GPU面临类似的问题

    GPU是另一个例子。跟主流的CPU相比，GPU的原始浮点性能要强劲得多。比如，3GHz的奔腾4运算能力大约为6GFLOP（10亿次浮点运算每秒），Woodcrest最高可达24GFLOP，四路双核安腾2系统运算速度可达45GFLOP。而GPU要领先的多，比如ATI高端的X1950 XTX处理器运算速度为375GFLOP，双显卡模式达到750GFLOP，相当于31个Xeon 5100处理器；Nvidia的Geforce 7950 GX2双GPU显卡也能达到384GFLOP。

GPU与CPU之间的性能对比

    当然，浮点性能只是一方面，GPU要完全取代CPU还有很大的距离。GPU可以在部分急需数学计算的领域表现出色，但是GPU内部缓存远小于CPU，因此，CPU可以存储预测和非预测指令，GPU则无法做到。AMD和NVIDIA都在准备新一代GPGPU产品，分别基于R600和G80，NVIDIA将G80用于GPU计算，AMD将R600用于流计算，这种产品在PCB上集成尽可能多的内存，而输出接口只有1个DVI。NVIDIA有可能在Computex 2007大会上发布GPGPU版的G80产品，同时发布正式版的CUDA SDK以配合GPGPU版的G80。

    而且，GPU也面临跟CELL类似的浮点运算局限性。如果NVIDIA和AMD想将GPU成功引入科学计算市场，它们就必须就相应设备的浮点问题做出某些决定。当前，这二者都无法提供任何双精度硬件（double precision hardware），IEEE 754兼容性问题也还没有得到完全解决。然而，NVIDIA最新的G80设备已经开始支持rounding modes、overflow和NaN。

    这里的问题是，为了支持GPU的科学浮点运算性能，NVIDIA和AMD在改进GPU架构方面会走多远？另外，GPU工程师还不得不考虑内存纠错、低功耗等方面的问题，以提供更强壮的HPC方案。

    综上所述，随着多核时代的到来，为了平衡应用需求和硬件性能之间的紧张关系，英特尔、IBM、AMD、NVIDIA等芯片厂商已经开始做更多的工作——编译器、接口库、软件工具等等，甚至通过GPU和CELL等“另类”的方法来提供HPC应用加速技术。一些软件厂商如PeakStream和RapidMind等，也企图借机填补多核硬件与并行软件之间的巨大鸿沟。