异构计算=未来？一文带你秒懂3大主流异构
戳蓝字“CSDN云计算”关注我们哦！
技术头条：干货、简洁、多维全面。更多云计算精华知识尽在眼前，get要点、solve难题，统统不在话下！
作者：Pasca
来源：蛋蛋团（ID：dandan_tuan）
本文旨在梳理和科普，让读者了解异构计算的基本概念和其中不同异构计算方案的侧重点，更多资讯请关注蛋蛋团（ID：dandan_tuan）。
大纲
一、传统计算的困境
二、异构计算的崛起
三、”厨房论“异构计算
四、总结
广为流传的摩尔定律（英特尔（Intel）创始人之一戈登·摩尔提出）表明：每24个月会将芯片的性能提高一倍。
后来，另外一个英特尔首席执行官大卫·豪斯（David House）提出：预计18个月会将芯片的性能提高一倍。
尽管到目前为止，芯片的发展经历一次次的性能提升。但随着互联网的爆炸式发展和信息化的普及。以及近几年兴起的诸如机器学习、深度学习、人工智能、工业仿真等对计算性能的需求极高的领域崛起后，已经远远超过了传统CPU处理器的除计算性能瓶颈，出现了诸多如并行度不高、带宽不够、时延高等限制。
（来源网络，CPU和GPU的发展趋势对比，）
如上图，GPU的发展比CPU更为迅猛，每一代制程缩减直接带来更多的核心数，同时，GPU 每年有大约40% 的性能提升。
传统CPU芯片计算可以叫同构计算，也可以叫通用计算，设计之初，更多的是注重控制。而GPU设计作为协处理器只为处理CPU难以负载的大量并行计算。
而CPU占据70%的部分晶体管是用来构建Cache还有一部分控制单元，负责逻辑算数的部分并不多。GPU整个就是一个庞大的计算阵列，适合做大量密集型计算类型，就好游戏爱好者，如果想要体验画质更高的游戏画面，就必须买更好GPU的显卡。
总结一下，CPU负责逻辑性强的事物处理和串行计算，GPU则专注于执行高度线程化的并行处理任务（大规模计算任务）。
（来源网络，CPU和GPU架构比较）
通俗一点，CPU好比于笔，你可以拿他画你任何想画的东西。而GPU好比于打印机，打印肯定更快，但是需要CPU的协同。
在普通服务器领域亦如此，针对机器学习、深度学习、人工智能、工业仿真等领域，异构计算平台已经成为新宠，而在异构计算江湖中，也是群雄鼎力，存在着三大不同的流派。
CPU+GPU流派、CPU+FPGA流派以及CPU+ASIC流派。
首先我们来讲个小故事，通俗易懂的了解这些流派。
上文也说了，同构计算或者说通用计算性能的发展已经远远跟不上应用的需求，如近几年的国内的天河2A和神威超算都属于异构超算，接下来几年研发的超算也都属于异构超算，可见，异构超算已经成为中美两国超算领域的趋势。
这里我们引用网上的一个经典“厨房论”异构计算。
在饭店的厨房，通常会有一个大厨（CPU），它会做各种菜（兼容性极好），但是如果做菜之前的大量重复动作（洗菜、切菜）导致它一天做菜的份数明显减少。
并且，由于最近（人工智能时代到来）客人点菜要求越来越高（花样菜式），大厨开始不堪负重。
本来顾客大多要的「炒白菜」，现在一个个都想吃「开水白菜」。
一道是家常菜，一道是国宴菜。然而后者复杂程度（大量数据复杂处理）远远不是前者所能比较。
于是，大厨想着，一大菜我一个做着麻烦，但是我可以请个帮手（协处理器）。比如在切菜方面，这个帮手可以同时处理很多菜品（并行计算），而且很熟练，速度很快（低延时）。
于是，一个负责切菜，一个负责做菜，分工明确。当然，大厨挑选这个帮手也是精挑细选，主要体现在以下方面：
多样的菜品处理能力，如洗菜切菜一体化（算法性能）——协处理器需要能全面支持需要用到的场景关键算法。
支持同时、快速加工(数据并行和低延时处理能力)——协处理器需要有大量并行通道，且每个通道支持低延时的数据处理。
便于大厨操作和菜品存取（接口性能）——和主处理器很方便的数据交互
学习能力强，新菜式也能学会（配置灵活）——协处理器可以针对计算需求升级迭代
一天别吃太多（功耗低）——协处理器更低的功耗意味着更低的运行成本，更小的空间占用和更简单的热处理方案。
GPU：手脚麻利但是比较笨的帮厨
CPU和GPU都属于通用处理器，但是和CPU一样，都有一个很大的缺点，CPU和GPU的代码都存在Memory这个“菜谱”中，需要经过取指令，译码，然后才能执行指令。在这个流程中，取指令，译码会开销额外的时间，降低了数据处理速度。
