未来 GPU 在计算机领域的地位会越来越重吗？

谢邀，尤其是谢匹黄老师邀，诚惶诚恐。

我并不是做机器学习领域的，只能从GPU的角度来简单解释一下：

1 -

首先经过Nvidia十多年的辛勤耕耘，General-Purposed GPU的市场领域已经大致成型了。GPU计算密度高，片上带宽大，延迟高，异构节点（或者可以做到高成本的同构节点），控制能力薄弱，基本上就是70年代并行向量处理器的小型化。

CUDA到今天比较成功的局面，是很多因素共同作用的结果：

• 图形领域的计算通用化趋势：没有这个先决条件，GPU就不会往通用方向迈出第一步，不会走到今天，很可能我们今天使用的是类似于CELL这样的 PPU / SPU 结构；
• CPU发展速度的放慢：CPU是GPU在运算密集类应用领域的最大对手。如果CPU在任何有利于并行处理的方案上有所突破，例如超长向量、多路SIMD机、甚至VLIW，那可能也没GPU什么机会了；
  
• 大面积芯片成本下降和良率稳定：今日GPU的芯片面积已经赶超CPU了，面积越大良品率也比较难以维持；
  
• 可并行数值运算规模的指数增长：比如视频分析，金融分析，图像处理和识别，这些都是天然并行、并且运算量爆棚的内容。没有这些内容，GPU运算能力再高也无用武之地，这可能也是多年前向量机暴死的因素之一；
• 新算法的发展：新算法将一些传统上可能不利于并行化的算法，强行的弄成了可以并行的，比如Deep Learning。

这些都是GPU能够在密集计算领域逐渐重要起来、并且达到现在这个地位的关键因素。
但是，如果脱离了这些因素之后，比如传统的业务逻辑处理、数据库查询，以及大量无法并行化、数值化的领域，GPU与生俱来的劣势就决定了它不能在这些地方更进一步。
因此，从这个角度来说，GP-GPU已经到达了他们在CS领域的顶峰 所有可并行数值计算领域，它已经是第一方案了，而不再是替代性或实验性方案。

2 -

对于AI领域，我从 @grapeot 那得到一句口传：The only way to make a true AI is ML.
不过传统的机器学习或者统计方案，比如分类树啦，线性回归啦，还有一些文本挖掘算法，其实都不太适合GPU去做，要么逻辑过多，要么前后依赖性强无法并行，要么数据-计算比太高IO背了锅。
但是DL，一些语音识别算法，一些图像处理算法，这些可并行，且要反复迭代收敛的东西，通常都是GPU相对擅长的领域。

题主还提到了无人驾驶汽车的视觉识别。无人驾驶汽车的视觉识别是个安全关键的、硬实时的任务，现有的专门为大数据量处理而做的GPU还做不到这一点。也正因为这个原因，再加上车载芯片成本不是关键因素，因此以后这个领域是ASIC，还是FPGA，还是改进后GPU，或者是它们某种程度的混合，目前还不好说，取决于各家厂商的角力。

3 -

考虑到网络延迟、带宽和不稳定性问题，目前云渲染还是一个异端。这点 @叛逆者 也说了。当然现在很多云都可以有GPU，但是他们往往不是为了图形，而是为了运行在云上的通用计算程序服务的。

　　　　　　　　　　　　　 查看评论 回复