对比CPU，GPU才是摩尔定律的宠儿？.doc

《对比CPU，GPU才是摩尔定律的宠儿？.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、对比CPU，GPU才是摩尔定律的宠儿？　　英伟达在2016年的强势崛起，GPGPU（GPU通用计算）功不可没。　　有许多原因使2016称得上是GPU之年。但事实上，除了在核心领域（深度学习、VR、自动驾驶），为什么把GPU用于通用计算仍然很模糊。　　搞清楚GPU的作用，要先从CPU开始。大多数人对计算机CPU并不陌生，这可能要归功于英特尔——作为在事实上垄断了PC、服务器平台CPU近十年的供应商，英特尔的巨幅广告支出，直接导致每个人都或多或少听说过英特尔从笔记本到超算的各层级产品。　　CPU的设计用

2、途，是对多种应用进行低延迟处理。CPU非常适合用于多功能任务，比如电子表格、文字处理、Web应用等等。于是，传统上CPU是绝大多数企业的首选计算方案。　　过去，当公司的IT部门经理说要订购更多计算设备、服务器，或者增强云端的性能，他们一般想的是CPU。　　虽是个多面手，一枚CPU芯片能承载的核心数量却有很大限制。大多数消费级芯片只有八核。至于英特尔的企业级产品线，除了为并行计算而设计的XeonPhi这个“怪胎”，主流至强产品（E3、E5、E7系列）最多只有22核。　　CPU从单核发展到今天的多核用了

3、几十年。对CPU这么复杂的芯片进行扩展有极高的技术难度，并且需要综合多个方面：比如缩小晶体管体积、降低发热和优化功耗等。今天的CPU在性能上所取得的成绩，很大程度上要归功于英特尔和AMD工程师的多年努力探索。而至今全球未有第三家足以与其竞争的PCCPU供应商，在侧面说明了他们的技术积累，以及研发CPU的技术难度。GPU才是摩尔定律的宠儿？　　用FLOPS来衡量，CPU每年大约有20%的性能提升（雷锋网注：此处有争议）。而这是对于高度优化的代码而言。　　随着CPU性能提升的放缓（雷锋网注：尤其近几年来

4、芯片制程工艺进步缓慢。硅基芯片的极限大约在7nm，而替代硅的新技术尚未成熟），其数据处理能力越来越跟不上数据增长的速度。做个简单对比：IDC估算，全世界数据增长的速度大约是40%，并在不断加快。　　简单来说，摩尔定律目前已终结，而数据却在指数级增长。　　　　英特尔Skylake、Kabylake、Coffelake路线图　　数据增长速度超过CPU性能提升速度带来的后果是：人们不得不利用各种技巧来避免计算性能瓶颈，比如降采样、索引（indexing），或者采用昂贵的scale-out战术来避免长时间等

5、待系统回应。　　我们现在面对的数据单位是exabytes，并正在迈向zetabytes。而曾经显得无比庞大的TB，在消费者领域已经十分常见。企业级Terabyte存储的定价已降到个位数（美元）。　　在这个价格，企业把所有获取的数据保存起来，这过程中，我们生成了足以淹没CPU级别数据处理能力的工作集。这跟GPU有什么关系呢？　　GPU的架构与CPU很不一样。首先，GPU并不具备多功能性。其次，与消费级CPU个位数的核心数目不同，消费级的GPU通常有上千个核心——特别适合处理大型数据集。由于GPU在设计

6、之初有且只有一个目的：最大化并行计算。每一代制程缩减直接带来更多的核心数量（摩尔定律对于GPU更明显），意味着GPU每年有大约40%的性能提升——目前来看，它们尚能跟上数据大爆炸的脚步。　　　　CPU与GPU的性能增长对比，用TeraFlops横梁GPU诞生之初　　在90s年代，一批工程师意识到：在屏幕上进行多边形图像渲染，本质上是个能并行处理的任务——每个像素点的色彩可以独立计算，不需要考虑其它像素点。于是GPU诞生，成为比CPU更高效的渲染工具。　　　　简而言之，由于CPU在图像渲染方面的能力不

7、足，GPU被发明出来分担这部分工作，此后就成了专门搞这方面的硬件。　　有了上千个更加简单的核心，GPU能高效地处理让CPU十分吃力的任务。只要有合适的代码配合，这些核心就能处理超大规模的数学运算，实现逼真的游戏体验。　　但有一点需要指出：GPU的强大性能，不只