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。
可能很多朋友還心存疑惑：目前CPU的性能已經很強大了，為什么還要花很大的代價讓GPU進行輔助運算呢？這個問題可以從兩個角度來回答：一般我們認為CPU在浮點運算/并行計算方面的性能遠不如GPU強大，所以將GPU的實力釋放出來可以將電腦獲得新的飛躍；如果從更深層面考慮的話，目前CPU的發展已經遇到了瓶頸，無論核心架構的效率還是核心數量都很難獲得大幅提升，而GPU則是新的突破點，它的潛力幾乎是無限的！
● CPU核心效率提升舉步維艱
就拿目前Intel最強的Core i7處理器來說，架構方面相比上代Core 2 Quad發生了天翻地覆的變化：膠水四核變成了原生四核、引入三級緩存、高速QPI總線、三通道DDR3內存控制器、超線程技術、諸多內核及指令集優化等等……，所有這些技術共同作用的結果就是——同頻率下i7 965的綜合性能僅比上代QX9770提升了10-20%，這說明了什么呢？說明Intel的處理器架構已經非常優秀了，以至于在此基礎上很難再有Pentium D到Core 2 Duo那種飛躍式提升。
Core i7的性能表現沒有帶來驚喜
AMD方面的情況也大致如此，Phenom II相比Phenom的提升主要來自于45nm工藝帶來的高頻率，核心架構優化的貢獻僅有不到5%。目前兩大處理器巨頭單核心效能都已接近極限，只能依靠新工藝帶來的大緩存、高頻率，而獲得微弱的性能提升。
● CPU核心數量不能盲目增加
既然單核效率已經很難取得突破，于是處理器巨頭近年來都將發展方向轉為多核心產品，雙核四核六核八核相繼誕生。但美國Sandia國家實驗室日前的一項模擬測試卻讓人大跌眼鏡：由于存儲機制和內存帶寬的限制，16核、32核甚至64核處理器對于超級計算機來說，不僅不能帶來性能提升，甚至可能導致效率的大幅度下降。
根據他們的模擬，8核心之后再往處理器內塞入更多的核心，并不能帶來性能提升，在數據處理應用中反而會出現性能下滑。“16核的表現就和雙核差不多”。他們近一年來和業內處理器廠商、超級計算機廠商以及超級計算機用戶進行了大量討論。得出的結論是，如果不對計算機架構作出修改，未來當出現16核32核處理器時，為超級計算機編程的程序員或許只好屏蔽部分核心，或是將這些處理器用于非重點運算應用。
● Intel的"80核CPU"其實是顆GPU
當然業界領袖Intel也意識到了多核CPU發展之路遇到了瓶頸，因此在準備傳統六核/八核處理器的同時，也在緊鑼密鼓的研制另一種群核處理器——GPU以及類似于GPU架構的混合處理器。
擁有無數顆“核心”的Larrabee圖形處理器
就拿Intel代號為“Larrabee”的GPU來說，它是對IA-32(x86)新指令集的一種擴展，其內部是由N顆Pentium處理器核心加上一個16路的向量處理器組合而成的。Larrabee最初的目標是獨立顯示處理領域，與CPU組合使用。可是Larrabee與GPU相比又有所不同，所謂的Larrabee是能夠支持某種程度scalar運算的支持單體OS的CPU。
80核心處理器結構示意圖
此外，Intel還公布了另一款研發中的80核心處理器實物和架構，事實上這是一顆徹頭徹尾的并行計算處理器，每顆核心都包括了兩個浮點運算單元，怎么看都像是一顆GPU的架構。從這個意義來看，Larrabee與80核CPU是Intel將來CPU產品的一面鏡子。現有的Core 2和Core i7處理器將來會如何向PC&服務器通用處理器進化呢？從這些變種處理器身上我們也可以看到2010年以后Intel的發展方向。
或許我們可以這樣認為，未來CPU與GPU之間的界限會非常模糊，多核CPU的架構設計會向現有GPU的模式靠攏，而GPU也不會滿足于僅處理一些無聊的3D渲染任務，在特定API及開發平臺的支持下，GPU將會取代CPU處理繁重的并行計算任務。
較多核CPU確實很誘人，但只能存在于實驗室中，距離我們似乎非常遙遠。由于較多核CPU的架構與目前的雙核/四核CPU有很大的不同，因此大家不必拘泥于傳統處理器的概念。其實較多核處理器“遠在天邊、近在眼前”——高配置電腦當中肯定擁有一顆GPU(顯卡)，9800GTX+是128核心、GTX280則擁有240顆核心，GPU的每一個流處理器就是一顆核心。
