2026 年，全世界最稀缺的资源不再是石油，而是算力——而算力的心脏，恰恰是那块原本为打游戏而生的显卡。当 AI 训练中心把 H100/B200 级别的芯片排成阵列，当 RTX 50 系让家用电脑也能实时生成光影，一个老问题被推上了热榜：显卡到底是怎么工作的？ 在 YouTube 上，把这个话题讲得最透彻、动画做得最震撼的，是工程科普频道 Branch Education 的《How do Graphics Cards Work?》（显卡是如何工作的）。这条视频用电影级的 3D 拆解，把一块显卡从散热器一路拆到晶体管，再把一帧画面的诞生过程完整演给你看。本文带你逐段吸收这条视频的知识精华，补上它背后的理论脉络，并指出哪些地方它做了简化——让你看完等于看完视频，还多懂一层。
说明：本环境网络抓取受限，文中视频的发布时间、播放量等数据以频道页面公开信息为准，未能实时复核，均标注“据频道页面”；视频中的芯片参数以 NVIDIA 官方公开资料交叉印证。
| 项目 | 内容 |
|---|---|
| 视频标题 | How do Graphics Cards Work?（显卡是如何工作的） |
| 频道 | Branch Education（工程科普频道，以 3D 拆解动画见长，订阅数百万级，据频道页面） |
| 发布时间 | 2023 年（据频道页面，属长青经典，近期因 AI 算力热潮持续回热） |
| 播放量 | 数百万级（据频道页面，未实时核验） |
| 时长 | 约二十分钟的长片深度讲解 |
| 视频定位 | 从游戏画面入手，物理拆解显卡硬件 + 讲解 GPU 芯片内部结构与渲染管线 |
Branch Education 的风格是"先让你看见，再让你理解”：几乎所有镜头都是按真实工程图重建的 3D 模型，逐层剖开。这条显卡视频被广泛认为是该频道代表作之一，也是中文技术社区反复搬运、二创的对象。
视频从一个看似平常的画面切入：你在游戏里看到的一帧场景，由约 200 万到 800 万个像素组成（1080p 约 207 万，4K 约 830 万）；每个像素的颜色由红绿蓝三个分量决定，而要决定“这个像素此刻是什么颜色”，芯片要做光照、纹理、遮挡等大量计算。以 4K、60 帧/秒计算，每秒要算出约 5 亿次像素颜色，再乘上每个像素背后数百上千次浮点运算，就是每秒数十万亿次的计算量——这就是当代旗舰显卡“数十 TFLOPS"的真正含义。
视频由此抛出核心矛盾：CPU 是全能型选手，但它只有几个到几十个“大核心”，擅长复杂的串行逻辑；而画面计算的本质是“对几百万个像素做高度相似、彼此独立的运算”——这恰恰是串行处理器的噩梦，并行处理器的天堂。显卡存在的理由，从第一秒就说清楚了。
接下来是全片最出圈的部分：按真实产品比例重建的显卡“脱衣”动画。从外到内依次是：
然后镜头钻进 GPU 核心，把 die 放大成一座城市：数十个流式多处理器（SM）像居民区一样整齐排列，每个 SM 内部挤着上百个小型计算核心；四周环绕着显存控制器、二级缓存（L2）；中央是调度与指令分发的“市政系统”。视频以当代旗舰为例给出量级：单颗 GPU die 上集成了数百亿个晶体管（如 Ada 架构的 AD102 为 763 亿，台积电定制 4N 工艺制造），die 面积超过 600 平方毫米，是人类在一片硅片上蚀刻过的最复杂的造物之一。
这段还顺带讲了晶圆制造：这些晶体管用极紫外光刻（EUV）在硅晶圆上逐层印出， Feature size 只有几纳米——比可见光波长还小，所以必须用 13.5 纳米波长的 EUV 光，配合多重曝光与镀膜工艺完成。
全片的知识核心：游戏画面不是“拍”出来的，而是算出来的，流程是一条流水线：
视频反复强调：这条流水线上，几百万个像素的处理几乎完全互相独立，所以 GPU 用几千个小核心同时开工，每个核心以 GHz 级频率循环执行“取指令—算颜色—写结果”。你还记得开头那道算术题吗？这就是“每秒数十万亿次浮点运算”的去向。
视频用相当篇幅纠正一个常见误区：决定显卡性能的往往不是计算核心有多快，而是数据搬运有多快。 着色器每算一个像素，都要读纹理、读几何数据、写回结果；几千个核心同时伸手要数据，显存系统必须每秒提供约 1TB（高端卡超过 1TB/s）的带宽。这就是为什么 GDDR6X 用 PAM4 信号在每根引脚上每秒传输 20 多 Gb，为什么显存颗粒必须贴着 GPU 放，为什么数据中心 GPU（如 H100）干脆改用堆叠式 HBM 显存——带宽，带宽，还是带宽。
