GPU引发了AI热潮，成为现代超级计算机的关键部分，并继续推动游戏和专业图形的发展。

　　CPU(中央处理器)被称为PC的大脑，GPU(图形处理单元)是它的灵魂。然而，在过去的十年中，GPU已摆脱了PC的繁琐局限。

　　GPU点燃了全球AI的热潮，它们已成为现代超级计算的关键部分，它们被编织成庞大的新超大规模数据中心。它们仍然受到游戏玩家的青睐，它们已成为加速器，可加速从加密，联网到AI的各种任务。

　　他们继续推动工作站，台式机和新一代笔记本电脑中游戏和专业图形的发展。

　　CPU和GPU有什么区别?

　　尽管GPU的数量远远超过了最初出现的PC，但它们仍然停留在一个叫做并行计算的更老的想法上。这就是使GPU如此强大的原因。

　　当然，CPU仍然至关重要。 CPU快速且通用，可以完成一系列需要大量交互性的任务。例如，响应用户的击键从硬盘驱动器中调用信息。

　　相比之下，GPU将复杂的问题分解为成千上万个单独的任务，并立即进行处理。

　　这使它们成为图形的理想选择，在图形中必须立即进行纹理，光照和形状渲染，以保持图像在屏幕上飞行。

　　CPU与GPU

　　从体系结构上讲，CPU仅由几个内核组成，这些内核具有大量高速缓存，可以一次处理几个软件线程。相反，GPU由数百个可以同时处理数千个线程的核心组成。

　　GPU提供了曾经深奥的并行计算技术。这是一种谱系出众的技术，其中包括超级计算天才Seymor Cray之类的名字。但是，GPU并没有采用笨拙的超级计算机的形式，而是将这一想法应用到了超过十亿游戏玩家的台式机和游戏机中。

　　对于GPU，计算机图形是许多应用程序中的首创

　　该应用程序-计算机图形-只是几个杀手级应用程序中的第一个。它推动了GPU背后的巨大研发引擎的发展。所有这些使GPU能够领先于服务于细分市场的更专业，固定功能的芯片。

　　使所有功能都可访问的另一个因素：CUDA。并行计算平台于2007年首次发布，通过在代码中插入一些简单的命令，编码人员可以利用GPU的计算能力进行通用处理。

　　这使GPU在令人惊讶的新领域中迅速发展。借助对数量不断增长的标准(例如Kubernetes和Dockers)的支持，可以在低成本的台式机GPU上测试应用程序，并可以扩展到更快，更复杂的服务器GPU以及每个主要的云服务提供商。

　　CPU与摩尔定律的终结

　　随着摩尔定律的逐渐消失，NVIDIA在1999年发明的GPU适时出现了。

　　摩尔定律假定，可以塞入集成电路的晶体管数量大约每两年就会翻一番。几十年来，这一直在推动计算能力的迅速提高。但是，该法律已经遇到了严格的物理限制。

　　GPU通过在许多处理器之间分配任务，提供了一种继续加速应用程序(例如图形，超级计算和AI)的方法。根据2017年AM获奖者John Hennessey和David Patterson的说法，此类加速器对于半导体的未来至关重要，图灵奖和《计算机体系结构：定量方法》一书是关于微处理器的开创性教科书。

　　GPU：人工智能，计算机视觉，超级计算等的关键

　　在过去的十年中，事实证明，这是不断扩大的应用范围的关键。

　　与CPU相比，GPU在每个能量单位上执行的工作量更多。这使它们成为超级计算机的关键，否则它们将超越当今的电网极限。

　　在AI中，GPU已成为“深度学习”技术的关键，深度学习通过神经网络倾倒了大量数据，训练它们执行任何人类程序员都无法描述的复杂任务。

　　人工智能和游戏：GPU驱动的深度学习全面发展

　　借助NVIDIA GPU中专用的Tensor核心，该深度学习功能得到了加速。 Tensor Core加快了AI核心的大型矩阵运算的速度，并在单个运算中执行混合精度矩阵的乘法与累加计算。这不仅可以加速各种传统的AI任务，而且现在正被用来加速游戏。

　　CPU和GPU有什么区别? GPU全面发展：NVIDIA Turing GPU中内置的Tensor Core加速了AI，而AI现在又被用于加速游戏。

　　GPU全面发展：NVIDIA Turing GPU中内置的Tensor Core加速了AI，而AI现在又被用于加速游戏。

　　在汽车行业，GPU提供许多好处。正如您所期望的，它们提供了无与伦比的图像识别功能。但是，它们对于创造能够学习并适应各种现实世界场景的自动驾驶汽车至关重要。

　　在机器人技术中，GPU是使机器能够如您所愿感知环境的关键。但是，它们的AI功能已成为可以学习复杂任务(例如自主导航)的机器的关键。

　　在医疗保健和生命科学领域，GPU提供许多好处。当然，它们是成像任务的理想选择。但是基于GPU的深度学习可加快对这些图像的分析速度。他们可以处理医学数据，并通过深度学习帮助将数据转化为新功能。

