2026-09-11 — views
GPU-CFR：為 GPU 上的 CFR 編譯遊戲樹
為什麼值得讀 此編譯方法消除了核心啟動開銷，使 GPU CFR 在大型遊戲中變得可行，而這些遊戲過去由 CPU 主導。
GPU-CFR 將遊戲樹編譯為靜態數據流，相較於先前的 GPU 實作可達 80 倍加速，並超越 CPU 基準。
克服反事實遺憾最小化中的 CPU 優勢
反事實遺憾最小化（CFR）歷史上是一種在 CPU 上表現優於 GPU 的數值工作負載。傳統實作會將包含數十億個狀態的遊戲樹，透過數百萬個小型且相互依賴的 gather 和 scatter 步驟進行掃描。由於 GPU 核心在微秒級別執行，核心啟動和框架調度的開銷往往會主導運行時間，導致先前的 GPU 嘗試輸給經過優化的 CPU 代碼。
靜態數據流解決方案
研究人員推出了 GPU-CFR，這是一個編譯器和運行時系統，通過觀察到對於固定遊戲而言，CFR 迭代的結構在第一次迭代開始前即可知曉，從而解決了這些效率問題。該系統將任何遊戲編譯為靜態數據流表示形式。此過程會建立扁平的邊和信息集數組、預計算索引以及深度層級的分批遍歷。這些元素固定了整個操作序列，確保只有求解器狀態在迭代之間發生變化。
性能提升與技術創新
GPU-CFR 架構採用靜態機會摺疊、深度層級執行塊以及雙通道到達緩衝區。這些技術將框架操作的數量減少了高達 18.1 倍。由於形狀、索引和緩衝區地址保持不變，該系統利用 CUDA Graph Replay。此功能記錄一次迭代並通過單次圖啟動進行重播，大幅降低了開銷。
基準測試結果
在 A100 加速器上對包含卡牌、骰子和棋類遊戲的八款遊戲套件進行測試，顯示出顯著的性能改進。GPU-CFR 在相同硬體上比最快的先前 GPU CFR 實作快 29.8 到 80.4 倍。與 LiteEFG（最快的開源 CPU 實作之一）相比，GPU-CFR 在套件中最大的四款遊戲上快了 14 到 258 倍。
值得注意的是，編譯後的表示形式承擔了大部分性能優勢。即使在沒有加速器且僅有八個線程的 CPU 上，該系統也比 GPU 基準快 2.2 到 51.1 倍。在 CPU 上，優化路徑以位元對位的方式重現參考迭代，且樹構建和圖捕獲的成本在第一次求解中即可收回。在不改變底層更新規則的情況下，GPU-CFR 在套件中的中大型遊戲上優於所有 CPU 和 GPU 基準。
實戰筆記
開發人員應考慮為固定遊戲 AI 求解器採用靜態數據流編譯，以消除核心啟動開銷。利用 CUDA Graph Replay 可以顯著減少迭代數值工作負載中的框架調度成本。