1. CUDA Cores (General-Purpose Parallel Computing)
- นิยาม: เป็นหัวใจหลักของ GPU ของ NVIDIA ที่ทำหน้าที่คำนวณงานทั่วๆ ไป (General-purpose computing)
- หน้าที่: ทำงานในลักษณะขนาน (Parallel Processing) งานไหนที่ต้องคำนวณซ้ำๆ พร้อมกันจำนวนมหาศาล CUDA Cores จะเป็นตัวจัดการ เช่น การเรนเดอร์ภาพกราฟิกในเกม การแปลงวิดีโอ หรือการคำนวณทางคณิตศาสตร์ทั่วไป
- เปรียบเทียบ: เหมือน “คนงานทั่วไปที่มีความสามารถรอบด้าน” จำนวนหลายพันคนในโรงงาน ทุกคนสามารถหยิบจับงานอะไรก็ได้ที่ส่งมาให้ทำพร้อมๆ กัน
2. Tensor Cores (AI & Deep Learning Optimization)
- นิยาม: เป็นแกนประมวลผลพิเศษที่ถูกออกแบบมาเพื่อ “คณิตศาสตร์เมทริกซ์” (Matrix Multiplication) โดยเฉพาะ ซึ่งเป็นหัวใจของการทำ Deep Learning
- หน้าที่: งาน AI ส่วนใหญ่คือการคูณตัวเลขเมทริกซ์ขนาดใหญ่ Tensor Cores ถูกออกแบบมาให้ทำเลขพวกนี้ได้เร็วกว่า CUDA Cores ปกติหลายเท่า (เร็วกว่าแบบก้าวกระโดด) นอกจากนี้ยังรองรับการคำนวณแบบ Precision ต่ำ (เช่น FP8, INT8) เพื่อเพิ่มความเร็วในการรัน AI อีกด้วย
- เปรียบเทียบ: เหมือน “วิศวกรเฉพาะทาง” ที่เก่งเรื่องการคำนวณขั้นสูงโดยเฉพาะ ไม่ได้ทำงานจิปาถะ แต่ถ้าเป็นงานคำนวณสูตร AI เขาจะทำเสร็จในเวลาเพียงเสี้ยววินาที
3. AI TOPS (Performance Metric)
- นิยาม: ย่อมาจาก Tera Operations Per Second (ล้านล้านการคำนวณต่อวินาที)
- หน้าที่: เป็น “ตัวเลขบอกประสิทธิภาพ” ของชิปนั้นๆ ว่าสามารถประมวลผลงาน AI ได้เร็วแค่ไหน ยิ่งเลข TOPS สูง ยิ่งแปลว่าชิปตัวนั้นประมวลผล AI ได้ “ดุเดือด” มากขึ้น
- หมายเหตุ: TOPS มักถูกวัดจากค่าการคำนวณแบบ INT8 (ความละเอียดต่ำ) เพื่อให้ได้ตัวเลขที่สูงที่สุดเท่าที่จะทำได้
- เปรียบเทียบ: เหมือน “มาตรวัดความเร็ว” ของรถยนต์ เช่น รถคันนี้วิ่งได้กี่กิโลเมตรต่อชั่วโมง เป็นตัวเลขที่ใช้เปรียบเทียบความแรงของ AI ระหว่างรุ่นต่อรุ่นหรือระหว่างแบรนด์ (เช่น Intel vs AMD vs Apple)
ตารางสรุปความแตกต่าง
| คุณสมบัติ | CUDA Cores | Tensor Cores | AI TOPS |
| บทบาท | หน่วยประมวลผลหลัก | หน่วยประมวลผลเฉพาะ AI | ค่าชี้วัดความเร็ว |
| งานที่ถนัด | กราฟิก, วิดีโอ, คำนวณทั่วไป | Deep Learning, โมเดลภาษา (LLM) | ใช้เปรียบเทียบความแรงของชิป |
| เป้าหมาย | ความแม่นยำและความคล่องตัว | ความเร็วและประสิทธิภาพ AI | ระบุสเปกความแรง |
สรุปในมุมมองการเลือกใช้งาน:
- ถ้าคุณจะ ทำเรนเดอร์ 3D หรือตัดต่อวิดีโอ: เน้นดูจำนวน CUDA Cores
- ถ้าคุณจะ รัน AI Local (เช่น Llama 3 หรือ Stable Diffusion): ต้องดู Tensor Cores (รุ่นใหม่ๆ จะมีรุ่นที่ประสิทธิภาพสูงขึ้น) และดูค่า AI TOPS เพื่อเทียบว่าชิปตัวนั้นๆ “แรง” พอที่จะรันโมเดลใหญ่ๆ ได้ลื่นแค่ไหนครับ
