Fermi
什么是Fermi首次公布的Fermi核心照
GT200的14亿个晶体管曾经让我们惊叹，Cypress的21.5亿个相比RV770的9.56亿个增加了一倍多，而Fermi达到了史无前例的30亿个，同样比自己的上一代翻了一番还多，比对手也多了40％。
从最高层面上说，Fermi很简单，无非是512个流处理器，384-bit GDDR5显存，而深层次的架构我们会在稍后逐一揭晓，不过Fermi至今还停留在纸面上，还不是一款真正的产品，所以型号划分、时钟频率、售价等等都还没有确定。事实上，直到两个月前NVIDIA才第一次让人看到了样品，最近不久刚刚获得可以正常工作的芯片，正式发布至少要到今年年底，而全面上市就是明年第一季度的事儿了。
Fermi为什么这么晚？NVIDIA产品营销副总裁Ujesh Desai说了一句：因为设计这么大的GPU实在是太的难了。
AMD用RV770核心给NVIDIA好好上了一课，庞大而沉重的GT200失去了反击之力，CUDA、PhysX这种对手所没有的功能特性于是成了宣传重点。
作为GeForce业务负责人，Ujesh Desai愿意承担责任，并承认在GT200时代严重失策。根据RV670 Radeon HD 3800的表现，NVIDIA推测其继任者的性能也不过尔尔，但RV770的表现大大出乎意料，而GT200定价过高，最终导致了一夜之间暴降千元的悲剧。
NVIDIAGPU工程副总裁Jonah Alben没有把责任都推到Ujesh身上，承认自己在工程上也有失误。GT300从一开始就应该采用新的55nm工艺，但NVIDIA在130nm NV30 GeForce FX被150nm Radeon 9700 Pro大败之后趋于保守，最后一次使用了65nm工艺，最终成就了一个面积庞大、功耗超高的巨无霸。
虽然40nm工艺进程依然稍微落后于对手，但NVIDIA不会在同一条河里摔倒两次，没有在Fermi上沿用55nm，否则又是一颗无法接受的大芯片。
不过NVIDIA暂时还没有透露Fermi的具体大小，只能估计一下。Fermi和Cypress都是40nm工艺，假设核心面积和晶体管数量呈等比例，那么在后者334平方毫米的基础上，Fermi将是466平方毫米，比576平方毫米的GT200小足足两成。
尽管AMD的Sweet Point策略让NVIDIA吃尽了苦头，不过NVIDIA依然认为最重要的并非首先开发价格较低的小芯片，而是提高大芯片的效率，然后衍生出不同的尺寸和配置规格。期待Fermi的主流版本能在明年尽快出炉。
NVIDIA相信Fermi在3D游戏里会比Radeon HD 5870更快，当然不快也不行，但是如果你只是把Fermi单纯地看作是一颗游戏GPU就错了，因为它的真正目标是Tesla，是高性能通用计算，是个人和数据中心超级计算机——这就是GT300里边那个字母T的含义，它要做一颗通用目的微处理器。
这有点儿像Intel Nehalem架构，确切目标也不是桌面，而是高性能计算服务器领域，所以新的Xeon处理器才在服务器工作站上横扫一片，但游戏性能并不比Core 2 Quad好多少。
NVIDIA声称，要达到同样的性能，使用CPU就得2000台x86服务器，总成本约800万美元，功耗1200kW，而换成GPU只需32台Tesla S1070s系统(如下图)，成本不过40万美元，功耗更是仅仅45kW。虽然这里没有算上驱动Tesla所需要的服务器(毕竟GPU不可能完全摆脱CPU)，但这部分占得也不会太多。
Fermi架构解析1、SP、SM
从高层次上看，Fermi和GT200结构形似，并无太大不同，但往深处看就会发现绝大部分都已经进化。
最核心的流处理器(Streaming Processor/SP)现在不但数量大增，还有了个新名字CUDA核心(CUDA Core)，由此即可看出NVIDIA的转型之意，不过我们暂时还是继续沿用流处理器的说法。
所有流处理器现在都符合IEEE 754-2008浮点算法(Cypress也是如此)和完整的32位整数算法，而后者在过去只是模拟的，事实上仅能计算24-bit整数乘法；同时引入的还有积和熔加运算(Fused Multiply-Add/FMA)，每循环操作数单精度512个、单精度256个。所有一切都符合业界标准，计算结果不会产生意外偏差。
双精度浮点(FP64)性能大大提升，峰值执行率可以达到单精度浮点(FP32)的1/2，而过去只有1/8，AMD现在也不过1/5，比如Radeon HD 5870分别为单精度2.72TFlops、双精度544GFlops。由于最终核心频率未定，所以暂时还不清楚Fermi的具体浮点运算能力(双精度预计可达624GFlops)。
G80/GT200都是8个流处理器构成一组SM(Streaming Multiprocessor)，Fermi增加到了32个，最多16组，少于GT200的30组，但流处理器总量从240个增至512个，是G80的整整四倍。
