ARM新版Mali GPU简析：这次终于赶超高通和苹果？

前两天，ARM在Computex 2019大会上宣布推出新一代Cortex-A77 CPU新架构，随之而来的还有Mali-G77 GPU。ARM Mali GPU一直以来相较高通Adreno和苹果A系GPU，都属短板，这让三星和华为始终在图形计算能力，尤其是游戏表现上比较尴尬。甚至前两年就有传言说华为的自研GPU很快会上线，对Mali的嫌弃并不是一天两天了。

不过今年的Mali-G77换了新的Valhall架构，执行核心和ISA都发生了较大的变化——考虑到去年G76已经很大程度拉进了Mali与Adreno在性能和能效方面的距离，今年的G77就格外受人关注了。三星和华为手机终于要摆脱GPU孱弱的帽子了吗？

预期：靠近苹果，赶超高通？

由于Mali-G77尚无成品上市，现在只能看ARM给定的纸面数据，并参考去年G76的成绩，以此来看G77当前的水平层级。ARM宣称，G77相比G76在每mm²的性能方面提升1.2-1.4倍，或者说“性能密度”提升30%，以及能效提升30%（每瓦性能提升1.20-1.39倍），还有机器学习性能提升60%。

不同的厂商对于具体的GPU实施方案会存在差别，比如频率、核心数等，所以ARM提供了性能密度提升数据作为参考。Mali-G77 GPU预期在未来的制程工艺方面并不会有多大提升，不过性能密度和能效提升自然也就意味着GPU还可以做得更小，或者说可以塞进更多核心。

考虑到整个系统未来更多的提升，如LPDDR5，ARM认为未来采用Mali-G77的设备将在峰值图形性能方面提升40%。这里提升的40%，理应对应于G76，那么我们就可以来看一看G76是什么水平。

一般来说，历代Mali GPU在具体实施时，抛开GPU Turbo不谈，三星Exynos在硬件层面的绝对性能和能效方面是优于海思Kirin的。所以我们看看应用了Mali-G76的Exynos 9820当年的表现如何。

参考外媒AnandTech针对三星Galaxy S10的测试成绩——这款手机恰好有骁龙855和Exynos 9820两个版本。从GFXBench测试子项的曼哈顿3.1和霸王龙2.7测试中，Mali-G76和Adreno 640在峰值性能、持续性能，以及能效（每瓦帧率）方面都比较接近，虽然前者相较后者略有不及。

来源：AnandTech，其中A12分成Warm和Cold，其中Warm是指持续跑测试项目至少3分钟后，在性能下降后测得的成绩，这个状态下的功耗成绩会相对合理

Mali-G76实际上相比G72就已经完成了一次能效和性能飞跃，而且G76终于换掉了Midgard时代的texture单元，让Mali在游戏画质上终于达到与Adreno同一水准。那么如果G77的确像ARM宣称的那样，性能和能效都提升20%-40%，这对高通而言就是个大麻烦。要知道在G72时代以前，高通可是远远将Mali甩在身后的。或者说，在未来的G77手机设备中，三星和华为可能将彻底摆脱GPU孱弱的噩梦，只要芯片制造商能够按照ARM的实施方案去做。

不过按照40%的上限来看，大致上也就是刚刚达到苹果A12的水平，包括性能和能效。所以G77赶超高通是没问题的，但要赶超苹果，恐怕还得加把劲儿。

Valhall架构：改了什么？

做到这个程度的性能和能效飞跃，可以从Valhall执行核心，以及Mali-G77微架构层面的调整说起，尤其是前者。ARM官方提到，Valhall包含了这些特性：

- 新的超标量引擎，这是能效和性能密度提升的关键；
- 简化的标量ISA，新的指令组对compiler（编译器）更友好；
- 新的指令动态调度；
- 配合如Vulkan之类的当代API，采用新的数据结构。

实际上，Valhall架构的本质在新的执行核心。前代Bifrost架构是4-wide和8-wide设计，G72核心部分的执行模块就包含4-wide标量SIMD单元，warp size为4；G76则增加到两个4-wide单元，warp size为8。warp是GPU的最基本可调度单元，SIMD过程中数据处理的最小单位；在所有线程中，同时执行同一指令。

这种比较窄的warp设计，致使工作无法有效填充足够的线程。而Valhall则将warp执行模型增加到了16-wide，这样一来，ALU单元的利用率会提升。这是在向桌面级GPU靠拢的节奏。这也是ARM在PPT中反反复复宣传的核心所在，我们认为这也是G77完成性能提升和多场景应用的关键。

另外就是执行引擎从早前的3个，合并为更大的一个。不过实际ALU管线仍然由两部分构成，每部分有各自的16-wide FMA相应单元。类似Bifrost这样的三引擎设计，每个执行引擎都有各自的数据路径控制逻辑、scheduler、指令缓存等，这已经是比较老的设计方案了，相对也更浪费资源，节省空间。

除此之外，就新的ISA，Bifrost以往调度（fixed issuing）是依托于compiler的，而Valhall则降低了compiler的负荷；新版的ISA还对texture指令做了优化；针对AFBC（ARM帧缓冲压缩）的优化等。

深入到执行引擎微架构内部，其中共有四个模块，前端包括warp scheduler和16KB的指令缓存，两个处理单元，还有连接加载/存储单元和一些固定功能模块的Message Block。前端支持最多64 warp/1024个线程；执行单元中有三个ALU，分别是FMA、CVT（转换单元，用于基本的整数操作和类型转换）和SFU（特定功能单元，这个单元的warp为4-wide，因为相对比较少用），这种“超标量”发射的核心变化也就相应实现了compiler的简单化。

在执行引擎之外，shader核心在微架构层面的变动其实是不大的，其中尤为值得一提的是shader核心内部的TMU（纹理贴图单元），其吞吐能力相较Mali-G76翻番（命中路径吞吐翻番、未命中路径吞吐也翻番）。Texture缓存增加到32KB，也就能够达到16纹素/周期的吞吐。过滤单元吞吐也增加了，达到了G76的两倍。

不过这样一来，ALU相较texture过滤也就不是均衡分配的关系了，ARM认为当代的图形工作任务负载是需要这种变化的。ARM宣称，G77在texture重度游戏中的表现会很好。

再从shader核心之外来看，就不同芯片厂商可以为Mali-G77 GPU配备7-16个shader核心（每个核心一个执行引擎）；L2缓存最多可以切分成4块，总体最多4MB大小。这些就要看不同厂商的设计了。

强化的更多应用场景：AR、ML

GPU执行神经网络引擎的推测（inference）其实并不稀罕，不过ARM这回专门拿出来谈了谈。ARM在社区文章中反复宣传其16-wide warp和一个执行引擎内的两簇设计，每个核心每个执行引擎都有16-wide FMA单元。如前文所述，这大概是本次计算性能相较G76提升的根本所在。另外加载/存储缓存（LSC）也有加强设计，这些带宽方面的加强对于推动本地推测执行性能都有益处，本身也迎合edge AI的趋势。

在此基础上，将Mali-G77应用于更为复杂的显示增强和机器学习场景——这都是对并行计算要求更高的场景，也就有了依据。不过在这些应用场景上，G77乃至Vallhall都可能只是个开始。

这么看来，今年的手机市场可能会更有意思，尤其华为在补齐GPU短板后，高通到底还能不能使出什么杀手锏呢？