　　简而言之，GPU已变得至关重要。他们从加速游戏和图形开始。现在，他们正在越来越多的领域加速计算能力的发展。

　　GPU对于图形，视频和照片处理等常见应用至关重要。迫切需要今天提交的文件，以阻止英特尔使用非法手段锁定GPU并阻止消费者享受其革命性收益。”

　　这篇文章是nTersect上运行的《并行世界》一书的一篇文章，重点介绍了GPU的重要性以及并行处理的未来。如今，在医药，国家安全，自然资源和紧急服务等日益重要的领域中，GPU的运行速度比CPU更快，更具成本效益。

　　读取畅销书是一个串行过程。从头开始，直到结尾阅读。但是，最好像并行处理那样完成同一本书中的计算元音数量之类的任务。将每个段落分配给不同的人，它可以更快地完成。

　　计算也是如此。有些任务适合进行串行计算。但是，构成我们最具挑战性的问题的复杂性和数据处理要求正在迅速超越串行处理能力。

　　我们都已经习惯了托马斯·弗里德曼(Thomas Friedman)的世界是平坦的想法。在解决计算机问题时，我们同样接受了假设世界是连续的。

　　实际上，世界是平行的。

　　技术反映了其创造时有效的思想。随着时间的流逝，它反映了我们自身的局限性。在某些时候，它们必须黯然失色。

　　我们以前的计算方法(从概念上讲已有40多年的历史了)是使单个串行CPU内核更快。摩尔定律使我们能够制造更快，更便宜的晶体管，但是由于功率限制，它不再能够使单核更快。为了使CPU更快，我们所能做的就是添加内核。但这保证了收益递减-每个新内核只能处理少量的线程指令，一切仍必须按顺序处理。

　　对于单个分析师，单个软件或数十亿美元的研究程序而言，实际效果实际上是相同的：保持一致。

　　顺序处理已不再适合我们眼前的工作。真正的问题不是摩尔定律是否存在某些自然限制。这就是为什么当大规模并行GPU处理器已经证明自己更快，更便宜的数量级时，我们允许进度受连续CPU限制的原因。

　　考虑一系列明显且(乍一看)完全不相关的问题：911响应时间……危险的天气状况……乳腺癌……国家安全……更干净的衣服……能源发现……以及金融衍生品估值。

　　这些问题的共同之处在于缺乏计算速度会阻碍我们解决这些问题的能力。所有这些问题-尽管看起来截然不同-确实已经证明达到了传统的CPU驱动的计算机所能达到的极限。

　　但是使用GPU机器可以更快，更经济地解决所有这些问题，事实证明，GPU机器的速度是CPU集群的数百倍，而成本却仅为后者的十分之一。

　　考虑现在可能发生的情况：

　　减少911紧急响应时间–城市规划人员和市政响应团队正在将数据集与物理地图，人口统计，本地资源，地表层和矢量相结合，这些信息涉及地理信息系统中的数十亿字节信息。使用GPU，以前需要20分钟才能完成的计算现在可以在30秒内完成。过去需要30秒的时间现在可以实时完成。

　　预测危险的天气模式–美国国家大气研究中心的首席软件开发人员说，世界上使用最广泛的天气预报模型“对常规集群的时间紧迫的预测用尽了天然气”。添加更多的CPU不再提高速度。但是NCAR表示，将GPU应用于此问题的效果是“变革性的”。结果?更准确，更快速的预测，对于世界各地的机构(尤其是在需要预警的地区以及最有可能受气候变化影响的地区)至关重要。

　　与乳腺癌作斗争–通过用两个大规模并行(且价格便宜得多)的Tesla GPU系统替换其所有16个CPU群集，一次需要进行三项约会的超声过程现在可以在一个30分钟的约会中完成。这减少了焦虑，疼痛，并最终减少了癌症的发病率。

　　维护国家安全– GPU构成了世界上最先进的战术和战略系统的基础。七枚GPU芯片支持F-22 Raptor，美国空军认为F-22的隐身性，速度，敏捷性，精确性和态势感知能力是任何已知或计划中的战斗机都无法比拟的。