目前X86架構的處理器經過30年的發展，指令集、平臺、系統和軟件支持已經接近完美，因此使用CPU處理數據是天經地義的。GPU雖然也誕生了近20年，但它從來都只能渲染圖形，想要讓他進入全新并行計算領域，無論硬件架構還是軟件平臺都需要作相應的調整。
● GPU在硬件架構方面的進步
傳統GPU的核心組成部分是Shader(著色器)，分為Pixel Shader(像素單元)和Vertex Shader(頂點單元)，每一個Shader是一個4D或5D的矢量運算單元，之所以設計成這樣是因為在圖形處理中，最常見的像素都是由RGB(紅黃藍)三種顏色構成的，加上它們共有的信息說明(Alpha)，總共是4個通道。而頂點數據一般也是由XYZW四個坐標構成，這樣也是4個通道。在3D圖形進行渲染時，其實就是改變RGBA四個通道或者XYZW四個坐標的數值。為了一次性處理1個完整的像素渲染或幾何轉換，GPU的像素著色單元和頂點著色單元從一開始就被設計成為同時具備4次運算能力的運算器(ALU)。
傳統Shader結構的GPU只適合做圖形渲染
這樣的4D矢量運算單元在渲染3D圖形時會有很高的效率，但在處理復雜指令時的效率會大打折扣，比如DX10新引入的幾何著色、物理加速等，尤其在面對非圖形渲染指令時優勢全無。
NVIDIA的科學家對圖形指令結構進行了深入研究，它們發現標量數據流所占比例正在逐年提升，如果渲染單元還是堅持SIMD(單指令多數據流)設計會讓效率下降。為此NVIDIA在G80中做出大膽變革：流處理器不再針對矢量設計，而是統統改成了標量ALU單元。用通俗的話說就是：Shader單元內部ALU完全打散，設計成為各自獨立的流處理器，并分配相應的指令發射端和控制單元，這樣的架構在面對任何形式的指令(包括組合指令)時都能保證最高的執行效率，這也就是NVIDIA在DX10時代游戲性能大幅領先于競爭對手的根本原因！
隨著圖形畫面越來越復雜，1D、2D、3D指令所占比例正在逐年增多，而G80在遇到這種指令時可說是如魚得水，與普通4D指令一樣不會有任何效能損失，指令轉換效率高并且對指令的適應性非常好，這樣G80就將GPU Shader執行效率提升到了新的境界！
這種富有彈性的架構不僅擁有很強的圖形渲染能力，而且能夠處理以往不敢奢想的非圖形運算指令，理論上來講只要是浮點運算指令都可以交給GPU來處理。而在以往，程序員必須針對GPU的架構特點，對指令重新分類打包并模擬圖形指令交給GPU處理器，工作量可想而知，效率也極為低下。
G80的架構無論對于圖形渲染還是并行計算都是革命性的，但NVIDIA并沒有滿足于此，為了進一步提高GPU的并行計算效能，把GPU改造成為一顆真正的通用處理器，NVIDIA在GTX200核心大規模擴充流處理器數量的同時，也對內核架構進行了諸多優化與改進，使之更適合做超大規模并行數據處理。
GTX200核心的主要改進有：
- 每個SM(8個流處理器為一簇)可執行線程從768提升至1024條；
- 每個SM的指令寄存器容量翻倍，從16K提升至32K；
- 將雙指令執行(Dual-Issue)效率提升至94%，接近于理論值；
- 512Bit顯存控制器，4GB顯存容量支持，防止指令排隊溢出；
- 支持雙精度64Bit浮點運算，55nm版GTX200的雙精度運算能力提高4倍！
以上所有的改進(顯存位寬除外)并不會讓GTX200核心的圖形渲染能力得到提高，但卻能夠大幅提升GPU在進行海量數據處理時的效率。由此我們可以看出NVIDIA的野心與實力——G80與GTX200已經不再是一顆圖形處理器，而是較多核通用處理器！而NVIDIA這種圖形架構與并行計算架構合二為一的架構就被稱為CUDA。
任何硬件想要盡情地發揮性能離不開軟件的支持，GPU光有優秀的架構還是遠遠不夠的，如果沒有驅動和軟件的支持那就是一紙空談。所以，NVIDIA在G80核心發布之后，一直都在想方設法地釋放這種架構的能量。
● GPU在開發平臺方面的進步
