AMD RDNA4 GPU架构，亮相！

RDNA4是AMD最新的以图形为核心的架构，并用于打造其RX 9000系列独立GPU。AMD指出，打造一款优秀的游戏GPU需要理解当前的工作负载，同时也要考虑到未来五年工作负载可能呈现的样子。因此，AMD一直致力于提升在光栅化、计算和光线追踪各方面的效率。机器学习（包括在游戏中的应用）的重要性日益凸显，所以AMD的新GPU架构也兼顾了机器学习工作负载。

从AMD的角度看，RDNA4代表了在光线追踪和机器学习效率上的巨大飞跃，同时在光栅化方面也有所改进。改进的压缩技术有助于持续为图形架构供给数据。除了GPU核心的图形加速职责外，RDNA4还带来了增强的媒体和显示功能，使产品更加完善。

媒体引擎

低延迟编码模式主要对流媒体传输有益，媒体引擎造成的延迟最终会转化为延迟的流。降低延迟可能会使质量优化更具挑战性。视频编解码器致力于编码帧间差异以节省存储空间。缓冲更多帧能为编码器提供更多机会来寻找帧间的相似内容，并允许其为复杂序列分配更多的码率预算。但缓冲帧会引入延迟。另一个挑战是一些流行的流媒体平台主要使用H.264，这是一种比AV1效率更低的老式编解码器。更新的编解码器正在测试中，随着未来几十年的发展，情况可能会开始改变。但目前，由于H.264的广泛支持，它仍然很重要。

使用《上古卷轴Online》的老游戏片段进行测试显示，在使用受延迟约束的VBR模式 (-rc vbr_latency) 和针对低延迟编码调优的编码器 (-usage lowlatency) 时，RDNA4的媒体引擎展现出明显优势。Netflix的VMAF视频质量指标在整个码率范围内都给RDNA4打了更高的分数。仔细检查的结果通常与VMAF指标一致。

RDNA4在保留高对比度轮廓方面做得更好。差异在文本周围尤其明显，RDNA4以更低的码率处理文本的效果优于其前代产品。在如此近距离的审视下，两者的结果都不算完美，示例中的文本都有模糊现象，并且精细细节被视频编码伪影所破坏。但值得记住的是，受延迟约束的VBR模式使用的VBV缓冲区最多为三帧，而更高延迟的模式可以使用覆盖多秒视频的VBV缓冲区大小。编码速度也略有提高，从RDNA3.5到RDNA4，速度从约190 FPS跃升至约200 FPS。

显示引擎

显示引擎从内存中获取屏幕帧数据，将其合成为最终图像，并驱动到显示输出。这是一项大多数人都认为理所当然的基本任务，但显示引擎也是执行各种图像增强功能的好地方。一个传统的例子是使用查找表（LUT）进行色彩校正。显示引擎的增强对用户软件是不可见的，并且通常在硬件中执行，功耗成本极低。在RDNA4上，AMD增加了一个“Radeon图像锐化”(Radeon Image Sharpening)过滤器，让显示引擎能够锐化最终图像。使用显示引擎的专用硬件而非GPU的可编程着色器意味着锐化过滤器不会影响性能，并且可以以更高的能效来执行。而且，AMD无需依赖游戏开发者来实现该效果。锐化甚至可应用于桌面，虽然我不确定为什么会有人需要这样做。

功耗是显示引擎的另一个重要优化领域。传统上，这更多是移动产品关注的问题，因为在低负载下最大化电池寿命是首要任务。但RDNA4以其更新的显示引擎瞄准了多显示器空闲功耗。AMD的演示指出，他们利用了FreeSync显示器上的可变刷新率(VRR)功能。他们没有透露更多细节，但不难想象AMD可能采取的做法。高分辨率和高刷新率显示器意味着高像素速率，这反过来又驱动了对更高内存带宽的需求。动态降低刷新率可以让RDNA4的内存子系统进入低功耗状态，同时仍能满足刷新截止期限。

