数据大爆炸时代 计算的将来属于GPU

　　但有一点需要指出：GPU的强大性能，不只来源于增加的核心数量。架构师们意识到，GPU的处理性能需要有更快的内存相配合才能发挥。这让研究人员不断研发更高带宽版本的 RAM 内存。今天，GPU的内存带宽相比 CPU 已经有数量级上的领先，比如前沿显存技术 GDDR5X，HBM2，还有开发中的 GDDR6。这使得 GPU 在处理和读取数据上都有巨大优势。

　　有这两大优势，GPU 在通用计算领域有了立足点。

　　GPU 与 CUDA

　　事实证明，高端游戏玩家和计算机科学家在硬件需求上有不少交集。计算机科学家们逐渐发现，利用 GPU 的大量核心执行复杂数学运算，在 HPC 领域有巨大应用前景。但是，写出能高效运行于 GPU 的代码极度困难。想要驾驭 GPU 计算性能的研究人员，必须把相关运算“黑进”图形 API，让显卡以为要处理的计算任务和游戏一样：决定像素色彩的图像渲染计算。

　　但一切在 2007 年发生了变化。这一年，英伟达发布了 CUDA(Compute Unified Device Architecture)。 它支持 C 语言环境的并行计算。对于那些靠 C 语言发家的程序猿，他们可以直接开始写基础的 CUDA 代码，一系列运算任务从此可以很容易地并行处理。

　　CUDA 诞生的结果是：似乎在一夜之间，地球上的所有超级计算机都采用了 GPU 运算。深度学习、自动驾驶以及其他 AI 领域开始焕发光芒。

　　并行计算

　　并行计算是发挥 GPU 性能的关键。这意味着你可以同时处理运算，而不是一步步进行。复杂问题可被分解为更简单的问题，然后同时进行处理。并行计算适用于 HPC 和超算领域所涉及的许多问题类型，比如气象、宇宙模型和DNA 序列。

　　并不是只有天体物理学家和气象学家才能充分利用并行计算的优点。事实证明，许多企业应用能从并行计算获得超出寻常比例的好处。这包括：

　数据库查询

　　密码学领域的暴力搜索

　　对比不同独立场景的计算机模拟。

　　机器学习/深度学习

　　地理可视化

　　你可以联想一下你们公司所面临的数据问题——那些数据量和复杂程度极高，你以前连想都不敢去想怎么处理，但深层次分析很有可能会有助于解决的问题。我怀疑这样的问题是可并行计算的——而 CPU 层次的计算解决不了，不代表 GPU 也不行。

　CPU vs. GPU 小结

　作为小结，GPU 在以下方面有别于 CPU：

　　一枚 GPU 芯片有几千个核心。通常意义的 CPU 最多只有 22 个。

　　GPU 为高度并行的运行方式而设计。CPU 为一步步的连续计算而设计。

　　GPU 的内存带宽比 CPU 高得多。

　　CPU 适合于文字处理、运行交易数据库、网络应用等场景。 GPU 适用于 DNA 排序、物理建模、消费者行为预测等任务。

　　经济成本

　　上文中，我讨论了问什么 GPU 代表着计算的将来。但它的商用价值如何呢?

　　GPU 在经济成本上其实占优势。首先，一个完整的 GPU 服务器比一个完整的 CPU 服务器要贵很多。但两者之间难以直接对比。一个完整的 8 路 GPU 服务器，成本可达八万美元。但一个中等的 CPU 服务器配置大约只需要 9000 刀。当然，RAM 和 SSD 的使用量对价格有很大影响。

　　咋看之下，CPU 好像比 GPU 划算多了。但请注意，250 个这样的“中等” CPU 服务器在并行计算性能才相当与一台如上所说的 GPU 服务器(注：只是作者个人的估算，以支撑他的观点，大家看看就好)。

　　很明显，如果你要做的只是并行计算，选择 GPU 服务器要划算多了。极端情况下，如果硬要上 250 台 CPU 服务器，加上电费、场地费、网费、温控、维护管理费，最终价格会是天文数字。因此，如果并行计算占了公司工作量的大部分，从投资回报率的角度，GPU 是正确的选择。

　　对生产力的影响

　　在延迟对数据分析的影响方面，我已经写了很多。我的基本论点是：当一个开发者需要等待几分钟才能得到查询结果，人的行为会发生变化。你开始找捷径，你开始用更小的数据集执行查询操作，你只会执行不耗费时间的查询，你不再探索——执行几个查询就把这当做是方向。

　　提高计算机响应速度对生产力的提升很难衡量。但你可以想一想，宽带时代和拨号时代的生产力差别。

　　最后，在云时代，与其建立自己的 GPU 服务器， 租用 GPU 云计算服务对于很多客户来讲十分划算。GPU 计算的门槛已经无限降低。