GPU挑戰CPU地位!詳解CUDA+OpenCL威力

    [泡泡網顯卡頻道 12月16日] 眾所周知，GPU擁有數十倍于CPU的浮點運算能力，但如此強大的實力多數情況下只能用來玩游戲，豈不可惜？因此近年來業界都在致力于發掘GPU的潛能，讓它能夠在非3D、非圖形領域大展拳腳。

• 1999年，首顆GPU(GeForce 256)誕生，GPU從CPU手中接管T&L(坐標轉換和光源)
• 2000年，Hopf在GPU上實現小波變換
• 2001年，Larsen利用GPU的多紋理技術做矩陣運算
• 2002年，Harris在GPU上用細胞自動機(CA)仿真各種物理現象，Purcell第一次使用GPU加速光線跟蹤算法
• 2003年，是GPGPU領域具有里程碑意義的一年，Kruger實現了線性代數操作；Li實現了Lattice Boltzmann的流體仿真；Lefohn實現了Level Set方法等一大批成果
• 2004年，Govindaraju在數據庫領域應用GPU加速取得進展；商業領域，Apple推出支持GPU的視頻工具
• 2006年，首顆DX10 GPU(GeForce 8800)誕生，GPU代替CPU進行更高效的Geometry Shader(幾何著色)運算
• 2007年，主流DX10 GPU全面上市，將CPU從勞累不堪的高清視頻解碼運算中解放出來，如今整合GPU都完美支持硬解碼
• 2008年，CUDA架構初露鋒芒：PhysX引擎發布，GPU代替CPU和PPU進行物理加速運算；Badaboom、TMPGEnc等軟件開始利用GPU的并行計算能力來加速視頻編碼
• 2009年，CUDA、OpenCL、DX11 Compute Shader百花齊放，GPU將會全面取代CPU進行并行計算，大批應用軟件改投GPU門下……

    可以這么說，CPU是功能較多的，它幾乎可以處理任何事情，但由于深度流水作業架構的特性、以及浮點運算能力的限制，它處理一些任務時的效率很低。縱觀近年來GPU的發展歷程，就是一步步的將那些不適合CPU處理、或CPU算不動的任務轉移過來，從而消除程序運算時的瓶頸，大幅提升電腦執行效能，以更小的代價(成本和功耗)實現更強大的性能。

    但是，想要讓一大批應用軟件從CPU移植到GPU上，非一朝一夕所能完成，需要業界的大力推廣以及開發平臺及編程語言的支持。NVIDIA早在2005年開始就致力于研發CUDA架構及基于CUDA的C語言開發者平臺，并于2007年正式推出，而且專門發布了針對科學計算的Tesla品牌，在GPU計算方面一直處于領跑地位。

    而今年由蘋果所倡導的OpenCL標準發布后，包括NVIDIA、Intel、AMD在內的所有IT巨頭都表示出了濃厚的興趣。有了統一的標準之后，GPU計算的推廣與普及就是水到渠成之事，GPU將會在電腦系統中扮演更重要的角色。

    那么CUDA與OpenCL之間有什么利害關系呢？未來誰將左右GPU的發展？GPU會否取代CPU成為計算機核心？筆者通過搜集各方資料，并采訪NVIDIA相關技術研究人員，為大家深入分析GPU的通用計算之路。