近些年，GPU在业界的重要性愈加凸出，无论是在高性能计算，还是在消费级领域，其对用户的粘性越来越强，英伟达的火爆就是得益于其核心的GPU技术和产品，在这种情况下，传统巨头英特尔坐不住了，原本只是在消费级市场生产集成GPU显卡，市场需求的变化使得英特尔开始组建独立GPU研发团队，并投入了越来越多的资源，以应对英伟达和AMD的竞争，特别是在高性能计算领域。

在高性能应用领域，对GPU的功耗和成本可控的要求越来越高，这就对相关技术提出了更高的要求，包括芯片设计方法、EDA工具、制程工艺，以及封装技术，要想实现高性能与功耗、成本的有效平衡，以上这些技术环节缺一不可，而随着摩尔定律的逐步“失效”，先进封装技术的重要性越来越凸出，而英特尔、AMD和英伟达这三巨头都看到了这一环节的重要性，并不断加强研发力度。特别是在近期，这三家公司不约而同地在MCM（多芯片模块）方面披露了重要信息。

MCM打入GPU

MCM是为解决单一芯片集成度低和功能不够完善的问题而生的，它把多个高集成度、高性能、高可靠性的die，在高密度多层互联基板上用SMD技术组成多种多样的电子模块系统，形成多芯片模块。MCM具有以下特点：封装延迟时间缩小，易于实现模块高速化；缩小整机/模块的封装尺寸和重量；系统可靠性大大提高。

以前，MCM主要用于CPU和存储设备，特别是在CPU领域应用较为普遍，如早期IBM的Power4双核处理器，就是4块双核Power4以及附加的L3高速缓存形成的MCM，还有英特尔的PentiumD（研发代号：Presler）、Xeon，以及AMD的Zen2架构Ryzen(核心代号:Matisse)、EPYC处理器等，都是应用MCM的典型代表。

近些年，在AMD的引领下，MCM封装技术开始走向GPU。之所以如此，主要是因为传统显卡是带有多个GPU的PCB板卡，需要连接两个独立显卡的Crossfire或SLI桥接器。传统的SLI和CrossFire需要PCIe总线来交换数据、纹理、同步等。由于GPU之间的渲染时间会产生同步问题，因此在许多情况下，传统的双GPU显卡，即单个PCB上的两个芯片由它互连，每个芯片都有自己的VRAM。SLI或CrossFire的能耗很大，冷却也是一个挑战，这些在很长一段时间内都困扰着工程师。

MCMGPU则是一个单独的封装，其板载桥接器取代了传统两个独立显卡之间的Crossfire或SLI桥接器。

在高性能计算应用领域，这种MCMGPU的优势很明显，也值得花费更多时间和精力在解决封装和互连方面的软件问题，以应对更高的MCM设计复杂度。目前来看，MCMGPU主要用于数据中心和云计算应用领域。随着技术的不断成熟，以及PC应用性能的提升，其在消费电子领域的应用也将会出现。

三巨头发力

最早将MCM封装技术引入GPU的是AMD。2020年，该公司把游戏卡与专业卡的GPU架构分家了，游戏卡的架构是RDNA，而专业卡的架构叫做CDNA，首款产品是InstinctMI100系列。2021年，AMD的Q2财报确认CDNA2GPU已经向客户发货了，其GPU核心代号是Aldebaran，它成为AMD第一款采用MCM封装的产品，是为数据中心准备的。在PC方面，2022年引入下一代RDNA3架构后，基于MCM的消费级RadeonGPU也会出现。

制造多芯片计算GPU类似于制造多核MCMCPU，例如Ryzen5000或Threadripper处理器。首先，将芯片靠得更近可以提高计算效率。AMD的Infinity架构确保了高性能互连，有望使两个芯片的效率接近一个的。其次，使用先进的工艺技术批量生产多个小芯片比大芯片更容易，因为小芯片通常缺陷较少，因此比大芯片的产量更好。

前些天，在2021年财报电话会议上，AMD确认，今年会有几项重要产品发布，包括基于RDNA3架构的GPU，也就是RadeonRX7000。目前来看，该系列最新显卡会有三款GPU，分别是Navi31、Navi32和Navi33，其中，Navi31和Navi32将采用MCM封装。之前有传闻称，Navi31和Navi32的InfinityCache将采用3D堆栈的设计，会单独添加到MCD小芯片中，与Zen3架构上采用3DV-Cache的原理类似，性能会有较大提升。

由于Navi31和Navi32采用了MCM封装，AMD将会使用两种不同制程，GPU会使用台积电的5nm工艺，缓存I/O芯片则会采用台积电的6nm工艺。

英伟达也在跟进MCM封装GPU。

2017年，英伟达展示了通过四个小芯片构建的设计方案，不但提升了性能，还有助于提高产量（较小的芯片良品率会提高），而且还允许将更多的计算资源集合在一起。这种多芯片设计还有助于提高供电效率，具有更好的散热效果。

近日，英伟达研究人员发表了一篇技术文章，概述了该公司对MCM的探索，英伟达目前在MCM封装GPU上的做法称为“ComposableOnPackageGPU”（COPA），该团队讲述了COPAGPU的各项优势，尤其是能够适应各种类型的深度学习工作负载。

由于传统融合GPU解决方案正迅速变得不太实用，研究人员才想到到COPA-GPU的理念。融合GPU解决方案依赖于由传统芯片组成的架构，辅以高带宽内存（HBM）、张量核心/矩阵核心（MatrixCores）、光线追踪（RT）等专用硬件的结合。

此类硬件或在某些任务下非常合适，但在面对其它情况时却效率低下。与当前将所有特定执行组件和缓存组合到一个包中的单片GPU设计不同，COPA-GPU架构具有混合/匹配多个硬件块的能力。如此一来，它就能够更好地适应当今高性能计算只能呈现的动态工作负载、以及深度学习（DL）环境。

这种整合更适应多种类型工作负载的能力，可带来更高水平的GPU重用。更重要的是，对于数据科学家们来说，这使他们更有能力利用现有资源，来突破潜在的界限。