象学C语言一样学习CUDA
对于高性能并行计算而言，硬件和软件是不可分割的两大支撑。NVIDIA对GPU架构进行了根本性的改变，使其可以用C语言来编程。为了理解CUDA的作用，不妨让我们回到本文开头的那个比方，10个人轮流地向桶中倒水的顺序比较容易控制，而当10个人并行地向桶中倒水时，如何保证效率呢？Sumit Gupta调侃道，“CUDA在GPU多核并行计算中起到的作用就好比是军队里的将军一样，通过它来保证并行高效有序地实现。” 跟CELL、FGPA以及其他GPU相比，CUDA环境支持已经成为NVIDIA GPU计算的一大优势，用户借助CUDA可以更加方便地使用GPU计算。
Sumit Gupta告诉记者，过去并行编程语言只有一两所大学或一两个研究机构在使用，而现在CUDA是全球先进个广泛使用的并行编程环境。CUDA的客户数量已经达到了250家，涉及生命科学、医学设备、工业生产、石油天然气、电子设计自动化、制造、金融、通讯等多个领域。CUDA有英文、中文、日文、韩文和西班牙语等多个版本，支持Linux、Windows、Mac OS等多种操作系统，全球有50多所大学开设了CUDA并行编程课程。清华大学、中科院等也将陆续开通CUDA的教育培训。“也许以后学生要象学C语言一样学习CUDA。”
据了解，开发人员只要用CUDA开发一次程序，就既可以在CPU上运行，也可以在GPU平台中使用。这样，当用户没有用到GPU的时候，就可以在普通电脑上使用。可见，尤其对于新创的小型软件厂商来说，CUDA是一个挑战大ISV的不错机会。
虽然CUDA 1.0发布只有一年的时间，但截止到2008年6月份，CUDA编译器下载量已经达到了10万，CUDA GPU市场保有量也达到了8000万颗。CUDA2.0版本将开始支持多个处理器和多核心。
Sumit Gupta表示，下一步，CUDA会支持FORTRAN和C++，未来还将让两个GPU直接通信而不需要经过CPU，可以进行多核多线程调试，推出GPU群集管理软件等等。
小结：GPU Vs. CPU
Sumit Gupta认为，计算机的发展存在两条路线，一条是多核X86 CPU针对数据库、操作系统等顺序执行的处理架构，另一条是多核GPU的高性能并行计算架构。
由于受到空间、电力、冷却等因素的限制，高性能计算系统从过去的高主频单核X86处理器转向了多核，但多核系统目前也面临着“内核数超过16个以后性能无法随内核数线性扩展”以及并行软件限制等问题，在这一背景下，GPGPU等加速技术的出现，为高性能计算带来了新的希望。于是，我们看到，IBM用12960颗Cell核心和6948颗双核AMD Opteron处理器构建起了全球先进台每秒运算一千万亿次的超级计算机走鹃，AMD在整合ATI之后启动了把CPU和GPU内核集成到一个芯片中去的Fusion计划，英特尔计划明年发布Larrabee处理器进入高端图形市场，NVIDIA Telsa和CUDA更是让人们清晰地看到了GPU进军高性能计算领域的新气象。
Sumit Gupta认为，将CPU和GPU集成在一起的做法对中低端市场会比较有意义，而对于高端市场，大型GPU加上少数CPU的做法会更具优势。而后者，正是NVIDIA目前和未来要拓展的一块全新的业务。
