Clicked Gallery
O que é uma GPU (unidade de processamento gráfico)?
Subrayado en un documento técnico real. Explicado por Clicked.
Usado numa frase
Engineering Notes · AI Systems
The startup had spent most of its new funding renting GPU clusters to train its models.
O leitor sublinhou uma palavra na documentação. O Clicked explicou o termo técnico «GPU» em termos simples:
Explicado em três níveis
Os mesmos fatos, outra vibe — Modo slang 😎
O método Clicked
●○○
Overview
Uma GPU, sigla de unidade de processamento gráfico, é um chip de computador que aplica uma operação simples a milhares de números de uma vez. Uma CPU trabalha em profundidade, levando uma tarefa por muitos passos variados. Uma GPU trabalha em largura, pegando um passo e rodando-o por todos os dados ao mesmo tempo. Desenhar uma tela é trabalho de largura, e por isso o chip foi construído para gráficos. Treinar IA é trabalho de largura numa escala muito maior, e por isso o mesmo chip hoje senta no centro da IA.
●○○
Overview
Uma GPU é o chip pelo qual a indústria de IA inteira está na fila, e ele foi construído para deixar videogames bonitos. O truque nunca mudou: o mesmo cálculo minúsculo, em todo lugar, tudo de uma vez. Renderizar uma explosão significa rodar esse cálculo por um milhão de pixels de uma vez, então os gamers financiaram vinte anos do seu desenvolvimento. Aí os chatbots revelaram precisar exatamente do mesmo truque em dose mil vezes maior, e o chip de jogos se viu rodando o boom da IA. 😎
Uma ideia rápida — muitas vezes é tudo de que você precisa.
●●○
Detail
Uma GPU é um chip que acelera computadores fazendo milhares de coisas de uma vez. Uma CPU tem uns poucos núcleos potentes levando uma tarefa por passos variados em ordem; uma GPU tem milhares de núcleos simples executando todos o mesmo passo de uma vez, cada um no seu pedaço dos dados. As GPUs ganharam esse projeto por causa do que as telas exigem. Uma imagem são milhões de pixels que precisam todos da mesma aritmética a cada quadro. Um núcleo pegando-os um por um jamais daria conta, então os chips gráficos criaram milhares de núcleos para tratar o lote junto. Décadas depois, o treinamento de IA revelou-se o mesmo formato de trabalho. Uma rede neural é majoritariamente multiplicação sobre grades enormes de números, a mesma operação repetida bilhões de vezes, então o chip gráfico já era a ferramenta certa. O projeto importa mais a cada ano. Núcleos individuais pararam de ficar muito mais rápidos anos atrás, então velocidade adicional tem que vir de fazer mais de uma vez. O limite: só trabalho que se divide em pedaços idênticos e independentes pode ser repartido assim. Um trabalho em que cada passo espera o anterior, um formulário de imposto preenchido linha a linha, fica na CPU por mais núcleos de GPU que estejam ociosos. Treinar um modelo grande é o caso extremo: milhares de GPUs de data center ficam ocupadas por meses, e quando o noticiário diz que um laboratório tem "compute", GPUs são o que ele está contando.
●●○
Detail
Uma GPU faz um número absurdo de cálculos pequenos de uma vez, e essa habilidade única hoje move mercados. Leia qualquer matéria de IA e a palavra "compute" aparece. Compute significa GPUs. Startups levantam fortunas e as gastam alugando esses chips por hora. Uma única unidade de data center custa mais que um carro decente, clusters inteiros chegam a dezenas de milhares de unidades, e as empresas citam as suas contagens de GPU como marinhas citam navios. Tudo isso por uma peça cujo nome ainda diz unidade de processamento gráfico. A piada é que as versões de IA nunca tocam gráficos. Elas ficam em racks nos data centers fazendo matemática pura sem tela nenhuma plugada, e o nome simplesmente nunca foi atualizado. A do seu notebook ainda faz o trabalho original, empurrando pixels para a sua tela. E uma pegadinha fica fora das manchetes: uma GPU só ganha o próprio preço quando o trabalho se divide em pedaços idênticos e os dados chegam rápido o bastante para mantê-la alimentada. Erre qualquer um dos dois e você comprou o jeito mais caro do mundo de esperar. 😎
Quer mais? Um clique aprofunda.
●●●
Analogy
Corrigir provas mostra a divisão. Mil folhas de múltipla escolha precisam do mesmo gabarito aplicado mil vezes. Um professor conferindo folha após folha leva a noite inteira. Quinhentos ajudantes, cada um com o gabarito e duas folhas, terminam em minutos. Os ajudantes não são habilidosos; o gabarito carrega todo o julgamento, e essa é a GPU: muitas mãos simples, uma instrução compartilhada. A redação é o outro tipo de trabalho. É um argumento que precisa ser acompanhado do início ao fim, então vai para o professor sozinho, e essa é a CPU. Um computador reparte o trabalho do mesmo jeito: as mil conferências idênticas vão para a GPU, e o argumento que precisa ser lido em ordem vai para a CPU.
●●●
Analogy
Uma GPU é o dia da colheita de maçãs feito com um exército de voluntários, um por árvore. O colhedor estrela, a CPU desta história, limpa uma árvore mais rápido que qualquer pessoa viva, e sozinho precisaria de uma semana. Os voluntários recebem uma regra, colha tudo o que estiver vermelho, e o pomar está limpo até o almoço. Nenhum voluntário é metade do colhedor que a estrela é. A velocidade veio de dividir o trabalho, não de talento. A letra miúda também mora aí. Trazer uma multidão desse tamanho exige organização, e se as caixas atrasam, centenas de colhedores ficam parados olhando um caminhão. E a enxertia, em que cada corte depende do corte anterior, não é trabalho de multidão. Esse tipo de tarefa volta para o colhedor estrela, a CPU — e é por isso que todo notebook ainda vem com uma. 😎
Conceito novo? Um exemplo do dia a dia faz clicar — novas analogias quando quiser.
Explicações de IA podem conter erros · Não é aconselhamento profissional
Definição formal — O mesmo termo, explicado da forma habitual
Uma unidade de processamento gráfico é um processador especializado contendo milhares de núcleos aritméticos que executam a mesma instrução sobre grandes blocos de dados em paralelo. Originalmente desenvolvida para renderizar gráficos em tempo real, a arquitetura mostrou-se eficiente para qualquer carga dominada por álgebra linear densa, incluindo a simulação científica e o treinamento e a inferência de redes neurais. Ela complementa em vez de substituir a unidade central de processamento, que retém o trabalho sequencial e de controle de fluxo; as variantes de data center adicionam memória de alta largura de banda e interconexões de alta velocidade para operar em clusters de milhares de chips.
Quer que o Clicked explique termos como «GPU» direto no seu navegador, até em PDFs?
Adicionar ao Chrome — Grátis50 explicações grátis · Sem cartão de crédito
Mais da galeria
O que é uma rede neural?
Matemática que aprende as regras a partir de exemplos em vez de tê-las escritas — e por que isso vence.
O que é treinamento (em IA)?
O processo que constrói um modelo por exemplo. Conversar com ele depois não muda nada.
O que é inferência (em IA)?
O modelo fazendo o trabalho de verdade — e por que a metade barata acaba custando mais.
O que é quantização?
Guardar os números de um modelo com menos precisão — metade da memória, quase nenhuma perda.
O que é um grande modelo de linguagem (LLM)?
Um programa que prevê o texto que vem a seguir — depois ensinado, à parte, a responder em vez de divagar.
O que é edge computing?
Fazer o trabalho no dispositivo em vez de num data center — e as três situações que exigem isso.