【IT168 专稿】GPU（图形处理器）正在高性能计算领域掀起一股新风：GPGPU计算。

    GPGPU计算是一种异构模式，由CPU负责执行顺序型的代码，如操作系统、数据库等应用，而由GPU来负责密集的并行计算。打个比方说，假设让10个人把各自塑料瓶子的水倒入一个大桶中，CPU的做法是让这10个人按着顺序一个一个往里面倒，而GPU的做法则是在设定好一定规则的前提下让10个人同时或分组往里面倒。因此，在高性能计算领域，可以把CPU服务器和GPU服务器结合起来，构成一个混合型的集群，各司其职，会大大提高集群系统的总体计算效能。

    7月25日，NVIDIA在北京举办了一场小规模的媒体专访，其Tesla GPU 计算事业部高级产品经理Sumit Gupta首次向中国媒体系统、全面地介绍了NVIDIA的Tesla GPU计算机和专门针对GPU的C语言开发工具CUDA。

个人桌面型超级计算机不再是梦想

    传统上，人们一提及超级计算机，往往想到的是机房里整柜整柜的宏然大物。但你是否知道，如果用GPU来构建，你甚至可以把原来超级计算机要做的事浓缩到一个普通的台式工作站或机架服务器中去呢？因为目前的X86处理器只集成了4个内核，而GPU已经拥有数以百计的内核，在高密度并行计算方面拥有得天独厚的优势。

    据Sumit Gupta介绍，相对于传统的服务器集群，GPU超级计算机在性价比、占地空间、功耗等方面的优势非常明显。他举了一个“台式GPU超级计算机击败服务器集群”的例子：某大学原来用的超级计算机有512颗处理器核，构建成本是530万美元，而且这套超级计算机是由全校共同来使用；而如果换成一台拥有8个GPU的台式机（9800GX2），性能相当，而成本只有7000美元，而且可以为每个研究人员在桌边配备一台。

    “每个人都可以拥有自己的桌面超级计算机，而不是大家来共享一台大型的超级计算机。这不是简单的芯片的性能提升，而是带来了一种全新的、具有革命性的计算模式。” Sumit Gupta在访谈中多次强调了这一点。

    在许多领域，GPU计算甚至超过了传统的计算机，让许多原来无法解决的问题现在可以通过GPU计算机来轻松实现。比如，针对新型流行性疾病如非典\禽流感等，人们总是希望新药物研制的时间越短越好；在天气预报方面，人们希望预报的精度和准确度越高越好；在金融股票价格分析方面，人们在决定买卖股票时总是希望越快越好。GPU计算的出现，使得超级计算机在挑战这些领域极限方面又进了一步。比如，美国国家癌症研究所通过GPU计算将模拟速度提升了12倍，等待结果的时间从原来的2个小时缩短到了10分钟；美国国家大气研究中心的气象研究和预报模型（WRF）尽管仅仅将1%通过CUDA来实现，但其总体速度却提升了20%，节省了一个星期的分析时间；在评估整个美国期权市场时，Hanweck原来计划用价值26.2万美元的600 CPU集群来处理，而实际采用三台nvidia Telsa S870后，机架空间节省了9倍，硬件成本节省了6倍。这就是GPU加速带来的魅力！

    在国内，也有一些机构正在从GPU计算中获得好处。清华大学微电子学研究所的邓仰东副教授已经成功实现了“基于CUDA的电子设计自动化（EDA）并行计算”。

    他告诉记者，由于现在大规模集成电路芯片中的晶体管数量越来越多，动辄数以亿计，结构越来越复杂，加上昂贵的制造成本，在设计集成电路时必须用到EDA软件来进行模拟计算。但单核CPU的性能已经饱和，虽然通过多核CPU可以重复使用以前的代码，但也面临一些问题，如为保持数据一致性的数据锁会导致性能下降，在计算结果上会排除优秀的解决方案等等。“多核CPU只取得了有限的成功，到了10核以上，加速比就无法再提高，而在GPU平台上使用CUDA，可以让EDA从粗粒度、任务级的并行转向细粒度、数据级的并行。”

    据介绍，在使用CUDA后，项目组在静态时序分析上实现了80倍的加速比，全芯片STA从CPU所需要的1小时缩短了用GPU的1分钟，意味着可以实时得到结果，尝试更多设计；在故障仿真上实现了200倍的加速比，让原来CPU一周的工作量缩短到了GPU的一个小时，原来需要用一套集群来模拟，现在只需要一块GPU卡；在电路布局方面也取得了3倍的加速比，从而允许每天可以多做1-2次优化。邓仰东表示，后续还会用CUDA来实现EDA更多流程的并行化。

    Sumit Gupta还介绍了GPU计算在消费电子领域的应用，如为了把一段影片转换成iPod可以播放的格式，原来在普通电脑上可能需要15分钟，而用GPU只需要1分半钟。另外，在照片编辑、人脸识别、电子游戏等方面GPU计算也大有可为。很多原来需要用到集群超级计算机来完成的任务，现在用一台GPU电脑就可以实现了。