于是，CUDA的概念誕生了，CUDA是Compute Unified Device Architecture的簡寫，中文含義是統一計算設備架構，它是建立在NVIDIA GeForce 8架構基礎上，并在GeForce 9和GTX200架構上改進優化并發揚光大。
CUDA是NVIDIA推出的一個并行計算架構。這個架構包含有一個ISA(指令集架構)以及并行計算的硬件引擎。就如同CPU的情況一樣，X86的架構也包含ISA和執行指令的硬件架構。各種應用程序都基于這個架構進行開發并在此上運行。可以說CUDA架構的GPU是圖形渲染架構與并行計算架構的合體！
NVIDIA提供的CUDA開發包中的C語言編譯器版本更新很快
CUDA本意就是一種架構，但很多人認為CUDA是一種語言、或者是開發平臺，這可能跟NVIDIA最初的宣傳、推廣策略有關系。在CUDA架構誕生之初(GeForce 8時代)，尚不存在專門針對GPU并行計算的開發平臺以及編程語言，因此NVIDIA必須給程序員提供一種簡單、易上手、并且完整的軟件開發解決方案，這樣NVIDIA所發布的CUDA包當中就包括了針對GPU的C語言編譯器、糾錯器/制模器、專用驅動和標準函數庫等。
除了支持自家C語言編譯器之外，更多的語言及API都能運行在CUDA架構上
現在，越來越多的廠商和開發者意識到了GPU計算的重要性，于是各種開發語言及應用程序編程接口應運而生了，其中除了CUDA編譯器所提供的C語言之外，大家所熟知的Fortran、C++也會支持高性能GPU并行計算，另外近期發布的OpenCL及未來的DX11也會專門針對GPU開發相應的API。在整個產業的共同推動下，GPU計算可謂是前途無量！
不難看出，正是對于GPU通用計算敏銳的嗅覺以及前瞻性，讓NVIDIA站在了業界的前沿，并且加速了整個行業的發展。
NVIDIA有優秀的CUDA架構，還有自行開發的CUDA C編譯器，而AMD只強調開源，因此AMD在很早之前就對CUDA嗤之以鼻，并對OpenCL寄予厚望。然而NVIDIA對于OpenCL的熱情反而遠比AMD高漲，OpenCL標準出臺后就一直贊不絕口，并大力推廣，這是為什么呢？
OpenCL一經提出就受到業界的大力支持
首先，CUDA是一種架構，OpenCL是API(應用程序接口)，兩者是完全不同的概念，不存在竟爭關系。既然OpenCL標準能夠進一步拓展GPU的應用領域，NVIDIA沒有理由不支持，事實上這也正是CUDA架構的設計初衷。
其次，OpenCL標準的倡導者——蘋果，是NVIDIA的親密合作伙伴，蘋果新一代MacBook將會全面采用NVIDIA的GeForce 9400M GPU以及GF9300整合GPU。NVIDIA還是第一家展示運行中的OpenCL程序的公司，NVIDIA的GPU自然能夠對OpenCL提供完美支持，擁有非常好的的并行計算效率。
最后，NVIDIA是OpenCL的標準制定者之一，NVIDIA公司副總裁Neil Trevett擔任Khronos OpenCL工作組的主席，該組織中還有多位骨干成員都是NVIDIA員工。
AMD在內部文檔中暗指NVIDIA的CUDA為“封閉技術”
由此可見，與大方空話、誹謗競爭對手的AMD相比，NVIDIA顯然要務實很多！在公開標準尚未出臺之前，NVIDIA CUDA架構及C編譯器早已準備就緒，在GPU計算大勢所趨的情況下CUDA受到了開發者及科研人員的一致好評；在OpenCL標準制定過程中，NVIDIA也扮演著舉足輕重的角色，并擔負起改進與推廣的重任；與此同時，對于微軟正在開發的DirectX 11，NVIDIA也積極參與其中，絕不放棄任何能夠拓寬GPU市場的標準。
不管未來CUDA C語言、OpenCL API以及DX11 Computer Shader誰將成為業界標準、誰的使用率最高，NVIDIA都是GPU并行計算堅定不移的支持者，并對所有的語言及API提供完美支持，就像現有GPU同時支持DirectX 10及OpenGL圖形API一樣。
理清CUDA架構及OpenCL API之間的關系之后，再來研究下CUDA C語言與OpenCL之間的優劣，兩者有很多相似之處，存在著競爭與互補的雙重關系，但對于GPU硬件架構(如CUDA)來說是無差別的。
CUDA C語言與OpenCL關系示意圖