我有一块RX 9070，通过HDMI连接到Viotek GN24CW 1080P显示器，以及一台支持最高360 Hz刷新率的MSI MAG271QX 1440P显示器。后者通过DisplayPort连接。即使在高刷新率设置下，RX 9070也能将内存保持在空闲时钟。移动鼠标会导致显卡提高内存时钟并消耗更多功率，这暗示RDNA4在屏幕内容不变时会降低刷新率。此外，RDNA4获得了一个中间GDDR6功耗状态，使其能够处理1080P 60 Hz + 1440P 240 Hz的组合，而无需达到最大内存时钟。在RDNA2上，情况更倾向于“全有或全无”。老款显卡更容易为了提高以处理高像素速率而提高内存时钟，并且即使屏幕内容不变，功耗也保持高位。

计算单元变更

RDNA4的工作组处理器（WGP）保持了与之前RDNA世代相同的高级布局。然而，它获得了针对光线追踪的重大改进，例如改进的光线追踪单元和更宽的BVH节点、动态寄存器分配模式，以及一个不再受波（wave）间错误内存依赖关系影响的调度器。我在之前的文章中介绍过这些。除了这些改进，AMD的演示还讨论了一些其他值得关注的细节。

标量浮点指令

AMD长期以来一直使用标量单元来卸载波内恒定的操作。标量卸载通过避免冗余计算来节省功耗，并释放向量单元以提高计算受限序列的性能。RDNA4的标量单元增加了一些浮点指令，扩展了标量卸载的机会。此功能在RDNA3.5上首次亮相，但RDNA4将其带到了独立GPU上。

虽然AMD的演示中没有讨论，但标量卸载可以带来额外的性能优势，因为标量指令有时比对应的向量指令延迟更低。RDNA4上的大多数基本向量指令具有5周期延迟。标量单元上的FP32加法和乘法具有4周期延迟。不过，最大的延迟优势仍然来自卸载整数操作。

分离屏障

GPU使用屏障（barrier）来同步线程并强制执行内存排序。例如，在旧的AMD GPU上，一条`s_barrier`指令会导致一个线程等待，直到其工作组中的所有对等线程也都到达该`s_barrier`指令。屏障会降低性能，因为任何碰巧更快到达屏障的线程都必须停滞，直到其对等线程赶上。

RDNA4将屏障分离为独立的“信号”(signal)和“等待”(wait)操作。RDNA4没有`s_barrier`，而是有`s_barrier_signal`和`s_barrier_wait`。一个线程一旦产生其他线程可能需要的数据，就可以“发出”屏障信号。然后它可以进行独立的工作，并且只有在需要使用其他线程产生的数据时才等待屏障。随后，`s_barrier_wait`将使该线程停滞，直到工作组中的所有其他线程都已发出屏障信号。

内存子系统

最大的RDNA4变体拥有8 MB的L2缓存，与之前的RDNA世代相比，L2容量显著增加。RDNA3和RDNA2的最大L2容量分别为6 MB和4 MB。AMD发现，像光线追踪这样的繁重工作负载受益于更大的L2。光线追踪涉及在BVH遍历期间进行指针追逐，因此它对访问由较慢的Infinity Cache（无限缓存）而非L2提供服务更为敏感也就不足为奇了。在3DMark的DXR功能测试的初始场景中（在Explorer模式下运行），RDNA4大幅减少了必须从L2之外获取的数据量。

就绝对值而言，RDNA2在将数据保留在L2方面仍然表现良好。但值得注意的是，在两个平台上，命中InfinityCache相比命中L2都会增加超过50 ns的额外延迟。这远超过100个周期，因为RDNA2和RDNA4的运行频率都高于2 GHz。虽然AMD的图形战略已转向增大更快的缓存，但这仍然与Nvidia将更多资源投入L2缓存的策略形成对比。Blackwell的L2缓存同时承担了AMD的L2和Infinity Cache的功能，并且其延迟介于这两个缓存级别之间。Nvidia还有一个灵活的L1/共享内存分配方案，根据工作负载请求的本地存储（共享内存）容量，可以在L2前面提供更多的低延迟缓存容量。