视频结尾展望了两条新支线：
Branch Education 不列参考文献，但视频里的每一块知识都有坚实的学术与工程源头。为你补齐这条脉络：
1. 并行计算理论：Flynn 分类法（1966） 斯坦福教授 Michael J. Flynn 提出，按“指令流×数据流”把计算机分为四类：SISD、SIMD、MISD、MIMD。GPU 的本质是 SIMT（单指令多线程）——Flynn 框架下 SIMD 思想的线程化扩展：成千上万个线程（CUDA 术语里 32 个线程捆成一个 warp）锁步执行同一条指令，各自处理不同数据。这解释了视频里“几千个核心却只需要一套指令调度系统”的城市规划。而让 GPU 通用化的里程碑是 2006-2007 年 NVIDIA 的 CUDA 平台（Ian Buck 主导，其前身是斯坦福的 Brook 流式编程语言），从此显卡从“3D 加速卡”变成“并行计算协处理器”——也就是今天 AI 算力时代的起点。
2. 渲染管线的学术源头：Catmull（1974）与 Phong（1975） “把多边形变成像素”的完整管线框架，出自 Edwin Catmull 1974 年的犹他大学博士论文（他后来创办了皮克斯的计算机部门，五获奥斯卡技术奖）；视频里“光照 = 表面法线与光线方向的夹角”那个经典公式，源自 Bui Tuong Phong 1975 年提出的 Phong 光照模型（环境光+漫反射+高光反射三项加权），Jim Blinn 后来优化为 Blinn-Phong，至今仍是所有游戏引擎的入门第一课。而“从像素发射光线”的思想，是 Turner Whitted 1980 年的开山论文《An Improved Illumination Model for Shaded Display》——视频里的 RT Core，本质上是在用专用电路加速 Whitted 四十六年前的递归方程。
3. 芯片制造：摩尔定律、Dennard 缩放与 EUV 光刻 视频里“数百亿晶体管塞进一块 die”的底气，来自两条教科书级定律：Gordon Moore 1965 年提出的摩尔定律（集成度约每两年翻倍），以及 Robert Dennard 1974 年的 Dennard 缩放（晶体管变小时功耗密度不变——这条在 2005 年前后已失效，正是它催生了多核与今天的专用加速器时代）。而几纳米制程的物理实现，靠的是 ASML 的 EUV 光刻机：13.5 纳米波长的极紫外光由激光每秒 5 万次轰击锡液滴产生等离子体而得——这个细节虽然视频没展开，却是理解“4N 工艺”背后工业体系的关键。
4. 显存标准：JEDEC 与 GDDR 的演进 视频里说的 GDDR6/GDDR6X，由 JEDEC（固态技术协会）标准化。GDDR 是从 DDR 内存分家出的“图形特化分支”，牺牲随机访问能力换取极端带宽；GDDR6X 更是由 NVIDIA 与美光合作引入 PAM4 四电平信号（每符号传 2 比特）。数据中心 GPU 改用 HBM（高带宽内存）——把内存 die 像高楼一样垂直堆叠、用硅中介层与 GPU 同封装，这是 2013 年 JEDEC 标准化以来“内存墙”问题最重要的工程回应。
证据充分、可放心吸收的部分：显卡的物理结构（散热、基板、显存环绕布局、VRM 供电）是对真实产品的忠实拆解，与 iFixit 及硬件媒体（如 GamersNexus、TechPowerUp）的拆解报告互相印证；渲染管线四步框架是教科书共识，与《Real-Time Rendering》（Akenine-Möller 等著）第 4 版的章节结构完全对应；每秒 TFLOPS、显存带宽的量级估算与 NVIDIA 官方白皮书一致。
被合理简化、但需读者知道的部分：
“CUDA 核心数”不等于"CPU 核心数的放大版"。 视频用“几千个核心 vs 十几个核心”制造对比冲击，这在叙事上有效，但 CUDA 核心是极简化的浮点执行单元，没有独立的取指、乱序执行、分支预测和缓存层级；真正的调度单位是 warp（32 线程锁步）。GPU 的性能来源一半在核心，另一半在隐藏延迟的技巧：当一组线程等待显存数据时，调度器瞬间切到另一组线程干活——用海量线程数掩盖每次访问的高延迟。这和 CPU“用大缓存和分支预测降低延迟”是两种哲学。只记住“GPU=核心多”会误判很多性能问题。