NVIDIA認為CUDA的基本理念因OpenCL的出現得到了增強。兩者的根本原理都是一樣的，但OpenCL是一種更底層的架構，需要開發人員自行編寫內存管理等等功能的代碼，而CUDA則可以讓那些非專業編程人員如科研工作者更簡單的編制GPGPU程序代碼。
CUDA C語言與OpenCL的編程模式不同
簡言之，CUDA C語言與OpenCL的定位不同，或者說是用人群不同。CUDA C是一種高級語言，那些對硬件了解不多的非專業人士也能輕松上手；而OpenCL則是針對硬件的應用程序開發接口，它能給程序員更多對硬件的控制權，相應的上手及開發會比較難一些。
另外程序員的使用習慣也是非常重要的一方面，那些在X86 CPU平臺使用C語言的人員，會很容易接受基于CUDA GPU平臺的C語言；而習慣于使用OpenGL圖形開發的人員，看到OpenCL會更加親切一些，在其基礎上開發與圖形、視頻有關的計算程序會非常容易。
所以說，CUDA C語言與OpenCL是各有所長，是互補而非競爭關系，不會發生一方取代另一方的情況。就拿成熟的X86 CPU架構來講，各種開發語言不勝枚舉，C、C++、Basic、Fortran、Java……，每種語言都有自己的特色、都能找到適合自己的領域。現在針對GPU架構的語言及API還不夠多，目前僅有的CUDA C語言和OpenCL都還處在起步階段，相信未來會有更多的語言/API移植到GPU上來，CUDA架構為此已經做好了充分的準備。
關于GPU并行計算，其實AMD比NVIDIA更早提出了GPGPU(通用GPU)的概念，那么NVIDIA怎么看老對手AMD在并行計算方面的發展呢？現在我們就看看NVIDIA技術人員對于AMD的評價。
● 衡量GPU并行計算的主要指標就是浮點運算能力，根據理論值來看，AMD GPU似乎要比NVIDIA GPU高不少(HD4850達到1TFLOPS、HD4870 1.2TFLOPS)，那NVIDIA GPU的優勢是什么？
答：的確，GPU的浮點運算能力非常重要，但這只是理論值而已，理論與實際存在很大的差距，尤其是在GPU架構截然不同的情況下，幾乎沒有可比性。目前超級計算機500強的排名是使用統一的軟件進行評估獲得的實際浮點運算性能，而并非理論值，采用NVIDIA Tesla GPU的超級計算機初出茅廬就排行第29，實際運算能力得到了充分肯定。
任何架構都有效率高低之分，GPU也不例外，NVIDIA CUDA架構的GPU執行各種復雜的圖形指令及非圖形指令都有著非常高的效率，而競爭對手的產品聽起來擁有較多的流處理器、理論浮點運算能力也很夸張，但實際性能如何呢，通過最新DX10游戲來看其效率很低，GPU的本職工作都做不好，何談指令更加復雜的并行計算呢？
● 科學研究對運算精度要求非常高，雙精度浮點運算使用率很高，NVIDIA GPU的雙精度運算能力只有單精度的1/8，而AMD雙精度性能是單精度的1/5，這是為什么呢？
答：確實，在不少應用領域都須需要雙精度浮點運算，這方面NVIDIA上代GPU做得還不夠好，當初主要考慮提升單精度浮點運算的能力和效率，在民用場合會得到非常出色的效能(比如視頻轉碼、物理加速等)。
不過，新一代Tesla產品的雙精度浮點運算能力將會提高至原來的4倍之多，新一代核心不僅僅是工藝改進頻率提升而已，事實上我們對內核架構作了進一步優化，每個SM內部FP64運算單元達4個，這樣NVIDIA下一代GPU的雙精度浮點運算能力可以達到單精度的1/2，性能提升非常可觀！
● 對于AMD的FireStream流處理加速卡，NVIDIA怎么看？
答：AMD FireStream比NVIDIA Tesla誕生得早，但由于架構和開發平臺問題，市場占有率及用戶認可度根本無法同Tesla相提并論。大家看到的多是有關產品方面的報道，而不是有關應用及解決方案方面，因為AMD根本拿不出什么像樣的應用軟件，目前最流行的Folding@Home蛋白質分布式運算以及AVIVO視頻轉碼，其實早在X1000時代就存在了，時至今日產品更新換代了三四代，但GPU運算效率并沒有得到提升，為什么呢？
