Публикация была переведена автоматически. Исходный язык: Английский
призыв вернуться к примитивизму графических процессоров
Спираль эволюции вычислений:
1. Начало — чистая математика, цикл на процессоре: берем координаты → вычисляем функцию → рисуем пиксель. (Ранние демонстрации, эксперименты raymarch).
2. Оптимизация для слабого оборудования — появился графический конвейер (вершины → растеризация → фрагменты). Это был обходной путь, позволяющий создавать графику в реальном времени на небольших шинах и оборудовании с ограниченными возможностями.
3. Расширение использования вычислительных процессоров — графические процессоры стали более универсальными: CUDA, OpenCL, вычислительные шейдеры. Но “древний" оптимизационный "багаж” остается — искажения, локальная разделяемая память, конвейерная логика, которые создавали и развивали конвейерную совместимость.
4. Вернуться к корне — тензорным ядрам, TPU, NPU-процессорам. По сути, вернуться к “чистому циклу”: миллиардам идентичных операций, без унаследованного конвейера.
В конце концов возникает вопрос. Зачем кому-то нужна эта многоуровневая сверхсложная архитектура, когда, в сущности, вам нужна просто плохая математика и вам не нужна "оптимизация" прошлого. Например, зачем кому-то нужны все эти ядра CUDA, когда в настоящее время ширина шины позволяет вычислять простые значения cos (x* x + y * y) * w, sin (x* x + z* z) * w для проецирования реальности на монитор с помощью алгоритма raymarching с использованием шейдеров (но все еще с большим количеством вычислительные затраты), ну, еще с небольшой оптимизацией xd
Все, что нужно, - это массово-параллельный математический движок pure math.
В итоге выбор остается за двоичным кодом. Либо продолжайте “жить по старинке”, используя конвейеры и абстракции для обеспечения универсальности и обратной совместимости.
Или принять “возврат” — то, что современный кремний снова позволяет использовать прямой путь (чистые матричные циклы, формулы, линейное построение).
a call to return to gpu-primitivism
A spiral of computation evolution:
1. The beginning — pure math, a loop on the CPU: take coordinates → evaluate a function → draw a pixel. (Early demos, raymarch experiments).
2. Optimization for weak hardware — the graphics pipeline appeared (vertices → rasterization → fragments). It was a workaround to make real-time graphics possible on small buses and limited hardware.
3. Expansion to compute — GPUs became more general-purpose: CUDA, OpenCL, compute shaders. But under the hood, the “ancient "optimization" baggage” remains — warps, local shared memory, pipeline logic, that built and turned around of pipeline of compatibility.
4. Return to the root — Tensor Cores, TPUs, NPUs. In essence, back to the “pure loop”: billions of identical operations, without the legacy of the pipeline.
The question rises in the end. Why someone needs that layered overcomplicated architecture when in nutshell you just need poor math and you don't need "optimisation" of the past. Why someone needs all that CUDA cores for example when nowadays a bus width allows to compute simple cos(x*x+y*y)*w, sin(x*x+z*z)*w to project reality onto monitor with raymarching algorithm using shaders(yet still with a lot of computational overhead), well with a bit of optimization yet xd
All is needed is massively parallel pure math engine.
In the end the choice is binary. Either keep “living on the ancient ways” — dragging pipelines and abstractions for universality and backward compatibility.
Or accept the “return” — that modern silicon allows the direct path again (pure matrix loops, formulas, raymarching).
