GPU應(yīng)用因AI開始有了截然不同的新轉(zhuǎn)變，不只讓一些支援高度平行運(yùn)算應(yīng)用的高階GPU相繼問世，現(xiàn)在連整套GPU深度學(xué)習(xí)專用服務(wù)器也搶灘登陸，要助企業(yè)加快AI應(yīng)用。

　　AI人工智慧、虛擬/擴(kuò)增實(shí)境（VR/AR）與自動(dòng)駕駛技術(shù)，在過去一年引起很高的市場關(guān)注，而一舉躍升成為當(dāng)前最火紅的熱門話題，特別是以深度學(xué)習(xí)（Deep Learning）為首的AI應(yīng)用，過去幾個(gè)月來，因?yàn)镚oogle的AI電腦AlphaGo接連大敗歐洲和南韓國圍棋棋王，更在全世界吹起一股AI風(fēng)潮，使得現(xiàn)在不只有大型科技或網(wǎng)路公司要大力投資AI，就連各國政府也都要砸重金扶植AI產(chǎn)業(yè)。

　　目前一些大型科技或網(wǎng)路業(yè)者，例如Google、Facebook、亞馬遜AWS、IBM、微軟與百度等，都陸續(xù)已在云端服務(wù)中融入AI服務(wù)，做為電腦視覺、語音辨識和機(jī)器人等服務(wù)用途，甚至，也開始有越來越多規(guī)模較小的新創(chuàng)或網(wǎng)路公司，如Api.ai、Drive. ai、Clarifai與MetaMind等，打算將AI開始應(yīng)用在各行各業(yè)的領(lǐng)域上。

　　GPU開始在AI應(yīng)用逐漸嶄露頭角

　　然而，決定這些AI服務(wù)能不能獲得更好發(fā)揮的關(guān)鍵，不只得靠機(jī)器學(xué)習(xí)的幫忙，甚至得借助深度學(xué)習(xí)的類神經(jīng)演算法，才能加深A(yù)I未來的應(yīng)用。這也使得近年來，GPU開始在一些AI應(yīng)用當(dāng)中逐漸嶄露頭角。這是因?yàn)椴徽撌茿I、VR/AR，還是自動(dòng)駕駛技術(shù)的應(yīng)用，雖然各有不同用途，但他們普遍都有一個(gè)共同的特色，都是需要大量平行運(yùn)算（Parallel Computing）的能力，才能當(dāng)作深度學(xué)習(xí)訓(xùn)練模型使用，或者是將圖形繪制更貼近真實(shí)呈現(xiàn)。

　　所謂的平行運(yùn)算泛指的是將大量且密集的運(yùn)算問題，切割成一個(gè)個(gè)小的運(yùn)算公式，而在同時(shí)間內(nèi)并行完成計(jì)算的一種運(yùn)算類型。而GPU則是最能夠?qū)⑵叫羞\(yùn)算發(fā)揮到極致的一大關(guān)鍵，這是因?yàn)镚PU在晶片架構(gòu)上，原本就被設(shè)計(jì)成適合以分散式運(yùn)算的方式，來加速完成大量且單調(diào)式的計(jì)算工作，例如圖形渲染等。所以，過去像是高細(xì)膩電玩畫面所需的大量圖形運(yùn)算，就成為了GPU最先被廣為運(yùn)用的領(lǐng)域，現(xiàn)在，VR/AR則是進(jìn)一步打算將原本就擅于繪圖運(yùn)算的GPU發(fā)揮得更淋漓盡致，來呈現(xiàn)出高臨場感的3D虛擬實(shí)境體驗(yàn)。

　　當(dāng)然在游戲繪圖運(yùn)算外，后來GPU也被拿來運(yùn)用在需要大量同質(zhì)計(jì)算的科學(xué)研究中使用。甚至近年來，GPU也開始因?yàn)樯疃葘W(xué)習(xí)的關(guān)系，而在一些AI應(yīng)用當(dāng)中擔(dān)任重要角色。

