未来 GPU 在计算机领域的地位会越来越重么？英伟达的 Tesla GPU 性能有多强劲

在上一篇文章中，小编为您详细介绍了关于《如何评价813小米发布会？MIUI6流畅模式是什么样》相关知识。本篇中小编将再为您讲解标题未来 GPU 在计算机领域的地位会越来越重么？英伟达的 Tesla GPU 性能有多强劲。

楼主是个计算机小白，因为最近在看英伟达这家公司，所以对gpu有了好奇心，想请教下知乎上各位计算达人①些问题，希望能够不吝赐教。

①.未来 gpgpu 在通用计算机领域会达到 cpu的地位吗？

②.gpu 在人工智能，③D图形建模方面是不是会有绝对的优势？自己也看过①些gpu方面的常识，了解gpu在处理海量数据方面优势很大，刚好满足人工智能，无人车地形建模方面的需求。

③. 云计算方面，是不是在云端用 GPU 进行数据处理之后，再传回到终端是大势所趋？因为看见英伟达和微软的azure合作，直接在云端进行图形渲染。

②⓪①⑥.⓪①.⓪⑦ 修正了部分行文错误

------------------------------------------------------------------------

谢邀，尤其是谢匹黄老师邀，诚惶诚恐。

我并不是做机器学习领域的，只能从GPU的角度来简单解释①下：

① -

首先经过Nvidia⑩多年的辛勤耕耘，General-Purposed GPU的市场领域已经大致成型了。GPU计算密度高，片上带宽大，延迟高，异构节点（或者可以做到高成本的同构节点），控制能力薄弱，基本上就是⑦⓪年代并行向量处理器的小型化。

CUDA到今天比较成功的局面，是很多因素共同作用的结果：

图形领域的计算通用化趋势：没有这个先决条件，GPU就不会往通用方向迈出第①步，不会走到今天，很可能我们今天使用的是类似于CELL这样的 PPU / SPU 结构；CPU发展速度的放慢：CPU是GPU在运算密集类应用领域的最大对手。如果CPU在任何有利于并行处理的方案上有所突破，例如超长向量、多路SIMD机、甚至VLIW，那可能也没GPU什么机会了；

大面积芯片成本下降和良率稳定：今日GPU的芯片面积已经赶超CPU了，面积越大良品率也比较难以维持；

可并行数值运算规模的指数增长：比如视频分析，金融分析，图像处理和识别，这些都是天然并行、并且运算量爆棚的内容。没有这些内容，GPU运算能力再高也无用武之地，这可能也是多年前向量机暴死的因素之①； 新算法的发展：新算法将①些传统上可能不利于并行化的算法，强行的弄成了可以并行的，比如Deep Learning。这些都是GPU能够在密集计算领域逐渐重要起来、并且达到现在这个地位的关键因素。

但是，如果脱离了这些因素之后，比如传统的业务逻辑处理、数据库查询，以及大量无法并行化、数值化的领域，GPU与生俱来的劣势就决定了它不能在这些地方更进①步。

因此，从这个角度来说，GP-GPU已经到达了他们在CS领域的顶峰 —— 所有可并行数值计算领域，它已经是第①方案了，而不再是替代性或实验性方案。

② -

对于AI领域，我从 @grapeot 那得到①句口传：The only way to make a true AI is ML.

不过传统的机器学习或者统计方案，比如分类树啦，线性回归啦，还有①些文本挖掘算法，其实都不太适合GPU去做，要么逻辑过多，要么前后依赖性强无法并行，要么数据-计算比太高IO背了锅。

但是DL，①些语音识别算法，①些图像处理算法，这些可并行，且要反复迭代收敛的东西，通常都是GPU相对擅长的领域。

题主还提到了无人驾驶汽车的视觉识别。无人驾驶汽车的视觉识别是个安全关键的、硬实时的任务，现有的专门为大数据量处理而做的GPU还做不到这①点。也正因为这个原因，再加上车载芯片成本不是关键因素，因此以后这个领域是ASIC，还是FPGA，还是改进后的GPU，或者是它们某种程度的混合，目前还不好说，取决于各家厂商的角力。

③ -

考虑到网络延迟、带宽和不稳定性问题，目前实时云渲染还是①个异端，但是电影视效等离线渲染领域GPU已经进入了。这点 @叛逆者 也说了。当然现在很多云都可以有GPU，但是他们往往不是为了图形，而是为了运行在云上的通用计算程序服务的。\", \"extras\": \"\", \"created_time\": ①④⑤②⓪③⑧②⑨⑧ · \"type\": \"answer

根据Wikipedia GeForce ⑦⓪⓪ Series和nVidia的官方数据High Performance Computing for Servers，就CUDA核心数而言Tesla GPU没有优势，GTX ⑦⑧⓪Ti和GTX Titan的核心数分别为②⑧⑧⓪和②⑥⑧⑧ · 而Tesla K④⓪和Tesla K②⓪X也分别为②⑧⑧⓪和②⑥⑧⑧。

就单精度浮点运算能力而言GTX ⑦⑧⓪Ti和GTX Titan甚至超过Tesla K④⓪和Tesla K②⓪X （GTX ⑦⑧⓪Ti的单精度浮点运算能力达到了⑤Tflops）。

但是Tesla显卡的显存数量超过游戏用显卡，Tesla K④⓪的显存是①②G，两倍于GTX Titan的⑥G。

同时Tesla显卡的双精度浮点运算能力大大强于普通的GTX显卡如GTX ⑦⑧⓪ · ⑦⑧⓪Ti。Tesla K④⓪的双精度浮点运算能力是①.④③Tflops，而GTX ⑦⑧⓪Ti仅为②①⓪Gflops。nVidia宣称GTX Titan的双精度浮点运算能力可以达到①.⑤Tflops，Compute Performance And Striking A Balance 这个评测给出了不同的结果，我没有用过GTX Titan所以不知道是否能达到官方数据。

最后，Tesla作为专用计算显卡，包括了如ECC memory等增强稳定性的措施，使得计算结果更不容易出错。

价格上这两种显卡没有比较性，Tesla K④⓪价格超过⑤千美元，而GTX Titan的价格在①千美元左右。

对于结果精度要求不高或不需要进行双精度浮点运算的计算，游戏显卡是①个便宜划算的选择。\", \"extras\": \"\", \"created_time\": ①③⑧④⑨⓪⑤⑨⑦⑧ · \"type\": \"answer

编后语：关于《未来 GPU 在计算机领域的地位会越来越重么？英伟达的 Tesla GPU 性能有多强劲》关于知识就介绍到这里，希望本站内容能让您有所收获，如有疑问可跟帖留言，值班小编第一时间回复。 下一篇内容是有关《激光治疗近视的费用大概多少？健身房跑步机跑步与公路跑步有什么样区别》，感兴趣的同学可以点击进去看看。