過去的一年可以稱得上是GPU之年。但事實上，除了在核心領域(深度學習、VR、自動駕駛)，GPU在通用計算領域的應用仍然很模糊。

搞清楚GPU的作用，要先從CPU開始。大多數人對計算機CPU并不陌生。CPU的設計用途，是對多種應用進行低延遲處理。CPU非常適合用于多功能任務，比如電子表格、文字處理、Web應用等等。于是，傳統上CPU是絕大多數企業的首選計算方案。

GPU的架構與CPU很不一樣。首先，GPU并不具備多功能性。其次，與消費級CPU個位數的核心數目不同，消費級的GPU通常有上千個核心--特別適合處理大型數據集。由于GPU在設計之初有且只有一個目的:最大化并行計算。

GPU誕生之初

在90年代，一批工程師意識到:在屏幕上進行多邊形圖像渲染，本質上是個能并行處理的任務--每個像素點的色彩可以獨立計算，不需要考慮其它像素點。于是GPU誕生，成為比CPU更高效的渲染工具。

簡而言之，由于CPU在圖像渲染方面的能力不足，GPU被發明出來分擔這部分工作，此后就成了專門搞這方面的硬件。

有了上千個更加簡單的核心，GPU能高效地處理讓CPU十分吃力的任務。只要有合適的代碼配合，這些核心就能處理超大規模的數學運算，實現逼真的游戲體驗。

并行計算

并行計算是發揮GPU性能的關鍵。這意味著可以同時處理運算，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。

CPUvsGPU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

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美元。當然，RAM和SSD的使用量對價格有很大影響。

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。

在云時代，GPU計算的門檻已經無限降低，比起建立自己的GPU服務器，租用GPU云計算服務對于很多客戶來講更劃算。

更多資訊請關注人機界面頻道