除了流处理器，每组SM还有4个特殊功能单元(Special Function UnitSFU)，用于执行抽象数学和插值计算，G80/GT200均为2个。同时MUL已被删掉，所以不会再有单/双指令执行计算率了。
至于SM之上的纹理处理器群(Texture Processor Cluster/TPC)，NVIDIA暂时没有披露具体组成方式，而且ROP单元、纹理/像素填充率等其它图形指标也未公布。
2、缓存
GT200的每组SM都有16KB共享内存，由其中8个SP使用。注意它们不是缓存(cache)，而是软件管理的内存(memory)，可以写入、读取数据。为了满足应用程序和通用计算的需要，Fermi引入了真正的缓存，每组SM拥有64KB可配置内存(合计1MB)，可分成16KB共享内存加48KB一级缓存，或者48KB共享内存加16KB一级缓存，可灵活满足不同类型程序的需要。
GT200的每组TPC还有一个一级纹理缓存，不过当GPU出于计算模式的时候就没什么用了，故而Fermi并未在这方面进行增强。
整个芯片拥有一个容量768KB的共享二级缓存，执行原子内存操作(AMO)的时候比GT200快5-20倍。
3、效率
CPU和GPU执行的都是被称作线程的指令流。高端CPU现在每次最多只能执行8个线程(Intel Core i7)，而GPU的并行计算能力就强大多了：G80 12288个、GT200 30720个、Fermi 24576个。
为什么Fermi还不如GT200多？因为NVIDIA发现计算的瓶颈在于共享内存大小，而不是线程数，所以前者从16KB翻两番达到64KB，后者则减少了20％，不过依然是G80的两倍，而且每32个线程构成一组“Warp”。
在G80和GT200上，每个时钟周期只有一半Warp被送至SM，换言之SM需要两个循环才能完整执行32个线程；同时SM分配逻辑和执行硬件紧密联系在一起，向SFU发送线程的时候整个SM都必须等待这些线程执行完毕，严重影响整体效率。
Fermi解决了这个问题，在每个SM前端都有两个Warp调度器和两个独立分配单元，并且和SM其它部分完全独立，均可在一个时钟循环里选择发送一半Warp，而且这些线程可以来自不同的Warp。分配单元和执行硬件之间有一个完整的交叉开关(Crossbar)，每个单元都可以像SM内的任何单元分配线程(不过存在一些限制)。
这种线程架构也不是没有缺点，就是要求Warp的每个线程都必须同时执行同样的指令，否则会有部分单元空闲。每组SM每个循环内可以执行的不同操作数：FP32 32个、FP64 16个、INT 32个、SFU 4个、LD/ST 16个。
4、并行内核(Parallel Kernel)
在GPU编程术语中，内核是运行在GPU硬件上的一个功能或小程序。G80/GT200整个芯片每次只能执行一个内核，容易造成SM单元闲置。这在图形运算中不是问题，通用计算上就不行了。
Fermi的全局分配逻辑则可以向整个系统发送多个并行内核，不然SP数量翻一番还多，更容易浪费。
应用程序在GPU和CUDA模式之间的切换时间也快得多了，NVIDIA宣称是GT200的10倍。外部连接亦有改进，Fermi现在支持和CPU之间的并行传输，而之前都是串行的。
5、ECC支持
AMD Cypress可以检测内存总线上的错误，却不能修正，而NVIDIA Fermi的寄存器文件、一级缓存、二级缓存、DRAM全部完整支持ECC错误校验，这同样是为Tesla准备的，之前我们也提到过。
很多客户此前就是因为Tesla没有ECC才拒绝采纳，因为他们的安装量非常庞大，必须有ECC。
6、统一64-bit内存寻址
以前的架构里多种不同载入指令，取决于内存类型：本地(每线程)、共享(每组线程)、全局(每内核)。这就和指针造成了麻烦，程序员不得不费劲清理。
Fermi统一了寻址空间，简化为一种指令，内存地址取决于存储位置：最低位是本地，然后是共享，剩下的是全局。这种统一寻址空间是支持C++的必需前提。
GT80/GT200的寻址空间都是32-bit的，最多搭配4GB GDDR3显存，而Fermi一举支持64-bit寻址，即使实际寻址只有40-bit，支持显存容量最多也可达惊人的1TB，目前实际配置最多6GB GDDR5——仍是Tesla。
7、新的指令集架构(ISA)
下边对开发人员来说是非常酷的：NVIDIA宣布了一个名为“Nexus”的插件，可以在Visual Studio里执行CUDA代码的硬件调试，相当于把GPU当成CPU看待，难度大大降低。
Fermi的指令集架构大大扩充，支持DX11和OpenCL义不容辞，C++前边也已经说过，现在又多了Visual Studio，当然还有C、Fortran、OpenGL 3.1/3.2。