中层L1缓存是之前RDNA世代的常见配置。它在RDNA4以及AMD的演示中明显缺失。一种可能性是L1缓存命中率不够高，不足以证明增加额外缓存层复杂性的合理性。也许AMD认为其芯片面积和晶体管预算更好地用于增加L2容量。为了支持这一理论，RDNA1上的L1命中率通常低于50%。同时，RDNA系列一直享有高带宽和低延迟的L2。为了减少L2未命中而给L2施加更大压力可能是一个诱人的权衡。另一种可能性是AMD在L1缓存方面遇到了验证问题，并决定在这一代跳过它。当然，无法验证这两种可能性，但我认为前者的理由更合理。

除了调整缓存层次结构，RDNA4还带来了对透明压缩（transparent compression）的改进。AMD强调他们在整个SoC中使用压缩技术，包括在显示引擎和媒体引擎等节点。压缩数据可以存储在缓存中，并在写回内存之前解压缩。压缩减少了数据传输，从而降低了带宽需求并提高了能效。

透明压缩并非新功能。它作为GPU工具箱中减少内存带宽使用的工具之一已有很长历史，很难找到没有任何压缩功能的现代GPU。即使在显示引擎等其他模块中的压缩也有先例。例如，英特尔的显示引擎使用帧缓冲区压缩（FBC），它可以写入帧数据的压缩副本，并持续获取该压缩副本来降低数据传输功耗，只要数据不发生变化。之前的RDNA世代也具备压缩功能，AMD的文档总结了一些压缩目标。虽然AMD没有讨论压缩效率，但我尝试在RDNA1和RDNA4上使用RGP（Radeon GPU Profiler）捕获相似的帧，以查看每帧内存访问是否存在巨大差异。结果并不完全符合我的预期，但我还是会将它们放在这里，并讨论评估压缩效能为何具有挑战性。

第一个挑战是两种架构都能从L0或L1满足大多数内存请求。AMD关于RDNA1的幻灯片表明L0和L1只保存解压缩后的数据，至少对于增量颜色压缩（DCC）是如此。压缩确实适用于L2。对于RDNA4，AMD的幻灯片表明它也适用于Infinity Cache。然而，由于这些RDNA世代之间存在巨大的缓存层次结构差异，专注于L2的数据传输是行不通的。

DCC（增量颜色压缩）并非唯一的压缩形式。但这张幻灯片展示了压缩/解压缩发生在L2前方的一个例子。

另一个问题是，很容易想象一种不改变所涉及缓存请求数量的压缩方案。例如，数据可能被压缩到只占用缓存行的一部分。一个请求只导致缓存行的子集被读出，然后由解压缩模块扩展为完整的128B。较早的RDNA1幻灯片对此表述模糊，指出DCC以256B粒度（两个缓存行）操作，但没有提供更多细节。

无论如何，压缩可能是RDNA4在仅配备256位GDDR6显存设置的情况下，能够使用比前代更小的Infinity Cache却实现更好性能的一个因素。

SoC功能

AMD概述了RDNA4中的RAS（可靠性、可用性和可服务性）功能。现代芯片使用奇偶校验和ECC（纠错码）来检测和纠正错误，显然RDNA4也是如此。不可恢复的错误通过驱动程序干预来处理，“重新初始化SoC的相关部分，从而防止平台关闭”。对这种说法有两种解读方式。一种是GPU可以被重新初始化以从硬件错误中恢复，这显然会影响任何依赖GPU加速的软件。另一种是GPU的某些部分可以在GPU继续处理工作的同时被重新初始化。我认为前者更可能，尽管我也能想象后者在有限形式下是可能的。例如，如果从GDDR6读取数据时发生不可恢复的错误，假设该数据在系统内存中有备份，则理论上可以修复。驱动程序可以将已知良好的数据从主机传输过来以替换损坏的副本。但是，涉及已修改数据的错误将难以恢复，因为系统中其他地方可能没有最新的副本。

