但有一點需要指出：GPU 的強大性能，不只來源于增加的核心數量。架構師們意識到，GPU 的處理性能需要有更快的內存相配合才能發揮。這讓研究人員不斷研發更高帶寬版本的 RAM 內存。今天，GPU 的內存帶寬相比 CPU 已經有數量級上的領先，比如前沿顯存技術 GDDR5X，HBM2，還有開發中的 GDDR6。這使得 GPU 在處理和讀取數據上都有巨大優勢。

　　有這兩大優勢，GPU 在通用計算領域有了立足點。

　　GPU 與 CUDA

　　事實證明，高端游戲玩家和計算機科學家在硬件需求上有不少交集。計算機科學家們逐漸發現，利用 GPU 的大量核心執行復雜數學運算，在 HPC 領域有巨大應用前景。但是，寫出能高效運行于 GPU 的代碼極度困難。想要駕馭 GPU 計算性能的研究人員，必須把相關運算“黑進”圖形 API，讓顯卡以為要處理的計算任務和游戲一樣：決定像素色彩的圖像渲染計算。

　　但一切在 2007 年發生了變化。這一年，英偉達發布了 CUDA(Compute Unified Device Architecture)。 它支持 C 語言環境的并行計算。對于那些靠 C 語言發家的程序猿，他們可以直接開始寫基礎的 CUDA 代碼，一系列運算任務從此可以很容易地并行處理。

　　CUDA 誕生的結果是：似乎在一夜之間，地球上的所有超級計算機都采用了 GPU 運算。深度學習、自動駕駛以及其他 AI 領域開始煥發光芒。

　　并行計算

　　并行計算是發揮 GPU 性能的關鍵。這意味著你可以同時處理運算，而不是一步步進行。復雜問題可被分解為更簡單的問題，然后同時進行處理。并行計算適用于 HPC 和超算領域所涉及的許多問題類型，比如氣象、宇宙模型和DNA 序列。

　　并不是只有天體物理學家和氣象學家才能充分利用并行計算的優點。事實證明，許多企業應用能從并行計算獲得超出尋常比例的好處。這包括：

　　數據庫查詢

　　密碼學領域的暴力搜索

　　對比不同獨立場景的計算機模擬。

　　機器學習/深度學習

　　地理可視化

　　你可以聯想一下你們公司所面臨的數據問題——那些數據量和復雜程度極高，你以前連想都不敢去想怎么處理，但深層次分析很有可能會有助于解決的問題。我懷疑這樣的問題是可并行計算的——而 CPU 層次的計算解決不了，不代表 GPU 也不行。

　　CPU vs. GPU 小結

　　作為小結，GPU 在以下方面有別于 CPU：

　　一枚 GPU 芯片有幾千個核心。通常意義的 CPU 最多只有 22 個。

　　GPU 為高度并行的運行方式而設計。CPU 為一步步的連續計算而設計。

　　GPU 的內存帶寬比 CPU 高得多。

　　CPU 適合于文字處理、運行交易數據庫、網絡應用等場景。 GPU 適用于 DNA 排序、物理建模、消費者行為預測等任務。

　　經濟成本

　　上文中，我討論了問什么 GPU 代表著計算的將來。但它的商用價值如何呢?

　　GPU 在經濟成本上其實占優勢。首先，一個完整的 GPU 服務器比一個完整的 CPU 服務器要貴很多。但兩者之間難以直接對比。一個完整的 8 路 GPU 服務器，成本可達八萬美元。但一個中等的 CPU 服務器配置大約只需要 9000 刀。當然，RAM 和 SSD 的使用量對價格有很大影響。

　　咋看之下，CPU 好像比 GPU 劃算多了。但請注意，250 個這樣的“中等” CPU 服務器在并行計算性能才相當與一臺如上所說的 GPU 服務器(注：只是作者個人的估算，以支撐他的觀點，大家看看就好)。

　　很明顯，如果你要做的只是并行計算，選擇 GPU 服務器要劃算多了。極端情況下，如果硬要上 250 臺 CPU 服務器，加上電費、場地費、網費、溫控、維護管理費，最終價格會是天文數字。因此，如果并行計算占了公司工作量的大部分，從投資回報率的角度，GPU 是正確的選擇。

　　對生產力的影響

　　在延遲對數據分析的影響方面，我已經寫了很多。我的基本論點是：當一個開發者需要等待幾分鐘才能得到查詢結果，人的行為會發生變化。你開始找捷徑，你開始用更小的數據集執行查詢操作，你只會執行不耗費時間的查詢，你不再探索——執行幾個查詢就把這當做是方向。

　　提高計算機響應速度對生產力的提升很難衡量。但你可以想一想，寬帶時代和撥號時代的生產力差別。

　　最后，在云時代，與其建立自己的 GPU 服務器， 租用 GPU 云計算服務對于很多客戶來講十分劃算。GPU 計算的門檻已經無限降低。