如果说CPU大厨形容为“头脑发达（控制电路多），四肢简单（计算电路少），那么GPU帮厨正好相反。
在GPU中，硬件资源被大量用作逻辑运算单元（ALU），小部分用作控制电路。这为大规模的数据并行处理提供了基础。
于是，当这个帮厨（GPU）被使唤去切菜洗菜时，手脚非常麻利，完成的又快又好。但是如果你让这个帮厨（GPU）去做“土豆切丝，洋葱切片，南瓜雕花……”，可能就没有那么利索了。
这是因为，复杂的控制流程会产生大量的分支（如编程语言中的case和if else），而GPU中一个控制单元要负责好几个计算单元。所以，如果要最大程度地使用GPU，势必要求控制分支越少越好。
FPGA: 功能多变的万能料理机
在厨房中，有一种厨具我相信有很多人都会喜欢，大厨也喜欢，那就是料理机。
有了料理机，大厨终于有可以节省了大量的时间来包饺子了，使用料理机处理肉馅即可。同时，当有需要制作果汁、豆浆时，也可以使用料理机，作为一款多功能料理机，可以满足大厨的多种需求。
FPGA作为一种高性能、低功耗的可编程芯片，中文名叫做”现场可编程门级列阵“。
最耀眼的词语：可编程。
这也意味着，今天可以切土豆丝，明天切土豆片都行。FPGA使用预建的逻辑块和可重新编程布线资源，可以让用户无需使用电路实验板或者烙铁，通过特定的软件开发计算任务，编译后就能自定义配置芯片硬件功能。
只需要OpenCL和HLS（High Level Synthesis）技术，直接把C、C++代码编译成Verilog即可。
在处理海量数据的时候，FPGA 相比于CPU 和GPU，优势在于：FPGA计算效率比CGPU更高，FPGA更接近IO。
正因此，FPGA目前已经占据在了异构计算的主流地位。
ASIC：最强订制料理机
ASIC的中文全称是“特殊订制集成电路”。
关键词：特殊订制。
它是订制的，也意味着不需要去纠结CPU和GPU怎样分配控制资源和计算资源的问题了，想怎么分配就怎么分配。编程语言越接近底层硬件，运行速度越快。
ASIC的设计是直接用软件思维搭建硬件电路，所有的设计是直接建筑在物理硬件（门电路）上的。所以，ASIC不需要取指令和译码，每个时间单位都能专注于数据处理或者传输，大大提高了效能。
直接设计的硬件结构也让数据处理管线真正实现，每一级的处理结果能直接用于下一级的输入，无缝连接。在一定规则下（比如一定芯片面积和布线规则下），并行通道可以最大化叠加。在功耗方面，因为硬件利用的最大化，是所有协处理器里最小的。
如果将协处理器按照性能排行：ASIC > FPAG > GPU。
然而，由于ASIC定制化，导致价格十分高昂，定制的过程漫长，并且功能定制化很难再去更改。
就好比于，大厨今天想做土豆丝，明天土豆片。不好意思，再去定制一台。
AI算法尚处于蓬勃发展、快速迭代的今天，ASIC存在开发周期较长、需要底层硬件编程、灵活性较低等劣势，因此发展速度不及GPU和FPGA。
以目标的发展趋势来看，三者用一句话来概括如下：
GPU：先发制人的“十项全能”选手，云端终端均拔头筹。
FPGA：“变形金刚”，算法未定型前的阶段性最佳选择。
ASIC：“专精职业选手”，专一决定效率，AI芯片未来最佳选择。
（七牛云、阿里云异构实例一览）
FPGA目前由于其优点越发得到AI厂商青睐，有望在这几年承担更多的角色。
在云端主要作为GPU计算性能不足的有效补充存在；同时CPU会“变小”，从14nm，甚至是5nm，但是依旧作为控制中心存在，必不可少。
未来芯片的发展前景取决于生态，有望统一在主流的几个软件框架下，形成云端CPU＋GPU＋FPGA（可选）的多芯片协同场景。
福利
扫描添加小编微信，备注“姓名+公司职位”，加入【云计算学习交流群】，和志同道合的朋友们共同打卡学习！
推荐阅读：
Elastic Jeff Yoshimura：开源正在开启新一轮的创新 | 人物志
深入浅出Docker 镜像 | 技术头条
19岁当老板, 20岁ICO失败, 21岁将项目挂到了eBay, 为何初创公司如此艰难?
码二代的出路是什么？
机器学习萌新必备的三种优化算法 | 选型指南
小程序的侵权“生死局”
@996 程序员，ICU 你真的去不起！
真香，朕在看了！