GPU Gems 2 · Chapter 30. The GeForce 6 Series GPU Architecture

一颗 GPU 不只是“更快的 CPU”

把大型工厂想成两部分：一条窄的进料通道，连接许多本地工作台。进料通道负责把订单和原料送进来；工作台一旦拿到原料，就能以很高的速度并行加工。若每一步都回到远处取东西，工作台的数量再多也只是一起等待。

这就是本章要解决的架构问题：GeForce 6 如何把主机送来的命令和数据变成顶点、候选像素，再变成最终颜色；同一套可编程单元又怎样承接非图形计算。没有这张数据路径图，只看峰值数字，很容易把“接口受限”“片元受限”和“计算受限”混成一个问题。先预测：把 early z-cull 改成 late，再增加 texture lookup，哪一项会先放大 fragment 工作？

本章聚焦 NVIDIA 原章描述的 GeForce 6 Series，尤其是 GeForce 6800。所有型号、带宽和吞吐数字都保留其 2005 年历史语境；可迁移的是“哪个单元处理什么输入、数据在哪个边界移动、哪一步可以提前拒绝”。

1. host interface 与 GPU 本地带宽

CPU 通过 AGP 或 PCI Express 把 command stream、texture data 和 vertex data 送到 GPU。原章表 30-1 给出的 GeForce 6 时代参考是：GPU memory interface 35 GB/s、PCI Express x16 理论值 8 GB/s、800 MHz front-side bus 的 CPU memory interface 6.4 GB/s，实际主板可能低于理论上限。

这个数量级差异解释了一个工程规则：尽量让数据在 GPU local memory 中复用。若每个 kernel 都把中间结果送回 CPU，除了一次额外 copy，还会把本来能在本地带宽中完成的工作压到 host interface。CPU 负责提交命令和准备资源，GPU 负责在本地处理已驻留的批量数据，两端分工必须写进资源生命周期。

对每个元素的外部传输量设为 $B_{host}$，本地处理量设为 $B_{local}$，则一次 round-trip 的时间可以粗略写成

这个式子在说：即使本地算术很快，窄的 host rate 和同步点仍可能成为总时间主导；公式不是硬件精确模型，而是提醒你先量出边界成本。

2. graphics pipeline：从 command 到 frame buffer

CPU 写入 command stream 后，硬件解析状态和 draw command，再由 vertex fetch unit 读取被引用的顶点。接下来顶点经过变换、蒙皮或其他 per-vertex 操作，rasterizer 把三角形或点扩展成 fragments，fragment processor 对每个候选像素运行纹理与 shader，最后经过 depth、stencil 和 blend 逻辑写入 render target。

vertex processor 的输入粒度是 vertex。GeForce 6 首次允许 vertex program fetch texture data，且每个 component 使用 fp32；不同档位可配置不同数量的 vertex units，原章举例从低端两单元到高端六单元。这个可扩展性解释了产品线为何能共享架构而改变吞吐档位。

fragment processor 的输入粒度是 candidate pixel。texture unit 与 fragment-processing unit 协同读取 texels、执行程序，然后把深度和颜色送到后续测试。片元并不等于最终可见像素：不可见片元可能在更早的 z-cull 阶段被丢弃，透明或 stencil 规则也可能继续改变结果。

3. quad、导数与 texture pipeline

GeForce 6 的 fragment/texture 单元以四个像素的 quad 为局部工作组。相邻四个 lanes 让硬件可以比较 texture coordinates 的变化，从而计算纹理 level-of-detail 所需的 derivatives。quad 不是“一个输出像素变四个”，而是一个让局部差分可定义、并让相邻执行保持在一起的处理粒度。

当 fragment shader 访问纹理时，filter、mip choice 和 anisotropy 都依赖坐标在屏幕邻域中的变化。若 quad 内 lanes 走完全不同的控制流，某些导数或 texture request 可能变得不稳定，分支 divergence 也会降低有效吞吐。因此检查 texture LOD 时，必须同时查看 quad 形成方式、坐标连续性和 fragment density。

vec2 du = dFdx(uv);
vec2 dv = dFdy(uv);
float footprint = max(dot(du, du), dot(dv, dv));
vec4 color = textureGrad(albedo, uv, du, dv);

