AMD GPU 架構演進
從 GCN、RDNA、CDNA 到 UDNA——一場已公開方向、尚待規格落地的統一戰
這不只是一篇講 GPU 型號的文章。
這是一個關於「架構分裂、再統一」的工程決策故事——
而且它的結局，現在還沒寫完。
一、GCN：一套架構打天下的時代（2012～2019，衍生架構延續至後續產品）
二○一二年，AMD 推出了 GCN（Graphics Core Next）架構，代表產品涵蓋 Radeon HD 7000 到 Vega 整個世代。
當時 AMD 的想法很合理：
├── 遊戲 GPU（Radeon）
└── 工作站 / 計算（FirePro）
用同一套核心打遊戲、科學運算、GPU Compute，可以壓低研發成本、統一軟體模型。這個邏輯沒有錯——但是問題在兩邊的需求開始分裂：
兩者需求方向相反，GCN 試著兩邊兼顧，結果就是：兩邊都不夠極致。這有點像某些通用化平台架構的困境——設計初期邏輯合理，但隨著市場需求演化，原本的折衷點反而變成效率瓶頸。
二、RDNA：AMD GPU 的架構轉折點（2019）
AMD 決定把遊戲市場重新設計，推出 RDNA（Radeon DNA），第一代產品是 RX 5000 系列。核心精神只有一句話：
最值得關注的改變之一是 Wave32 成為主要優化方向，這個細節很多人忽略，但它是整個執行效率的基礎：
→ 每次派 64 個 thread 為一個 wave 一起執行
→ 當 wave 內各 thread 走上不同分支時，inactive lanes 被 mask 掉，產生無效執行
RDNA：以 Wave32 為主要優化方向
→ 同時支援 Wave32 與 Wave64，但以 Wave32 作為遊戲 shader 的最佳路徑
→ 遊戲場景的分支 divergence 影響縮小，延遲降低
到了 RDNA 2（RX 6000 系列），AMD 加入了 Infinity Cache——這是位於 GPU cache hierarchy 中的大容量最後級快取（last-level cache），功能概念上類似 CPU 的 L3，夾在 shader 運算單元與 GDDR6 之間，目的是提高有效頻寬、降低功耗。
三、CDNA：把 AI / HPC 獨立出去
幾乎同一時期，AMD 做了另一個決定：把計算市場分拆出去，推出 CDNA（Compute DNA），代表產品是 AMD Instinct MI 系列 AI 加速卡。
CDNA 的工程思路很直接——弱化甚至移除以遊戲渲染為主的硬體單元，將更多晶片面積與設計資源轉向 AI/HPC 計算（Compute Unit、SIMD 執行模型仍然保留，只是優先方向完全不同）：
Display Engine
Gaming Pipeline
FP16 / BF16 / FP8
HBM 高頻寬記憶體
高速互連
至此，AMD GPU 正式走向雙線並行：
CDNA → 以 AI / HPC 計算為優先（Instinct MI 系列）
四、AMD 最大的問題：不是硬體，是軟體分裂
硬體分兩條線沒有問題，問題是軟體也跟著分裂了：
CDNA → ROCm / HIP（AI 生態）
開發者：「AMD 的 AI 工具鏈，我熟悉嗎？」
需要說明的是，HIP 本身設計上可以跨 AMD GPU 執行，問題不在於「完全兩套世界」，而在於更細膩的層面：ROCm 的支援範圍、kernel 優化深度、以及與 CUDA 生態的相容程度。這正是 NVIDIA CUDA 最難被取代的原因——CUDA 不只是一個程式語言，它是一個十幾年累積的完整生態：
AMD 的 ROCm 這幾年確實有明顯進步，PyTorch 對 ROCm 的支援已大幅改善。但現實中仍有幾個層面尚待突破：third-party library 的 CUDA kernel 移植率、Linux 多 GPU 環境的 driver 穩定性，以及最根本的——開發者心智佔有率。大多數 AI researcher 的工作流程從一開始就建立在 CUDA 之上，切換的成本不只是改程式碼，而是整套習慣與工具鏈。
