GPU与CPU计算的不同
记者：Tesla基于NVIDIA CUDA，该技术最显著的特点就是能够利用GPU的并行计算能力，在大规模、高带宽计算中有着极大的优势。 但是，面对串行计算密集型任务，Tesla是否有解决办法呢？
Andy：GPU及其内部的CUDA架构是专为并行计算而设计的。
串行计算是一种有很大区别的架构，这种架构的设计目的是为了解决不同的问题。CPU执行指令的方式就是一个接着另一个地执行。CPU中有许多能够加速串行计算的技术。高速缓存、无次序执行、超标量技术、分支预测……均为抽取指令的技术或一系列指令的串行级并行机制。CPU对片上高速缓存的设计与容量的依赖也非常大。如果程序大小与CPU高速缓存容量不匹配，那么该程序在CPU上的运行速度将会很慢。
GPU内部的并行计算架构围绕两个基本概念而设计。首先，程序中的数据可分成许多个部分，而为数众多的核群可以并行地处理这些数据。第二个架构方面的设想是，数据将不与高速缓存匹配。例如在图形计算或石油天然气数据处理上，数据量可能会达到兆字节甚至是太字节，用高速缓存来容纳如此巨大的数据量几乎是不切实际的。考虑到这两点设想，GPU被设计为能够使用数以千计的线程，所有线程均并行地执行，能够访问巨大容量的本地存储器。在最新的Tesla产品中，每颗GPU均配备4GB存储器，可容纳待执行的数据。同时针对反复使用的数据，还设有较小的片上存储空间，GPU所配备的巨大容量存储器等同于CPU内部的高速缓存，只是容量大了许多倍而已。
