英伟达各代显卡架构名称的含义及核心特点
英伟达各代显卡架构名称的含义及核心特点
英伟达（NVIDIA）的显卡架构名称多以著名科学家或项目代号命名，每代架构均围绕并行计算、AI加速、图形性能等核心需求进行升级，以下是主要架构的含义及关键特性：
1. Tesla架构（2006-2010）
以尼古拉·特斯拉（Nikola Tesla）命名，是英伟达首个统一着色器架构（Unified Shader Architecture），打破了传统分离式顶点/像素着色器的设计，将顶点、几何、像素处理单元整合为流处理器（Streaming Processor, SP），大幅提升了资源利用率和图形性能，奠定了后续架构的基础。
2. Fermi架构（2010-2013）
以恩里科·费米（Enrico Fermi）命名，是英伟达首款支持CUDA 2.0的架构，引入了PolyMorph Engine（用于处理曲面细分）、GDDR5显存（提升内存带宽）和ECC内存（提高数据可靠性），是当时性能最强的GPU架构之一，广泛应用于游戏和专业计算。
3. Kepler架构（2012-2015）
以约翰内斯·开普勒（Johannes Kepler）命名，重点优化了能效比（性能/功耗比提升约3倍），引入了动态并行（允许GPU直接启动内核）和Hyper-Q（提升多任务处理能力），同时支持CUDA 3.0，成为数据中心和科学计算的主流架构。
4. Maxwell架构（2014-2017）
以詹姆斯·克拉克·麦克斯韦（James Clerk Maxwell）命名，进一步提升了能效（比Kepler高约40%），引入了SMM（Streaming Multiprocessor Maxwell）设计（更小的核心、更高的并行度），支持CUDA 5.0，并优化了图形渲染（如DX12 Ultimate支持），广泛应用于消费级显卡（如GTX 900系列）。
5. Pascal架构（2016-2018）
以布莱兹·帕斯卡（Blaise Pascal）命名，首次引入统一CUDA核心（同时支持FP32浮点运算和INT32整数运算），提升了单精度性能（比Maxwell高约1.5倍），并支持GDDR5X/GDDR6显存（更高带宽）和NVLink（多GPU高速互联），是当时AI和图形性能的标杆（如GTX 1080 Ti）。
6. Volta架构（2017-2019）
以亚历山大·伏特（Alessandro Volta）命名，是英伟达首款针对数据中心和AI优化的架构，首次引入Tensor Core（专为矩阵运算设计，加速深度学习），支持CUDA 9.0和NVLink 2.0（更高的GPU互联带宽），主要用于高性能计算（如HPC、AI训练）。
7. Turing架构（2018-2020）
以艾伦·图灵（Alan Turing）命名，首次加入RT Core（光线追踪核心，加速实时光线追踪），结合Tensor Core（深度学习加速），实现了“实时光线追踪+AI降噪”的组合，支持CUDA 10.0，是游戏显卡的重要转折点（如RTX 20系列）。
8. Ampere架构（2020-2022）
以安德烈-玛丽·安培（André-Marie Ampère）命名，重点提升了AI性能（Tensor Core升级至第三代，支持TF32混合精度），优化了内存带宽（GDDR6X显存，带宽提升约1.5倍），并支持PCIe 4.0（更高的数据传输速度），是当前消费级和企业级显卡的主流架构（如RTX 30系列）。
9. AdaLovelace架构（2022-至今）
以埃达·洛夫莱斯（Ada Lovelace）[[关于AdaLovelace]]命名，采用了台积电4N定制工艺，在集成度和能效上相比Ampere有了显著提升，与Hopper架构同在2022年发布，但其针对的是游戏与消费市场，代表作是RTX 40系列显卡。其核心创新主要包括：
- 第四代Tensor Core：大幅提升AI运算性能，并支持DLSS 3技术。DLSS 3引入了帧生成（Frame Generation） 功能，借助AI计算生成完整帧，从而在游戏中实现帧率的巨大提升
- 第三代RT Core：光追性能相比Ampere架构提升可达4倍，它引入了微网格置换引擎（Displaced Micro-Mesh Engine, DMME） 和微映射透明度引擎（Opacity Micro-Map Engine, OMME），显著优化了复杂几何图形处理效率和内存使用，使实时光线追踪更加高效真实
- 着色器执行重排序（Shader Execution Reordering, SER）：这是一项突破性的技术，能够动态重新组织乱序工作的执行顺序，更好地分配着色器资源，从而提升光追效率,NVIDIA称其可为光追带来最高2倍的性能提升。
- 大幅增加的L2缓存：Ada架构的L2缓存相比Ampere大幅增加（例如在AD102核心上从6MB增至96MB），这有效降低了延迟并提升了分辨率性能
10. Hopper架构（2022-至今）
以格蕾丝·霍珀（Grace Hopper）[[关于 Grace Hopper]]命名，首次引入Hopper Transformer Engine（优化Transformer模型推理，性能提升约3倍），支持FP8数据类型（降低内存占用，提升AI效率），并采用台积电4N工艺（更高的晶体管密度），主要用于数据中心和AI推理（如H100 GPU）。
11. Blackwell架构（2024-至今）
以大卫·布莱克韦尔（David Blackwell）命名（美国科学院首位黑人院士，擅长概率与统计），是英伟达针对AI大模型优化的最新架构，首次采用统一CUDA核心（同时支持FP32/INT32，回归Pascal架构设计），支持第五代Tensor Core（性能提升约6倍）、第五代NVLink（带宽提升约3倍）和RAS引擎（可靠性提升），目标是支撑10万亿参数大模型的训练与推理（如GB200 GPU）。
每代架构的名称不仅纪念了科学领域的杰出人物，更体现了英伟达在该代架构中的核心技术突破（如Tensor Core、RT Core、统一CUDA核心等），推动了图形渲染、AI计算和高性能计算的不断发展。