大了)，属于又一次升级版。
最直接的变化，就是增加了一组AI管理处理器，和原有的线程引擎并列负责负载分配，同时PCIe 4.0升级来到了PCIe 5.0。
SM(流式多处理器单元)一直是NVIDIA GPU的基础模块，Blackwell做了大幅度的变革。
一是将传统的着色器改造为神经网络着色器，加入多个神经网络处理单元。
二是将FP32/INT32、FP32两种不同的着色器核心，统一为FP32/INT32(总数不变)，也就是之前有一半着色器核心只能处理单精度浮点数据，而现在所有的都可以同时处理整数、浮点运算，效率更高，调度也更灵活，当然对负载分派的准确性、效率也有更苛刻的要求。
三是将第三代Tensor Core 升级为第四代。
随着专用神经网络处理单元的加入，结合原本的光照、几何、物理、材料、光线遍历等单元，可以将输入的不同工作负载，更高效地进行能够重排序。
其中，神经网络类负载会专门交给Tensor Core，其他则交给着色器核心，SER(着色器执行重排序)性能提升了2倍。
2、降低显存占用
RT Core升级为第四代，重点提升了检测光线、路径与三角形相交的性能与效率，能够以大规模的集群方式进行，效率提升数十上百倍。
其中，原有的三角形碰撞引擎，升级为三角形集群碰撞引擎(Triangle Cluster Intersection Engine)，新增三角形集群解压缩引擎(Triangle Cluster Decompression Engine)，二者联合可处理百万级别的超大规模三角形。
还新增了线性扫描球体(Linear Swept Spheres)，主要用于毛发的渲染，使用球体代替三角形来获得更准确的毛发形状拟合，从而大大减少所需的几何图形数量，性能更好，显存占用更少。
NVIDIA将这种高效的三角形处理方法称为RTX “Mega Geometry ”(海量几何)，非常适合渲染全景光追，模型复杂度可提升上百倍。
按照NVIDIA的说法，Blackwell的三角形交互处理效率比Ada架构再次提升了2倍(对比首次加入光追的Turing则提升8倍)，而显存占用量降低了25％。
3、优化AI精度与大模型
随着架构与Tensor Core的迭代，支持的数据类型越来越多，支持的精度越来越低，速度也越来越快。
Turing架构在原有FP32精度的基础上首次支持FP16浮点精度，对比Pascal在吞吐量上提升了8倍之多，而之后的Ampere架构没变。
Ada Lovelace增加了FP8浮点精度，吞吐量再次翻番。
Blackwell又首次增加了FP4精度，性能也继续翻番，当然它同时也支持FP8、FP16、FP32，因此灵活性更强，可以随时处理不同精度的数据和负载。
数据精度更低，所需要的处理能力和带宽更少，速度自然更快，这也就是Blackwell宣称性能提升X倍的一个主要原因。
当然，低精度数据格式的缺点是准确性会有牺牲，需要根据实际情况选择最合适的精度。
INT32、INT16、INT8、INT4、FP32、FP16、FP8、FP8、TF32、BF16等等都是模型的量化级别，主要区别在于浮点数的位数和量化的方式。
一般来说，位数越少，量化越多，模型越小，速度越快，但精度也越低，有点像文件压缩，反之亦然。
高精度模型体积庞大，数据丰富，训练、微调、推理需要更长的时间，对算力要求更高，而通过低精度量化，可以缩小模型体积，降低硬件要求，提高运行速度，但输出效果会相应降低。
具体选择什么样的精度，取决于实际情况所需，尤其是运行于什么样的设备、需要什么样的结果。
这就是之前说的AMP(AI管理处理器)的作用示意图。
它会对输入的不同指令类型进行自动识别、区分，包括AI语言模型、游戏引擎两大类，然后按照最适合执行的硬件单元，分配给CUDA Core、RT Core、Tensor Core去分别执行。
特别是大语言模型(LLM)，会被优先处理、执行和响应，同时帧渲染和帧生成的节奏也会更加紧凑、协调，多帧生成提供一致的画面生成时间。
4、更高能效
为了在提升性能的同时控制功耗、保持高能效，Blackwell也下了不少功夫，尤其是在移动端，也对Max-Q做了全新升级。
其中时钟门控(Clock Gating)，数据无效时关闭寄存器的时钟；电源门控(Power Gating)可关闭空闲模块的电源；
进一步加入的电路门控(Rail Gating)，更是可以进一步在空闲或待机时，关闭大部分的计算模块。
这些节能措施不仅适用于笔记本电脑GPU，台式机GPU同样可以从中获益。
Blackwell还支持加速频率切换(Accelerated Frequency Switching)，相比之前的时钟控制器，对于时钟频率的响应切换速度提升了上千倍，进入睡眠或唤醒的速度也提升了几个量级。
同时，通过在动态负载中加快时钟调整速度，整个SM单元的效率也大大提升。
简单地说，这可以让GPU在需要时更稳定地运行在更高频率，而一旦完成工作可以快速将频率降到最低，进入睡眠等待状态。
更高的性能可以让Blackwell在更短的时间内完成工作，从而尽快转入低功耗模式。
新的电路/时钟门控又大大提高了低功耗模式的效率，使之功耗状态更低，而更低的延迟可以让GPU更快地进入睡眠状态，并保持更久。
NVIDIA表示，Blackwell比上代可以节省多达50％的功耗。
GDDR7显存就不用说太多了，首次采用PAM3信号编码机制，相比于GDDR6 PAM2、GDDR6X PAM4，将每时钟周期的数据传输从1/2位增加到3位，自然显著提升了传输带宽。
GDDR7目前的数据率已经达到30Gbps，未来可以轻松超过40Gbps，三星的研究甚至到了42.5Gbps。
同时，GDDR7还可以显著降低能耗，基本是GDDR6的一半左右。
对媒体能力方面，Blackwell终于将DisplayPort的支持从1.4a版本提升到了最新的2.1，并且支持最高的UHBR20模式，单通道带宽就有20Gbps，最多可以四个通道并行，总带宽高达80Gbps，相当于1.a的几乎10倍。
藉此，Blackwell系列可以支持高达8K 165Hz规格的显示器。
NVDEC解码引擎升级到第九代，NVENC编码引擎升级到第六代。
AV1格式升级支持到UHQ超高质量模式，HEVC(H.265)格式升级支持到MV-HEVC(多视图), H.264解码能力翻倍，色度格式则从4:2:0升级到4:2:2。
