科技改变生活！NVIDIA Tesla深入解析

    CPU和操作系统是现代PC的动力提供者，并为用户解决了数值计算这个有时困难到令人无法相信的问题。在你使用电脑，一边听音乐、浏览网站、一边阅读电子邮件的同时，操作系统会跟踪记录你的所有活动，并与后台交流信息、将你使用到的信息组织起来，尽管CPU一次只能执行多个独立任务中的一个，但是由于其运行速度足够快，所以这一系列任务看上去是同时执行。而对新一代多核CPU来说，每个核心都可以真正同时的执行更多的任务。

 不同的计算类型决定了GPU的架构更加适合通用计算

    另外一种不同类型的计算问题——并行计算，却一直局限在大型服务器集群和超型计算机领域。标准CPU架构的特长是管理多个离散的任务，但是有些任务能够被细分为多个更小的单位并且可以被并行化，CPU在处理这些任务的时候并没有突出的性能优势，但这恰恰就正好是适合GPU解决的问题类型。

    对于快速、廉价的解决这一类问题，GPU有着相当大的潜力可以发挥。GPU计算可以使得PC和工作站具有超级计算的能力，并且可以扩展服务器集群的处理范围，以解决先前CPU集群不能处理的问题。

    GPU计算的目标是充分利用GPU先天的巨大计算能力，以解决在高性能计算领域内许多相当困难但很重要的问题。

 GPU的浮点运算能力和CPU不在一个数量级

    在刚刚过去的几年中，图形处理单元（GPU）已经发展为具有强劲马力的计算设备。由于具有多达128个的处理单元以及相当高的存储带宽，为GPU提供了多到令人难以置信的计算资源，在图形或非图形处理中都是如此。

    上图的结果主要是由于GPU在架构上就是为计算密集型处理而设计，高强度并行计算—这本身也是图像渲染的需要。因此在GPU中，更多的晶体管被用于数据处理而不是数据存储与流控制。

    GPU特别适合处理那些可以具有较高算法强度且可以被被表达为并行数据计算的问题，换句话说，同样的程序如果通过细分成众多数据元素的并行执行，会具有较高的算术操作与存储操作之比。

     CPU的处理方式是使用一个单独的程序顺序的循环处理数据，GPU则是进行数据的并行处理，它把数据元素映射、规划为数以千计的并行处理线程。很多应用程序都有一个较大的数据集，就可以通过数据并行编程模式来加速他们的执行。这些应用程序包括：

·地震模拟
·计算生物学
·选择商业风险计算
·医学成像
·模式识别
·信号处理
·物理仿真