　　保持衣服清洁–天普大学的研究人员正在努力开发计算机模拟，以使Proctor&Gamble等公司能够快速，经济高效地识别更有效和环保的洗涤剂。不同的化学物质可以更有效地附着在不同种类的油和土壤上。传统上，开发新型洗涤剂需要在湿实验室中进行大量的时间和成本密集的测试。取而代之的是，GPU提供的强大计算能力可模拟大量组合，模拟不同分子将自身附着(清除)污垢的方式。

　　确保能源供应–随着对能源的搜索变得越来越复杂和昂贵，能源公司不断评估大量的地震和地质数据，以确定最有效的石油和天然气开采方法，并最大限度地利用储量。最近对使用24个Tesla GPU的740平方公里的分析完成了，比传统的66个CPU集群快600倍，而运行和冷却系统的能耗却减少了95%。然后考虑使用基于GPU的设计改善汽车和运输业的空气动力学和燃油效率。并行运行有助于我们发现能量并节省能量，并且减少能耗。

　　金融衍生品估值–最近的市场动态使人们更加关注对准确，可预测的风险评估模型的需求。金融机构现在可以使用支持GPU大规模并行处理的模型，从而更加自信地准确评估单个交易或投资组合的风险。从30倍增长到100倍以上的速度意味着，可以在数分钟而不是数小时内处理大量异国掉期和衍生产品组合的定价-支持更好的决策和机构稳定性。

　　所有这些情况-就像在GPU上运行的代码一样-只是一系列问题的一小部分，我们只能通过并行处理以节省时间和成本的方式来解决这些问题。

　　我们准备在这些领域取得长足进步，其中无数的领域要求能够快速，廉价和准确地处理大量数据。

　　从根本上说，GPU技术的作用就是将简单性带入复杂性。它帮助我们解决了直到最近我们根本无法负担或根本无法解决的问题-无论是心脏支架，车身还是新分子的设计。

　　有一个强有力的例子，就是文明要从一个层次升级到另一个层次的唯一方法就是松懈地掌握其早期成就。

　　基于CPU的计算已经为我们服务了数十年。但是，当我们的计算需求呈指数增长时，传统的顺序CPU并没有变得更快。

　　可以应对我们面临的海量数据问题的最佳(实际上是唯一有效的)计算是通过海量的并行处理，而且只有GPU可以提供。

　　GPU引发了AI热潮，成为现代超级计算机的关键部分，并继续推动游戏和专业图形的发展。

　　CPU(中央处理器)被称为PC的大脑，GPU(图形处理单元)是它的灵魂。然而，在过去的十年中，GPU已摆脱了PC的繁琐局限。

　　GPU点燃了全球AI的热潮，它们已成为现代超级计算的关键部分，它们被编织成庞大的新超大规模数据中心。它们仍然受到游戏玩家的青睐，它们已成为加速器，可加速从加密，联网到AI的各种任务。

　　他们继续推动工作站，台式机和新一代笔记本电脑中游戏和专业图形的发展。

　　CPU和GPU有什么区别?

　　尽管GPU的数量远远超过了最初出现的PC，但它们仍然停留在一个叫做并行计算的更老的想法上。这就是使GPU如此强大的原因。

　　当然，CPU仍然至关重要。 CPU快速且通用，可以完成一系列需要大量交互性的任务。例如，响应用户的击键从硬盘驱动器中调用信息。

　　相比之下，GPU将复杂的问题分解为成千上万个单独的任务，并立即进行处理。

　　这使它们成为图形的理想选择，在图形中必须立即进行纹理，光照和形状渲染，以保持图像在屏幕上飞行。

　　CPU与GPU

　　从体系结构上讲，CPU仅由几个内核组成，这些内核具有大量高速缓存，可以一次处理几个软件线程。相反，GPU由数百个可以同时处理数千个线程的核心组成。

　　GPU提供了曾经深奥的并行计算技术。这是一种谱系出众的技术，其中包括超级计算天才Seymor Cray之类的名字。但是，GPU并没有采用笨拙的超级计算机的形式，而是将这一想法应用到了超过十亿游戏玩家的台式机和游戏机中。

　　对于GPU，计算机图形是许多应用程序中的首创

　　该应用程序-计算机图形-只是几个杀手级应用程序中的第一个。它推动了GPU背后的巨大研发引擎的发展。所有这些使GPU能够领先于服务于细分市场的更专业，固定功能的芯片。