在安全方面，微处理器拥有通往“关键模块”的私有总线和受保护的寄存器访问机制。这里的安全功能针对HDCP和其他DRM功能，我个人觉得这并不特别有趣。但幻灯片上显示的术语很有趣，因为MP0和MP1在AMD的CPU端文档中也有涉及。在CPU端，MP0（微处理器0）处理一些安全加密虚拟化（SEV）功能，有时也称为平台安全处理器（PSP）。CPU上的MP1称为系统管理单元（SMU），负责电源控制功能。奇怪的是，AMD的幻灯片在RDNA4上分别标注了MP1和SMU。当然，MP0/MP1在GPU上可能具有完全不同的功能。但共同的术语提高了CPU和GPU SoC设计之间存在大量共享工作的可能性。RAS也是非常传统的CPU功能，尽管随着GPU计算的兴起，GPU也逐渐具备了RAS功能。

Infinity Fabric

CPU和GPU方面共享努力的最明显例子之一是Infinity Fabric进入图形设计。这始于多年前的Vega，尽管当时使用Infinity Fabric更像是一个实现细节。但多年后，Infinity Fabric组件提供了一种优雅的方式来实现大型末级缓存，或具有巨型iGPU（如MI300A）的多插槽一致性系统。

RDNA4上的Infinity Fabric内存端子系统由16个CS（一致性站）模块组成，每个模块与一个统一内存控制器（UMC）配对。一致性站接收来自图形L2和其他客户端的请求。它们通过从UMC获取数据，或者如果另一个模块拥有所请求缓存行的更新副本则发送探测（probe），来确保一致性内存访问。CS是实现内存端缓存的逻辑位置，在RDNA4中，每个CS实例拥有4 MB缓存。

为了节省功耗，Infinity Fabric支持DVFS（动态电压和频率缩放），时钟频率在1.5至2.5 GHz之间。Infinity Fabric的带宽为每时钟周期1024位，这表明Infinity Cache可以提供2.5 TB/s的理论带宽。这与Nemes基于Vulkan的GPU缓存和内存带宽微基准测试的结果大致吻合。

AMD还概述了其禁用各种SoC组件以筛选晶圆（harvest dies）并创建不同SKU的能力。着色器引擎（SE）、工作组处理器（WGP）和内存控制器通道都可以被禁用。AMD和其他制造商过去曾使用过类似的筛选能力。我不确定这里有什么新内容。很可能，AMD希望重新强调他们的筛选选项。

最后，AMD提到他们为RDNA4选择了单片（monolithic）设计，因为这对于其规模的图形引擎来说是合理的。他们考虑了性能目标、封装组装和周转时间以及成本。在评估这些因素后，他们认为单片设计是正确的选择。这并不令人惊讶。毕竟，AMD在图形引擎较小的低端RDNA3产品上使用了单片设计，仅在最顶级的SKU上使用了小芯片（chiplet）设计。这反而提醒我们，没有放之四海而皆准的解决方案。是单片还是基于小芯片的设计更合理，很大程度上取决于设计目标。

结语

RDNA4带来了许多令人兴奋的改进，同时放弃了任何试图攻克顶级性能领域的尝试。与其追求极致性能，RDNA4看起来更侧重于优化以提高相对于前几代的效率。尽管RX 9070的功耗预算更低、内存带宽更少、末级缓存更小，但其在光栅化工作负载中提供了与RX 7900 XT相似的性能。Techspot的数据也显示RX 9070在光线追踪工作负载中领先，这与AMD提升光线追踪性能的目标一致。

AMD通过压缩技术、更好的光线追踪结构和更大的L2缓存实现了这种效率。因此，RDNA4能够将其性能封装在相对较小的356.5 mm²芯片中，并使用适度的256位GDDR6显存配置。显示和媒体引擎的改进也备受欢迎。多显示器空闲功耗感觉是独立GPU的一个被忽视的领域，尽管我知道许多人使用多显示器进行生产力工作。在这些设置中降低空闲功耗非常值得赞赏。在媒体引擎方面，AMD的视频编码能力常常落后于竞争对手。RDNA4的进步至少防止了AMD像以前那样落后太多。