　　深度學(xué)習(xí)其實(shí)是機(jī)器學(xué)習(xí)類神經(jīng)網(wǎng)路的其中一個(gè)分支，深度學(xué)習(xí)本身是由很多小的數(shù)學(xué)元件組合成一個(gè)復(fù)雜模型，就像是腦神經(jīng)網(wǎng)路一般，可以建構(gòu)出多層次的神經(jīng)網(wǎng)路模型，來分別處理不同層次的運(yùn)算工作，這些神經(jīng)網(wǎng)路本身并不做判斷，只重覆相同計(jì)算工作，使得GPU在深度學(xué)習(xí)方面可以獲得很好的發(fā)揮，而隨著網(wǎng)路、云端和硬體技術(shù)成熟所帶來巨量的資料，也造就了現(xiàn)在所需完成訓(xùn)練的深度學(xué)習(xí)模型，比起以前更需要大量高階GPU的平行運(yùn)算能力，才足以應(yīng)付得了。

　　GPU平行運(yùn)算性價(jià)比贏過CPU

　　因?yàn)锳I、VR/AR與自駕車應(yīng)用需求提高后，也促使GPU重要性與日俱增，甚至為了因應(yīng)深度學(xué)習(xí)與AI應(yīng)用趨勢，新世代GPU反而希望盡可能在晶片中裝入了更多電晶體和核心數(shù)，來提高大量同性質(zhì)的資料計(jì)算能力。若是以Nvidia新的Tesla P100系列的GPU加速器產(chǎn)品來舉例說明的話，在這個(gè)GPU加速器內(nèi)總共裝有3，584個(gè)CUDA核心數(shù)（單精度條件下），其內(nèi)含的電晶體數(shù)更一舉超過了150億顆，數(shù)量幾乎是前一代Tesla M40 GPU的翻倍，在雙精度條件下的浮點(diǎn)運(yùn)算能力，更高達(dá)有5.3 TFLOPs。

　　當(dāng)然GPU之外，CPU本身也具有計(jì)算處理的能力，不過在處理平行運(yùn)算時(shí)，***大學(xué)資工系副教授洪士灝認(rèn)為，GPU的CP值（性價(jià)比）比CPU還要高。這是因?yàn)镚PU原本就擅長處理大量高同質(zhì)性的資料計(jì)算工作，而CPU則擅于通用型任務(wù)的資料處理，所以對于一些需要大量單調(diào)式運(yùn)算工作的應(yīng)用，就很適合使用GPU來執(zhí)行，例如利用深度學(xué)習(xí)神經(jīng)網(wǎng)路訓(xùn)練模型來實(shí)現(xiàn)AI應(yīng)用，或者是用繪圖運(yùn)算呈現(xiàn)VR/AR所需的高細(xì)膩畫面，都很適合用GPU的方式來進(jìn)行計(jì)算。

　　另外從Nvidia官方所公布的一份CUDA C Programming Guide設(shè)計(jì)指南中也揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點(diǎn)運(yùn)算（Floating-Point Operations Per Second，F(xiàn)LOPS）發(fā)展的比較差異。整體來看，GPU與CPU發(fā)展越到后期，兩者在浮點(diǎn)運(yùn)算處理能力的差距，有逐漸被拉大的趨勢，這是因?yàn)樵降胶竺娌磐瞥龅男驴頖PU，更加強(qiáng)調(diào)浮點(diǎn)運(yùn)算的重要性，而盡可能要提高GPU浮點(diǎn)運(yùn)算的處理能力。所以，現(xiàn)在許多超級電腦內(nèi)都有使用GPU，來大幅提高浮點(diǎn)運(yùn)算的實(shí)力。

　　從Nvidia官方所公布的一份CUDA C Programming Guide設(shè)計(jì)指南中也部分揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點(diǎn)運(yùn)算發(fā)展的比較差異。

　　整體來看，GPU與CPU發(fā)展越到后期，兩者在浮點(diǎn)運(yùn)算處理能力的差距，有逐漸被拉大的趨勢，這是因?yàn)樵降胶竺娌磐瞥龅男驴頖PU，更加強(qiáng)了浮點(diǎn)運(yùn)算的能力。