GPU 引发了人工智能热潮，成为现代超级计算机的关键组成部分，并继续推动游戏和专业图形领域的进步。
编者注：我们更新了由Kevin Krewell撰写并于 2009 年 12 月发布的关于 GPU 和 CPU 之间差异的原始文章。
CPU（中央处理单元）被称为PC的大脑。GPU 是它的灵魂。然而，在过去的十年里，GPU 已经突破了 PC 的局限。
GPU 引发了全球人工智能热潮。它们已经成为现代超级计算的关键部分。它们已融入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，已经成为加速从加密到网络再到人工智能等各种任务的加速器。
他们继续推动工作站、台式电脑和新一代笔记本电脑内游戏和专业图形的进步。
什么是 GPU？虽然 GPU（图形处理单元）现在比它们首次出现时的 PC 有了更多的意义，但它们仍然停留在一个更古老的概念上，即并行计算。这就是 GPU 如此强大的原因。
诚然，CPU 仍然至关重要。CPU 速度快且用途广泛，可以执行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调用信息。
相比之下，GPU 将复杂的问题分解为数千或数百万个单独的任务，并立即解决它们。
这使得它们成为图形的理想选择，在图形中，纹理、光照和形状渲染必须同时完成，以保持图像在屏幕上飞翔。
CPU 与 GPU从架构上来说，CPU 仅由几个具有大量高速缓存的内核组成，可以一次处理几个软件线程。相比之下，GPU 由数百个核心组成，可以同时处理数千个线程。
GPU 提供了一度深奥的并行计算技术。这项技术有着辉煌的血统，其中包括超级计算天才西莫·克雷 (Seymor Cray) 等名字。但 GPU 并没有采用笨重的超级计算机的形式，而是将这一想法应用到了超过 10 亿游戏玩家的台式机和游戏机中。
对于 GPU，计算机图形学是众多应用程序中的首要任务该应用程序——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 背后庞大的研发引擎向前发展。所有这些使得 GPU 能够领先于服务于利基市场的更专业、固定功能的芯片。
使所有功能可用的另一个因素：CUDA。该并行计算平台于 2007 年首次发布，允许编码人员通过在代码中插入一些简单的命令来利用 GPU 的计算能力进行通用处理。
这使得 GPU 在令人惊讶的新领域得到广泛应用。通过支持数量快速增长的标准（例如 Kubernetes 和 Docker），应用程序可以在低成本桌面 GPU 上进行测试，并扩展到更快、更复杂的服务器 GPU 以及每个主要云服务提供商。
CPU 和摩尔定律的终结
随着摩尔定律逐渐失效，NVIDIA 于 1999 年发明的 GPU 恰逢其时。
摩尔定律规定，可以塞入集成电路的晶体管数量大约每两年就会增加一倍。几十年来，这推动了计算能力的快速增长。然而，该法律已经遇到了严格的物理限制。
GPU 提供了一种通过将任务分配给多个处理器来继续加速应用程序（例如图形、超级计算和人工智能）的方法。2017 年 AM 图灵奖获得者、微处理器开创性教科书《计算机架构：定量方法》 的作者John Hennessey 和 David Patterson 表示，此类加速器对半导体的未来至关重要。
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，这已被证明是越来越多的应用程序的关键。
对于每单位能量，GPU 执行的工作比 CPU 多得多。这使得它们成为超级计算机的关键，否则超级计算机将突破当今电网的极限。
在人工智能领域，GPU 已成为“深度学习”技术的关键。深度学习通过神经网络注入大量数据，训练它们执行任何人类编码员都无法描述的复杂任务。
人工智能和游戏：GPU 驱动的深度学习圆满结束
由于NVIDIA GPU 中包含专用张量核心，深度学习能力得到了加速。Tensor Core 可加速 AI 核心的大型矩阵运算，并在单个运算中执行混合精度矩阵乘法和累加计算。这不仅可以加快各种传统人工智能任务的速度，现在还可以用来加速游戏。
在汽车行业，GPU 提供了许多好处。正如您所期望的，它们提供了无与伦比的图像识别功能。但它们也是创造能够学习并适应大量不同现实场景的自动驾驶汽车的关键。
在机器人技术中，GPU 是让机器能够感知其环境的关键，正如您所期望的那样。然而，它们的人工智能功能已成为机器学习复杂任务（例如自主导航）的关键。
在医疗保健和生命科学领域，GPU 具有许多优势。当然，它们非常适合成像任务。但基于 GPU 的深度学习可以加快这些图像的分析速度。他们可以处理医疗数据，并通过深度学习帮助将这些数据转化为新的功能。
简而言之，GPU 已经变得至关重要。他们首先加速游戏和图形。现在，他们正在加速计算能力将发挥作用的越来越多的领域。