2026年了，几乎每个月都有新的AI芯片发布会，PPT上堆满了TFLOPS、HBM、Chiplet这些词。但如果你追问一句：显卡到底是怎么把一帧画面、一个矩阵算出来的？大部分人——包括很多天天喊着"All Infra"的从业者——其实答不上来。今天要深读的这条视频，是Branch Education频道的《How Do Graphics Cards Work?》（加长版）。这个频道专做一件事：用电影级的3D动画，把电子产品拆到晶体管级别给你看。这条显卡神课是频道的代表作，播放量千万级，被无数开发者称为"最好的GPU入门材料"。 它最大的价值，是用16分钟回答了一个反直觉的问题：**为什么算力远不如CPU的芯片，反而承包了整个AI时代？** ## 视频背景卡片 | 项目 | 内容 | |------|------| | 视频标题 | How Do Graphics Cards Work?（加长版） | | 频道 | Branch Education | | 时长 | 约16分钟 | | 播放量 | 千万级（据公开页面信息，未逐项核验） | | 发布时间 | 2021年前后 | | 核心主题 | 从晶体管、核心阵列、显存到流水线，完整拆解显卡工作原理 | > 说明：本篇写作环境网络检索受限，以上数据为撰写时公开信息的保守口径，精确数字请以视频页为准。视频链接见文末参考来源，站内检索可直达。 ## 核心内容拆解 ### 1. 先回答那个反直觉问题：为什么画画不用CPU 视频的切入点非常聪明：它不直接讲显卡，而是先讲"一块像素是怎么被画出来的"。你屏幕上1080P的一帧画面，约有207万个像素，每秒60帧就是每秒1.2亿个像素的颜色要重新计算——而且每个像素的计算彼此独立、互不依赖。（视频内容） 这就是全部关键。CPU是"延迟优先"的设计：几个到十几个超强核心，主频4-5 GHz，每个核心都能干复杂的活，目标是**尽快干完这一件事**。而画画的场景是"吞吐优先"：任务简单（算个颜色）、数量巨大（上亿个）、彼此独立。这种活，最优解不是造几个天才，而是雇几万个初中生——每人算一个像素，同时开工。（视频内容＋延伸分析） 我的延伸：这个"天才核心 vs 人海核心"的取舍，是整个计算机体系结构里最经典的设计分野，专业说法叫 latency-bound 对 throughput-bound。理解了这一句，后面所有内容都是自然推论。 ### 2. 打开显卡：从晶体管到流式多处理器 接下来视频做它最擅长的事：3D拆解芯片。以当代旗舰游戏卡为例（如RTX 3080，公开规格约280亿晶体管），芯片表面被划分成一块块规整的区域——每一块就是一个SM（Streaming Multiprocessor，流式多处理器）。每个SM内部又装着上百个极简核心：没有复杂的分支预测、没有大缓存，就只会干乘法和加法。（视频内容，规模数据为公开规格） 然后是最精彩的一笔：这些核心并不是各干各的，而是"排队领任务"——同一条指令（比如"把这个颜色值乘以0.7"）被同时广播给一排核心，大家对着各自负责的不同像素执行同一个动作。这个模式叫SIMT（单指令多线程）。（视频内容） 延伸分析：这就像广播体操——教练喊一个动作，一百个人同时做，但每个人面对不同的"像素"。指挥成本极低，并行度极高；代价是如果有一百个人里有一个需要"做别的动作"（分支跳转），整队就得等待。这就是为什么GPU跑不惯 complex 逻辑，却把"海量同质计算"卷到了极致。 ### 3. 显存：一场带宽的战争 视频反复强调一个很多科普会略过的重点：**显卡必须有自己的独立显存**。为什么？因为算一个像素，需要读它的位置、材质贴图、光照参数，写回结果——计算只要几纳秒，但从系统内存里取数据来回要慢一个数量级。（视频内容） 于是GPU旁边贴着8颗显存颗粒（GDDR6X这类），用超宽总线直连芯片。以RTX 3080为例，公开带宽规格约760 GB/s——什么概念？每秒把约120张蓝光光盘的数据搬进芯片。（数字为公开规格，对比为我的延伸） 我的延伸分析：这段其实是全片最有"预言性"的部分。视频说"数据搬运比计算更贵"，这句话在2026年听起来像AI行业的谶语——今天大模型推理的真正瓶颈，恰恰不是算力而是显存带宽，HBM（高带宽显存）成了比芯片本身更抢手的资源。游戏玩家2021年听懂的只是"玩游戏要大显存"，AI行业2026年听懂的才是"带宽就是国运"。 ### 4. 一帧画面的流水线之旅 把前面两块拼起来，视频完整走了一遍"一个像素的诞生"：第一步**几何阶段**，算出场景里每个三角形在屏幕上的位置；第二步**光栅化**，把三角形切成它覆盖的像素格子；第三步**着色**，对每个像素套用着色器程序，算出最终颜色（有没有光照、什么材质、是否在阴影里）；第四步**输出合并**，把结果写进帧缓冲，整帧推给显示器。（视频内容） 这条流水线为什么能快起来？因为光栅化之后，百万级像素的处理是完全并行的——正好落在GPU的舒适区。每一步都是一个"广播体操"现场。（视频内容） 延伸分析：值得补充的是，这条"三角形流水线"是1990年代末定型后二十多年没变过的行业共识，真正的变量是2020年前后加入的硬件光线追踪单元（RT Core）——它不再按屏幕像素追着三角形算，而是追着光线的路径算，并行模型更"散"，所以RT Core要单独设计。视频对光追着墨不多，看发布会时可以把这条线补上。 ### 5. 窄桥PCIe：显卡不是孤岛 视频有一段容易被忽略但极重要的内容：显卡和CPU之间的数据要过一条叫PCIe的桥。