因為AMD沒有給用戶提供一種系統的開發平臺，而是僅使用匯編一類的低級語言去進行GPGPU編程，這樣的開發效率極低，而且移植起來非常困難，針對不同架構的GPU需要重新編寫軟件才能提供支持。舉個最簡單的例子，HD4000剛發布時候的Folding@Home運算效能甚至還不如HD3000，要知道HD4000的理論性能是后者的2.5倍之多！
可以這么說，AMD的GPU架構純粹是針對圖形渲染設計的，而且很落后，因為NVIDIA很久以前的NV30就是這種SIMD架構，并行計算只是AMD圖形架構的副產品，所以AMD在面對并行計算時能有多高的效率值得懷疑。或許OpenCL的出現能給AMD一些機會，但AMD有的NVIDIA都有，而AMD沒有的正是NVIDIA的強項，優秀的CUDA架構再加上各類編譯器/API可以讓NVIDIA GPU大放異彩！
前面我們曾提到過，Intel未來較多核CPU的架構，將會吸取傳統CPU與GPU的優勢，重點提升浮點運算能力，而Intel也在緊鑼密鼓的研發自己的GPU，那么GPU與CPU在未來會發生什么變化呢？是GPU取代CPU，還是GPU與CPU合二為一？
● GPU不會取代CPU，但CPU的重要性正在削弱，GPU扮演更重要的角色
NVIDIA認為GPU是不會取代CPU的，CPU作為中央處理器仍然占有相當重要的位置，GPU只能處理大規模多線程的并行計算，并不是所有的程序都能良好的運行在GPU上，但幾乎所有的程序都有運行在CPU上的優秀代碼。
不過并行計算對于處理器性能的渴求幾乎是無止境的，也是未來推動電腦系統持續高速發展的重要動力，由于CPU在這方面的欠缺，CPU的價值正在快速下滑，隨著CUDA及OpenCL走向成熟，未來為GPU和并行運算優化的程序將大行其道。
試想，如果視頻編碼解碼、物理加速、科學計算、窮舉算法、數據庫分析等這類對CPU要求極為苛刻的應用，都改用GPU來處理器的話，誰還愿意去花那么多錢購買一顆四核CPU呢？四核CPU并不會讓操作系統及日常應用變得更快，此時高端顯卡將會吸引游戲玩家以外更多用戶的注意。
● 整合意味著低端，高性能電腦不需要也無法整合
GPU的重要性是毋庸置疑的，要不然AMD就不會收購ATI，Intel也不會到處挖墻角去研發自己的獨立GPU了。在獨立GPU高速發展的同時，我們也注意到AMD和Intel相繼公布了CPU與GPU整合計劃，那么GPU將何去何從呢？
整合就意味著低端，只保證基本的功能、而不在乎性能，目前主板上的整合顯卡、聲卡、網卡、Raid控制器等無不是這種情況。目前AMD和Intel公布的CPU整合GPU計劃，道理其實就跟內存控制器從北橋轉移至CPU內部一個道理，原本北橋整合的GPU被納入CPU之中，這樣有助于提高整合顯卡性能，并降低生產制造成本。
GPU核心遠大于CPU，誰整合誰還很難說呢？
但是想要在CPU之中包含一顆高性能的GPU是不可能的，半導體制造工藝不允許，內存帶寬更不允許！我們知道中高端GPU的晶體管與核心面積要比CPU大很多，目前GTX200核心已經達到了65/55nm制造工藝的極限，要是能放入更多的晶體管早就誕生更強大的GPU了，何需等待？此外GPU對需要海量內存帶寬的支持，現有的雙通道/三通道DDR3根本就是杯水車薪，連CPU都滿足不了還想整合GPU進去？
所以，CPU整合GPU計劃本來就是定位中低端，這種解決方案很有創新意義，也會給用戶帶來很多實惠，但并不能影響到未來主流中高端CPU與GPU的發展。
Tagra處理器架構圖
當然，CPU也有可能被GPU整合，NVIDIA針對移動計算平臺發布的Tagra處理器就是很好的例子，通過它的模塊及架構設計來看，所有的處理模塊和功能模塊都被整合在了一起，按照比重來看應該說是GPU整合了CPU。未來類似于類似Atom一類的順序架構小型處理器被Chipset或GPU整合起來也很難說。
● 保持現狀，CPU+GPU異構計算引領發展
GPU的重要性與日俱增，但CPU的核心地位依然是無法撼動的，所以，在未來很長一段時間內還會保持CPU與GPU各自獨立發展的現狀不變，繼續在各自擅長的領域發揮熱量。
而計算機性能提升的方法，就來自于API和語言對GPU性能的釋放，未來無論是OpenCL 1.1還是CUDA 3.0，都會同時支持CPU與GPU的資源管理，合理分配指令與任務，只有充分調動所有的硬件模塊、消除瓶頸，才能釋放出最強性能！<
關注我們