五、UDNA：AMD 想複製 Zen 的成功（傳聞中）
值得一提的是，AMD 其實早已透過 PlayStation 5、Xbox Series X 等半客製 SoC，累積了 CPU/GPU 整合、Unified Memory 與客製化封裝的工程經驗——同一顆晶片裡跑 Zen CPU 核心加上 RDNA GPU。這些整合能力或許成為未來 GPU 架構演化的基礎，但並不代表 Console SoC 與 UDNA 是直接延續關係，主機產品有其獨立的功耗、成本與設計目標。
傳聞中的 UDNA（Unified DNA），想做的事情很像 AMD 在 CPU 戰場上的 Zen 策略：
重新設計：Zen → Chiplet 架構
↓
EPYC（資料中心）/ Ryzen（消費）/ Threadripper（工作站）
共用底層架構，依市場需求各自最佳化封裝與 cache 配置
若 GPU 版本複製這個模式，預期的架構方向可能是：
├── Radeon（消費遊戲）
├── Instinct（AI 資料中心）
└── Console SoC（PS / Xbox）
六、為什麼 AI 市場讓這件事變得可能？
過去，高階 GPU 開發動輒數十億美元（5nm / 3nm 製程、Chiplet 封裝、HBM），光靠遊戲玩家市場養不起這樣的 R&D。
但 AI 時代改變了這個方程式：
主要獲利來源
資料中心成為主戰場
AI 市場的規模讓統一架構的研發成本有了分攤基礎。在 chiplet 時代，一種可能的方向是讓 AI/HPC 與消費 GPU 共用更多底層計算單元，再依市場需求分別調整記憶體類型（HBM vs. GDDR）、封裝規格與功能模組——而不是簡單的「AI 版縮小成遊戲版」。
七、UDNA 真正的賭注：不是硬體統一，是軟體統一
如果 UDNA 只是「硬體用同一個核心」，那其實解決不了 AMD 最大的問題。
真正的賭注是：
＋
Software Unified（ROCm / HIP 生態統一）
＋
Developer Unified（開發者只需要學一套）
這才是 NVIDIA CUDA 護城河最難打穿的地方。就算 AMD 的 UDNA 硬體在規格上超越 NVIDIA，如果 AI infra 工程師的開發體驗還是分裂的，AI 訓練框架的 kernel 移植還是靠人工，那改善仍然有限。
軟體統一才是 UDNA 的真正賭注。硬體只是前提。
架構演進一覽
一套架構打天下，遊戲與計算兩邊都照顧，但兩邊都不極致。
遊戲優先重設計。Wave32、更低延遲。RDNA 2 加入 Infinity Cache。
AI / HPC 獨立分線。Matrix Core、HBM、刪除圖形 pipeline。
市場推測可能朝統一 GPU 架構方向發展。若成真，真正的考驗在 ROCm 軟體生態能否同步整合。
AMD GPU 的演進，可概括為：從 GCN 的通用化設計，因市場需求分化為偏重遊戲圖形的 RDNA 與偏重 AI/HPC 的 CDNA，再因軟體生態、開發者規模與跨產品效率的壓力，朝 AMD 已公開談及的 UDNA 統一策略發展。
這不代表未來所有 Radeon、Instinct、APU 與主機產品會採用完全相同的實體晶片——更可能的情況是共享底層架構、執行模型、編譯器與軟體堆疊，再依記憶體、快取、顯示、封裝與功耗需求做產品化調整。
但無論硬體如何演化，核心問題始終不變：硬體統一是工程問題，軟體統一才是生死問題。AMD 的真正賭注，不在晶片，而在能否讓開發者只需要學一套工具鏈。
#AMD
#RDNA
#CDNA
#UDNA
#ROCm
#工程師思路系列
Comments