视频演示的是“理想化前向管线”，现代游戏引擎早已不是这样。 商业引擎主流采用延迟渲染（deferred shading）：先把几何信息写进 G-Buffer，再统一做光照，让“光照次数与场景物体数解耦”；虚幻 5 的 Nanite（虚拟化几何）和 Lumen（实时全局光照）更是把“顶点—三角形—像素”的古典叙事进一步改写。视频的管线讲解作为心智模型完全合格，但不要拿它去面试实时渲染工程师。
参数时效性。 视频以 RTX 40 系为例（763 亿晶体管等数据对应 AD102）；2025 年上市的 RTX 50 系（Blackwell 架构）已把这一纪录刷新。这不是错误，但意味着你要把视频里的具体数字当“2023 年快照”，把视频里的结构当长青知识。
并行不是万能药。 视频没提反例：强串行依赖的任务（下一步依赖上一步结果）、分支密集的逻辑（if-else 打得越碎，SIMT 锁步浪费越大）在 GPU 上反而更慢。这也是为什么数据库、高频交易等领域长期在 CPU 与 GPU 之间反复权衡。理解 GPU 的边界，和理解它的能力同样重要。
1. 看懂"为什么是显卡扛起了 AI"。 神经网络训练的本质是海量矩阵乘法——每个元素乘加彼此独立，正是 GPU 最爱的"大规模相似小任务"。你看完这条视频就明白：ChatGPT 背后没有魔法，只有视频里那座“晶体管之城”在以每秒数百 TOPS 的吞吐做乘加。下次再看到“算力军备竞赛”的新闻，你脑中应该浮现出的是：环绕排布的显存、几十相供电、以及 SM 里成千上万个锁步的小核心。
2. 买显卡/看硬件评测时，建立正确的优先级。 多数人选卡只看"核心数/型号数字"，看完这条视频你该建立的新排序是：显存容量与带宽 > 架构代际 > 核心规模 > 频率。带宽决定了高分辨率下的下限（视频里“显存贴着 GPU”的物理布局就是证据）；架构代际决定了 RT/Tensor 等单元的效率；而“核心数”恰恰是最容易被营销话术放大的指标——不同代际的核心根本不可比。
3. 把“并行思维”搬进你自己的工作。 视频最深层的一课是性能工程的通用思维：先问任务能不能拆成彼此独立的小块，再谈优化。 写代码时，与其抠一行循环的写法，不如先想这批数据能否分片并行；做项目时，先识别关键路径上的串行依赖。Flynn 分类法 1966 年就写下了这个分界线，而今天每一个“该不该上 GPU”的技术决策，仍然在做同一道判断题。
flowchart TD
A[开场钩子: 一帧4K画面=830万像素×60帧/秒] --> B[核心矛盾: CPU串行强<br>但画面计算是海量独立小任务]
B --> C[解法: 并行处理器 GPU]
C --> D[物理层: 显卡拆解]
C --> E[芯片层: GPU die 内部]
C --> F[算法层: 渲染管线]
D --> D1[均热板+热管+鳍片散热]
D --> D2[GDDR显存环绕布局→带宽优先]
D --> D3[几十相VRM供电→数百安培低压大电流]
E --> E1[数十个SM=并行城市街区]
E --> E2[数百亿晶体管/台积电EUV工艺]
E --> E3[理论源头: Flynn分类法·SIMT·CUDA]
F --> F1[顶点着色→矩阵变换]
F --> F2[光栅化→三角形变像素碎片]
F --> F3[像素着色→纹理+光照 Phong模型]
F --> F4[Z-buffer深度测试→帧缓冲输出]
F3 --> G[瓶颈: 显存带宽 1TB/s级]
G --> G1[演进: HBM堆叠显存]
F --> H[两条未来支线]
H --> H1[RT Core: 光线追踪<br>溯源Whitted 1980]
H --> H2[Tensor Core: DLSS超分<br>AI为图形管线打工]
E3 --> I[延伸: 同构硬件成就AI算力时代<br>矩阵乘法=海量独立小任务]
本次生成环境网络访问受限，以下链接以公开渠道信息为准，视频数据未能实时复核。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。