　　使所有功能都可访问的另一个因素：CUDA。并行计算平台于2007年首次发布，通过在代码中插入一些简单的命令，编码人员可以利用GPU的计算能力进行通用处理。

　　这使GPU在令人惊讶的新领域中迅速发展。借助对数量不断增长的标准(例如Kubernetes和Dockers)的支持，可以在低成本的台式机GPU上测试应用程序，并可以扩展到更快，更复杂的服务器GPU以及每个主要的云服务提供商。

　　CPU与摩尔定律的终结

　　随着摩尔定律的逐渐消失，NVIDIA在1999年发明的GPU适时出现了。

　　摩尔定律假定，可以塞入集成电路的晶体管数量大约每两年就会翻一番。几十年来，这一直在推动计算能力的迅速提高。但是，该法律已经遇到了严格的物理限制。

　　GPU通过在许多处理器之间分配任务，提供了一种继续加速应用程序(例如图形，超级计算和AI)的方法。根据2017年AM获奖者John Hennessey和David Patterson的说法，此类加速器对于半导体的未来至关重要，图灵奖和《计算机体系结构：定量方法》一书是关于微处理器的开创性教科书。

　　GPU：人工智能，计算机视觉，超级计算等的关键

　　在过去的十年中，事实证明，这是不断扩大的应用范围的关键。

　　与CPU相比，GPU在每个能量单位上执行的工作量更多。这使它们成为超级计算机的关键，否则它们将超越当今的电网极限。

　　在AI中，GPU已成为“深度学习”技术的关键，深度学习通过神经网络倾倒了大量数据，训练它们执行任何人类程序员都无法描述的复杂任务。

　　人工智能和游戏：GPU驱动的深度学习全面发展

　　借助NVIDIA GPU中专用的Tensor核心，该深度学习功能得到了加速。 Tensor Core加快了AI核心的大型矩阵运算的速度，并在单个运算中执行混合精度矩阵的乘法与累加计算。这不仅可以加速各种传统的AI任务，而且现在正被用来加速游戏。

　　CPU和GPU有什么区别? GPU全面发展：NVIDIA Turing GPU中内置的Tensor Core加速了AI，而AI现在又被用于加速游戏。

　　GPU全面发展：NVIDIA Turing GPU中内置的Tensor Core加速了AI，而AI现在又被用于加速游戏。

　　在汽车行业，GPU提供许多好处。正如您所期望的，它们提供了无与伦比的图像识别功能。但是，它们对于创造能够学习并适应各种现实世界场景的自动驾驶汽车至关重要。

　　在机器人技术中，GPU是使机器能够如您所愿感知环境的关键。但是，它们的AI功能已成为可以学习复杂任务(例如自主导航)的机器的关键。

　　在医疗保健和生命科学领域，GPU提供许多好处。当然，它们是成像任务的理想选择。但是基于GPU的深度学习可加快对这些图像的分析速度。他们可以处理医学数据，并通过深度学习帮助将数据转化为新功能。

　　简而言之，GPU已变得至关重要。他们从加速游戏和图形开始。现在，他们正在越来越多的领域加速计算能力的发展。

　　GPU对于图形，视频和照片处理等常见应用至关重要。迫切需要今天提交的文件，以阻止英特尔使用非法手段锁定GPU并阻止消费者享受其革命性收益。”

　　这篇文章是nTersect上运行的《并行世界》一书的一篇文章，重点介绍了GPU的重要性以及并行处理的未来。如今，在医药，国家安全，自然资源和紧急服务等日益重要的领域中，GPU的运行速度比CPU更快，更具成本效益。

　　读取畅销书是一个串行过程。从头开始，直到结尾阅读。但是，最好像并行处理那样完成同一本书中的计算元音数量之类的任务。将每个段落分配给不同的人，它可以更快地完成。

　　计算也是如此。有些任务适合进行串行计算。但是，构成我们最具挑战性的问题的复杂性和数据处理要求正在迅速超越串行处理能力。

　　我们都已经习惯了托马斯·弗里德曼(Thomas Friedman)的世界是平坦的想法。在解决计算机问题时，我们同样接受了假设世界是连续的。

　　实际上，世界是平行的。

　　技术反映了其创造时有效的思想。随着时间的流逝，它反映了我们自身的局限性。在某些时候，它们必须黯然失色。

　　我们以前的计算方法(从概念上讲已有40多年的历史了)是使单个串行CPU内核更快。摩尔定律使我们能够制造更快，更便宜的晶体管，但是由于功率限制，它不再能够使单核更快。为了使CPU更快，我们所能做的就是添加内核。但这保证了收益递减-每个新内核只能处理少量的线程指令，一切仍必须按顺序处理。

