GPU（图形处理器）早已不再是单纯用于游戏画面的组件。凭借强大的并行计算能力，如今它被广泛应用于人工智能、深度学习、科学计算等众多前沿领域。接下来这份指南将带你全面了解 GPU 的核心作用、工作原理、类型区别以及实际应用场景。
一、GPU 服务器有什么作用？
GPU 加速计算能够显著提升应用程序性能，它将应用程序中计算密集的部分任务转移给 GPU 执行，而 CPU 则继续运行其余代码。对用户来说，应用程序的整体运行速度会明显加快。
为了帮助理解 GPU 与 CPU 之间的差异，我们可以对比一下它们处理任务的方式：
- CPU 由几个专为顺序串行处理而优化的核心组成。
- GPU 拥有一个由成千上万个更小、更高效的核心组成的大规模并行计算架构，这些核心专为同时处理多重任务而设计。
谈到 GPU 在高性能计算方面的优势，自然会联想到一个经典问题：“为什么需要专门出现 GPU 来处理图形工作，CPU 为什么不行？”
结论先行：图形渲染任务具有高度的并行性，GPU 只需通过增加并行处理单元和存储器控制单元，就能获得比 CPU 高出一个数量级的运算速度。在 GPU 还没有发明的年代，中央处理器 CPU 承担了整个计算机系统的运算和控制核心，是所有数据处理的最根本部件。
二、GPU 擅长大规模并发计算
GPU 工作原理
通俗地说，GPU 的工作就是完成 3D 图形的生成，将图形映射到相应的像素点上，对每个像素进行计算以确定最终颜色并输出。整个过程一般分为五个步骤：
- 顶点处理
- 光栅化计算
- 纹理贴图
- 像素处理
- 输出
GPU 采用流式并行计算模式，可以对每个数据行进行独立的并行计算。
GPU 与 CPU 区别
- CPU 基于低延迟设计，由运算器（ALU）、控制器（CU）、若干个寄存器和高速缓冲存储器组成，功能模块较多，擅长逻辑控制和串行运算。
- GPU 基于大吞吐量设计，拥有更多的 ALU 用于数据处理，适合对密集数据进行并行处理，擅长大规模并发计算。正因如此，GPU 被广泛应用于 AI 训练等需要大规模并发计算的场景。