RTX2080與RTX2080Ti最新架構Turing（圖靈）詳細介紹
掐指一算，距離NVIDIA發表GeForce GTX 1080已有2年以上的時間，Pascal架構同時具備高效能與能源效率，繼任者有何表現相當令人期待。Turing架構不僅包含傳統光柵化運算特化的硬體單元，更有加速光追蹤技法的RT單元，以及機器學習Tensor單元。此次NVIDIA宣布利用Turing架構推出GeForce RTX 2070、GeForce RTX 2080、GeForce RTX 2080 Ti共3款顯示卡，首先由GeForce RTX 2080作為先鋒，於9月20日上市，GeForce RTX 2080 Ti則延遲至9月27號，GeForce RTX 2070將於10月發售。
Turing設計不僅包含更新過的SM核心設計，另外針對市場應用趨勢，加入特化的硬體加速單元，Tensor核心用以執行與機器學習高度相關的矩陣運算，RT核心則負責光追蹤運算當中，佔有重要地位的BVH和光線與物件三角形互動。作者手中也拿到GeForce RTX 2080、GeForce RTX 2080 Ti兩款產品，就讓我們抽絲剝繭，從設計到硬體，從硬體到效能一層層揭開面紗。
相對比帕斯卡構架Turing最大的改變就是SM核心的設計改變，Turing架構之中，每個TPC內部包含2個SM，並根據顯示卡等級不同調整數量，譬如Quadro RTX 6000為TU102最完整的36個TPC、GeForce RTX 2080 Ti則削減為34個TPC、GeForce RTX 2080的TU104再減為23個TPC。Turing構架每個TPC內部共有2個SM，並改善SM內部架構組成，官方表示相對於Pascal架構版本，單一CUDA核心的運算效能提升50％（Pascal單一TPC僅包含1個SM）。
其中有2個主要的進步，第一是為新增獨立的整數資料路徑，讓整數指令可以隨著浮點資料路徑一同處理；過去的架構則存在整數與浮點數互斥的狀況，當執行整數指令時，指令配發器並沒有辦法浮點運算工作給後端的運算單元。第二為SM記憶體架構更新，變更為共享式記憶體架構，Pascal為L1 24KB和96KB共享記憶體，Turing SM將2者結合成單一區域，並依據實際運算所需，分成64KB+32KB或是32KB+64KB，存取L1頻寬同時上升至2倍，L1的容量最高也多出1.7倍。
Turing SM相較Pascal SM改良L1架構，變更為共享式記憶體，能夠分配成64KB+32KB或是32KB+64KB，並提升L1存取頻寬至2倍，L2同時加大1倍容量至6MB。每個SM包含64個FP32核心、64個INT32核心、8個Tensor核心、1個RT核心（Pascal缺少後3者，單一SM包含128個FP32核心）；以目前遊戲運算平均值，大約每100個浮點運算指令，就有36個整數運算指令，整數運算多為記憶體定址和擷取資料工作，浮點運算則為比較、最大值、最小值等數學運算。整數與浮點運算能夠同步作業，相對而言浮點數效能提升36％。
Tensor機器學習，NVIDIA在Volta架構首次導入用於機器學習的專用處理單元Tensor，這次也放入Turing架構當中，並隨著Microsoft發表DirectML，未來Tensor能夠以硬體加速完成相關作業。對於遊戲來說，也可以期待與電腦AI對戰時，遇到更為千變萬化的戰略。Tensor除了可以支援FP16浮點數運算，Turing更加入INT8和INT4的支援能力，讓可以容忍較低精度的應用提升處理速度。Tensor針對機器學習經常使用的矩陣運算最佳化，單一SM內部包含8個Tensor核心，每個時脈周期可以完成512個FP16乘法與積運算，或是總額1024個浮點運算，將精度調低至INT8則能夠完成2048個運算。
Tensor以硬體加速方式完成NVIDIA自己的NGX，包含近期轟炸各位腦袋的深度學習超取樣反鋸齒，原本利用著色器運算效能進行的反鋸齒技術，將部份工作轉移至Tensor核心進行。透過機器學習訓練，DLSS可以提供比TAA更高的畫面品質，或是在減少輸入樣本的情形之下，提供與TAA相同的4K畫面品質，卻只要TAA一半的運算資源。但缺點是，DLSS需要經過機器學習訓練這一道關卡，因此並非所有遊戲均支持。
圖片來源於網絡，如有侵權，聯繫作者刪除。