下一代高速计算的王者-GPU

下一代高速计算的王者-GPU_第1张图片

在今年NVIDIA

GTC大会上,Nvidia创始人黄仁勋表示,设计人员无法再创造出可以实现更高指令级并行性的CPU架构,晶体管数每年增长50%,但CPU的性能每年仅增长10%,数据增长速度达40%,并在不断加快。

数据增长速度超过CPU性能提升速度带来的后果是:人们不得不利用各种技巧来避免计算性能瓶颈,比如降采样、索引(indexing),或者采用昂贵的scale-out(向外扩张)战术来避免长时间等待系统回应。

我们现在面对的数据单位是EB

(EB=1024PB,PB=1024TB,TB=1024GB),并正在迈向ZB(ZB=1024EB)。而曾经显得无比庞大的TB,在消费者领域已经十分常见。企业级TB存储的定价已降到个位数(美元)。

GPU的架构与CPU很不一样。首先,GPU并不具备多功能性。其次,与 消费级CPU个位数的核心数目不同,消费级的GPU通常有上千个核心——特别适合处理大型数据集。由于GPU在设计之初有且只有一个目的:最大化并行计算。——目前来看,它们尚能跟上数据大爆炸的脚步。

GPU(GraphicsProcessing Unit)也即图形处理器,是显卡的核心单元。

GPU不仅能实现数据库的许多功能,而且其强大的计算能力,能实现实时分析。深度学习需要较高的计算能力,所以对GPU的选择会极大地影响使用者体验。在GPU出现之前,一个实验可能需要等几个月,或者跑了一天才发现某个试验的参数不好。好的GPU可以在深度学习网络上快速迭代,几天跑完几个月的试验,或者几小时代替几天,几分钟代替几小时。

CPU+GPU是高性能计算架构发展方向。CPU与GPU二者的侧重点不同,决定了其应用的环境和主要领域不同。在高性能计算这个GPU重点应用领域,CPU+GPU架构是未来高性能计算架构的发展方向。同样的成本,GPU的计算效率可能获得10-100倍的增长。

采用GPU架构兼具低成本与高性能,应用前景广阔。采用GPU新架构的PC,兼具低成本与高性能的特点。在医疗成像、分子动力学、基因比对、金融模拟、动漫渲染、电影编辑、新型材料开发等领域具有广阔的应用前景,使得这些领域的用户拥有万亿次的高性能设备成为现实。人工智能(图像语音识别、无人驾驶等)、视频处理、VR、生命化学、金融证券数据分析等将是GPU运用的优先爆发领域。

你可能感兴趣的:(下一代高速计算的王者-GPU)