　　对于单个分析师，单个软件或数十亿美元的研究程序而言，实际效果实际上是相同的：保持一致。

　　顺序处理已不再适合我们眼前的工作。真正的问题不是摩尔定律是否存在某些自然限制。这就是为什么当大规模并行GPU处理器已经证明自己更快，更便宜的数量级时，我们允许进度受连续CPU限制的原因。

　　考虑一系列明显且(乍一看)完全不相关的问题：911响应时间……危险的天气状况……乳腺癌……国家安全……更干净的衣服……能源发现……以及金融衍生品估值。

　　这些问题的共同之处在于缺乏计算速度会阻碍我们解决这些问题的能力。所有这些问题-尽管看起来截然不同-确实已经证明达到了传统的CPU驱动的计算机所能达到的极限。

　　但是使用GPU机器可以更快，更经济地解决所有这些问题，事实证明，GPU机器的速度是CPU集群的数百倍，而成本却仅为后者的十分之一。

　　考虑现在可能发生的情况：

　　减少911紧急响应时间–城市规划人员和市政响应团队正在将数据集与物理地图，人口统计，本地资源，地表层和矢量相结合，这些信息涉及地理信息系统中的数十亿字节信息。使用GPU，以前需要20分钟才能完成的计算现在可以在30秒内完成。过去需要30秒的时间现在可以实时完成。

　　预测危险的天气模式–美国国家大气研究中心的首席软件开发人员说，世界上使用最广泛的天气预报模型“对常规集群的时间紧迫的预测用尽了天然气”。添加更多的CPU不再提高速度。但是NCAR表示，将GPU应用于此问题的效果是“变革性的”。结果?更准确，更快速的预测，对于世界各地的机构(尤其是在需要预警的地区以及最有可能受气候变化影响的地区)至关重要。

　　与乳腺癌作斗争–通过用两个大规模并行(且价格便宜得多)的Tesla GPU系统替换其所有16个CPU群集，一次需要进行三项约会的超声过程现在可以在一个30分钟的约会中完成。这减少了焦虑，疼痛，并最终减少了癌症的发病率。

　　维护国家安全– GPU构成了世界上最先进的战术和战略系统的基础。七枚GPU芯片支持F-22 Raptor，美国空军认为F-22的隐身性，速度，敏捷性，精确性和态势感知能力是任何已知或计划中的战斗机都无法比拟的。

　　保持衣服清洁–天普大学的研究人员正在努力开发计算机模拟，以使Proctor&Gamble等公司能够快速，经济高效地识别更有效和环保的洗涤剂。不同的化学物质可以更有效地附着在不同种类的油和土壤上。传统上，开发新型洗涤剂需要在湿实验室中进行大量的时间和成本密集的测试。取而代之的是，GPU提供的强大计算能力可模拟大量组合，模拟不同分子将自身附着(清除)污垢的方式。

　　确保能源供应–随着对能源的搜索变得越来越复杂和昂贵，能源公司不断评估大量的地震和地质数据，以确定最有效的石油和天然气开采方法，并最大限度地利用储量。最近对使用24个Tesla GPU的740平方公里的分析完成了，比传统的66个CPU集群快600倍，而运行和冷却系统的能耗却减少了95%。然后考虑使用基于GPU的设计改善汽车和运输业的空气动力学和燃油效率。并行运行有助于我们发现能量并节省能量，并且减少能耗。

　　金融衍生品估值–最近的市场动态使人们更加关注对准确，可预测的风险评估模型的需求。金融机构现在可以使用支持GPU大规模并行处理的模型，从而更加自信地准确评估单个交易或投资组合的风险。从30倍增长到100倍以上的速度意味着，可以在数分钟而不是数小时内处理大量异国掉期和衍生产品组合的定价-支持更好的决策和机构稳定性。

　　所有这些情况-就像在GPU上运行的代码一样-只是一系列问题的一小部分，我们只能通过并行处理以节省时间和成本的方式来解决这些问题。

　　我们准备在这些领域取得长足进步，其中无数的领域要求能够快速，廉价和准确地处理大量数据。

　　从根本上说，GPU技术的作用就是将简单性带入复杂性。它帮助我们解决了直到最近我们根本无法负担或根本无法解决的问题-无论是心脏支架，车身还是新分子的设计。

　　有一个强有力的例子，就是文明要从一个层次升级到另一个层次的唯一方法就是松懈地掌握其早期成就。

　　基于CPU的计算已经为我们服务了数十年。但是，当我们的计算需求呈指数增长时，传统的顺序CPU并没有变得更快。

　　可以应对我们面临的海量数据问题的最佳(实际上是唯一有效的)计算是通过海量的并行处理，而且只有GPU可以提供。