Les téraflops sont un mauvais moyen de comparer les GPU : voici pourquoi

Les téraflops offrent une vue simpliste des performances du GPU, mais ne tiennent pas compte des différences d’architecture, d’efficacité et d’optimisations logicielles. Les tests de performances dans le monde réel et la compréhension des spécificités de l’architecture permettent une comparaison plus précise des GPU.

Les téraflops, souvent salués comme la mesure de comparaison GPU ultime, ont des limites. Cette simplification excessive ne capture pas la complexité du GPU, masquant leurs véritables performances. Au lieu de cela, les tests de performances dans le monde réel, la compréhension nuancée de l’architecture et les utilisations spécifiques au contexte sont ce qui compte.

Qu’est-ce qu’un téraflop ?

Un téraflop est une unité de vitesse de calcul qui équivaut à un billion (10¹²) opérations en virgule flottante par seconde. Dans le monde des unités de traitement graphique (GPU), les téraflops sont souvent utilisés comme mesure de performance. Essentiellement, plus le nombre de téraflops est élevé, plus un GPU peut gérer de calculs en une seconde, ce qui est supposé conduire à de meilleures performances.

Les téraflops sont dérivés des spécifications matérielles d’un GPU, principalement la vitesse d’horloge du cœur, le nombre de cœurs et le nombre d’opérations par cycle. C’est un nombre facile à comprendre, mais comme toute mesure simplifiée à l’extrême, il s’effondre lorsqu’il est mal utilisé.

Quand les téraflops sont bons pour les comparaisons de GPU

Les téraflops peuvent être utiles pour comparer des GPU de même architecture et génération. Étant donné que ces GPU sont construits à l’aide de la même technologie, ils adaptent généralement leurs performances de manière prévisible avec leur nombre de téraflops.

Par exemple, si vous comparez deux cartes graphiques de la même série NVIDIA RTX 3000, celle avec le nombre de téraflops le plus élevé fonctionnera généralement mieux. En effet, ces GPU sont conçus de manière similaire et toute différence de performances peut être largement attribuée à leur puissance de traitement, qui est représentée par le nombre de téraflops.

Pourquoi les téraflops sont mauvais pour les comparaisons de GPU

Cependant, les téraflops deviennent un indicateur de performance beaucoup moins fiable lors de la comparaison de GPU sur différentes architectures ou générations. Le principal problème ici est que tous les flops ne sont pas créés égaux.

La façon dont un GPU utilise ses téraflops peut varier considérablement en fonction de son architecture. Par exemple, un GPU NVIDIA utilise ses téraflops différemment d’un GPU AMD, ce qui se traduit par des niveaux de performances différents malgré un nombre de téraflops similaire. De même, un GPU moderne utilisera ses téraflops plus efficacement qu’un ancien, même s’ils ont le même nombre.

En d’autres termes, les téraflops ne racontent qu’une partie de l’histoire. Ils ne tiennent pas compte des différences d’efficacité, de bande passante mémoire ou d’optimisation des pilotes qui peuvent avoir un impact significatif sur les performances.

Les GPU fonctionnent plus intelligemment, pas plus dur

Les GPU d’aujourd’hui deviennent de plus en plus complexes et intelligents. Ils ne se contentent pas d’effectuer des calculs aveuglément, ils travaillent plus intelligemment.

Par exemple, les GPU intègrent désormais des technologies telles que DLSS de NVIDIA et FidelityFX Super Resolution d’AMD, qui utilisent l’IA pour mettre à l’échelle des images à faible résolution en temps réel, améliorant ainsi les performances sans diminuer sensiblement la qualité visuelle. Ces technologies peuvent grandement améliorer les performances d’un GPU, et elles n’ont rien à voir avec les téraflops.

De même, les progrès de l’architecture, tels qu’un meilleur traitement parallèle et une meilleure gestion de la mémoire, peuvent améliorer considérablement les performances du GPU. Encore une fois, ces améliorations ne se reflètent pas dans le nombre de téraflops.

Truquer les numéros TFLOP

Un autre problème lié à l’utilisation de téraflops pour comparer les GPU est que les chiffres peuvent être manipulés. Les fabricants peuvent « augmenter » leur nombre de téraflops en augmentant la vitesse d’horloge du cœur ou le nombre de cœurs.

Cependant, ces améliorations ne se traduisent souvent pas par des améliorations de performances réelles, car elles peuvent entraîner une augmentation de la consommation d’énergie et de la génération de chaleur, ce qui peut étrangler le GPU et réduire les performances. Alternativement, bien qu’il y ait une augmentation des performances, elle n’est pas directement proportionnelle à l’augmentation des TFLOP (théoriques), en raison de contraintes dans l’architecture du GPU, telles que les goulots d’étranglement de la bande passante mémoire ou le cache GPU limité.

La bonne façon de comparer les GPU

Donc, si les téraflops ne sont pas un moyen fiable de comparer les GPU, qu’est-ce que c’est ? La réponse est simple : des tests de performances en conditions réelles.

Les benchmarks de performances, tels que ceux effectués par des examinateurs indépendants, fournissent la mesure la plus précise des performances d’un GPU. Ils impliquent d’exécuter le GPU à travers une série de tâches ou de jeux et de mesurer ses performances.

Lors de l’examen des benchmarks, il est important de prendre en compte les tâches ou les jeux spécifiques pour lesquels vous utiliserez le GPU. Un GPU peut exceller dans une tâche mais mal fonctionner dans une autre, alors vérifiez les points de repère pertinents pour votre cas d’utilisation.

Tenez également compte d’autres facteurs tels que la consommation d’énergie, la production de chaleur et le coût. Un GPU peut avoir d’excellentes performances, mais ce n’est peut-être pas votre meilleur choix s’il est trop gourmand en énergie ou trop cher.