这里的代码表达“使用相邻 fragment 的坐标变化指导纹理采样”；具体 GLSL 版本、可用导数函数和驱动行为要以目标 API 为准，不能把历史硬件的 quad 细节直接当成现代跨平台保证。

4. z-cull、early reject 与固定功能收益

GeForce 6 的 z-cull 是第三代 NVIDIA hidden-surface removal 技术，能以高速度移除不可见表面；当 stencil 不更新且测试条件合适时，还可以使用 early stencil reject。关键不是“所有片元都会被提前删掉”，而是已知深度关系允许的情况下，硬件能把工作截断在 fragment processor 之前。

固定功能阶段仍然重要：geometry instancing 减少重复提交同一几何的 driver overhead；early culling/clipping 减少无效 primitive；rasterization 支持 points、lines、triangles 与 multisample antialiasing；floating-point blending 和 filtering 为 HDR 等效果提供更大范围，但低端型号可能因带宽和芯片面积限制而不支持全部能力。

instancing 特别适合军队、草地或粒子这类“几何相同、变换不同”的对象。它解决的是提交和顶点流组织，不会自动消除 fragment overdraw；若实例遮挡严重，仍需依靠 cull、LOD 和正确的深度顺序控制像素工作。

5. Shader Model 3.0：能力汇合，粒度仍不同

Shader Model 3.0 让 vertex 与 fragment 编程模型向共同能力集合靠拢：两者都支持 fp32 precision、texture lookups 和相同方向的 instruction set。原章列出 vertex instruction count 为 512 static instructions 与 65,536 dynamic instructions；fragment processor 则强调四宽 co-issue 的 MAD/DP4、额外 multiply 与 fp16 normalization 等吞吐结构。

“能力汇合”不意味着两个阶段成本相同。vertex program 仍按顶点运行，fragment program 按候选像素和 quad 运行；一个 shader 在 fragment 阶段可能被数百万 fragments 放大。优化时先判断程序落在哪个 stage、输出会放大多少次，再决定减少指令、减少输入、提升 early reject 还是改变 batch 组织。

6. 非图形计算视图：把 pipeline 当作可编程数据通路

GeForce 6 也可以从非图形角度看成两块串联的可编程 fp32 processor：vertex processor 先处理数据，随后直接交给 fragment processor，或经由 rasterizer 扩展成 interpolated fragments。两者都可使用 texture unit 做随机访问，原章给出的 GPU memory bandwidth 是 35 GB/s 的历史参考。

这个抽象把 GPU 变成计算密集任务的 data path：输入被编码到 vertex/texture，vertex stage 做一轮 map，rasterizer 负责必要的扩展，fragment stage 再做另一轮 map，结果写入 render target。深度测试、纹理坐标、精度、打包方式和回读路径都是算法的一部分，不能只把 CPU loop 的每一行机械翻译成 shader。

const encoded = uploadAsVertices(input);
const stageA = runVertexProgram(encoded, constants);
const stageB = rasterizeOrExpand(stageA);
const output = runFragmentProgram(stageB, lookupTexture);

这段伪代码用于标出数据阶段，不是现代 API 的可运行实现。实际工程要核对 render target format、同步、读回代价、可用 precision 和是否能保持中间数据在 GPU 内部。

三步验收：边界、单元、工作量

用同一批输入、同一纹理和同一相机记录 CPU reference、host bytes、vertex count、candidate fragments、early reject、quad count、texture reads 与最终输出 hash。先确认数据经过正确边界，再确认程序落到正确单元，最后才讨论峰值性能。

本章小结

• host interface 窄，GPU local memory 应承担主要复用。
• vertex 与 fragment processor 按不同粒度执行可编程程序。
• quad 提供局部导数，z-cull 可在 fragment shading 前拒绝工作。
• Shader Model 3.0 汇合能力，但两阶段的工作量放大不同。
• 非图形任务也可借用这条数据通路，但格式、同步和回读必须显式验收。