即便是PCIe 4.0 x16的满血规格，带宽也只有约32 GB/s——是显存带宽的二十分之一。（视频内容＋公开规格） 延伸分析：这一条直接解释了深度学习工程里最常见的优化动作。为什么大家强调"把数据预处理搬上GPU""减少CPU-GPU来回传输"？因为那条PCIe窄桥，就是木桶上最短的板。训练时喂图慢了，几万个核心全在干等——视频里这个动画，简直是一切"dataloader卡顿"问题的可视化说明书。 ### 6. 游戏架构为什么恰好适合AI 视频在结尾把话题推向更大的图景：GPU的并行架构不只服务游戏。矩阵乘法的本质，就是海量独立的乘加运算——和"每个像素算个颜色"是同构的。所以同一块显卡，既能渲染《赛博朋克》，也能训练神经网络。（视频内容框架，以下为延伸分析） 我的延伸：这段历史值得每个读者记住——2012年，Hinton团队用**两块游戏显卡**（GTX 580）训练出AlexNet，一举夺得ImageNet竞赛，深度学习时代就此开幕。从此游戏玩家的"氪金需求"养出了完整的GPU供应链，等2020年代AI爆发， NVIDIA几乎是无缝接住。2026年回看，一块卖游戏的卡变成AI时代的基础设施，不是谁规划出来的，而是"吞吐优先"这个设计哲学的胜利——好的架构，会等到属于它的负载出现。 ### 7. 动画之外：三件发布会不会告诉你的事 最后给这条视频补三个它没讲、但你应该知道的"幕后视角"（延伸分析，非视频内容）： 其一，**良率**。280亿晶体管的芯片不可能块块完美，厂商的解法是"刀法"：同一块晶圆，完整的当旗舰，有瑕疵的屏蔽几个SM当中端卡卖。你买的"不同型号"，很多时候是同一块芯片的不同命运。其二，**功耗墙**。动画里的芯片光洁安静，现实中它是350瓦的发热源，散热器占了整卡成本和体积的三分之一——这也是"核显轻薄本"和"独显游戏本"永远存在差距的物理根源。其三，**显卡荒的记忆**。2021年前后矿潮+疫情+AI三重叠加，显卡一年难求；2026年轮到AI数据中心整柜整柜地吞HBM。供给结构没变，变的只是买家。 ## 知识结构图 ```mermaid flowchart TD A[显卡的本质
吞吐优先的大工厂] --> B[几千个极简小核心] A --> C[独立显存
带宽数百GB每秒] A --> D[PCIe窄桥
连接系统内存] B --> E[同一指令广播
SIMT体操模式] C --> F[内存墙
搬运比计算贵] D --> F P[一帧画面的旅程] --> G[几何阶段
定位三角形] P --> H[光栅化
拆成百万像素] P --> I[着色器
逐像素算颜色] P --> J[帧缓冲
整帧推给显示器] H --> E I --> E G --> C I --> C E --> K[矩阵乘法同构
游戏架构适配AI] F --> K K --> L[Tensor Core
AI时代的续作] ``` ## 实战启示 **如果你是普通读者**：下次看芯片发布会，别只盯着TFLOPS，先问两个问题——显存多大？带宽多少？对游戏，3A大作在高分辨率下首先吃显存；对AI入门，一块24 GB显存的卡比算力纸面参数更重要，因为模型权重要整个装进显存。 **如果你是开发者**：把"搬运比计算贵"刻进代码习惯。数据处理尽量批量进行（一次搬大块，别来回小跑）；CUDA编程的第一课永远是理解内存层级；排查训练性能瓶颈时，先看PCIe传输和显存占用，再怀疑算力不够。 **如果你是通信从业者**（给51学通信的读者多说两句）：这期内容其实是"边缘计算"的底层注脚。推理要靠近数据源，本质就是绕开"PCIe窄桥"在广域网的翻版——回传时延和带宽，就是云GPU的内存墙。看懂了显卡里的带宽战争，你就看懂了为什么运营商要谈"算力网络"、为什么端侧推理芯片是2026年的兵家必争之地。 **认知层面**：这条视频示范了一种学习范式——任何复杂系统，找到它的"设计哲学"（这里是延迟vs吞吐），所有细节都会各就各位。背一百个参数，不如理解一个取舍。 ## 延伸学习路径 1. **Branch Education 频道** — 同系列还有CPU、SSD、内存如何工作等拆解，风格一致，适合成体系补课。[youtube.com/@BranchEducation](https://www.youtube.com/@BranchEducation) 2. **3Blue1Brown 神经网络系列** — 从数学侧理解"矩阵乘法为什么是AI的心脏"，与本视频一软一硬完美互补。[youtube.com/@3blue1brown](https://www.youtube.com/@3blue1brown) 3. **NVIDIA CUDA 官方文档** — 想动手的开发者从 CUDA C++ Programming Guide 开始，亲眼看SIMT模型的编程形态。[docs.nvidia.com/cuda](https://docs.nvidia.com/cuda/) 4. **Computerphile 频道** — 体系结构与计算机图形学的大量短讲座，适合把本视频的"是什么"推进到"为什么"。[youtube.com/@Computerphile](https://www.youtube.com/@Computerphile) ## 一句话总结 **显卡的故事只有一句话：与其造几个天才，不如雇一万个人同时干活——AI时代，不过是给这套人海哲学找到了第二份工作。** ## 参考来源 > 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。