มีการใช้ GPU มากขึ้นสำหรับงานที่ไม่ใช่กราฟิกเช่นการคำนวณความเสี่ยงการคำนวณพลศาสตร์ของไหลและการวิเคราะห์แผ่นดินไหว อะไรคือสิ่งที่จะหยุดเราจากการนำอุปกรณ์ที่ใช้ GPU มาใช้
เซสชันคำถามและคำตอบของวันนี้มาถึงเราโดยได้รับความอนุเคราะห์จาก SuperUser ซึ่งเป็นแผนกย่อยของ Stack Exchange ซึ่งเป็นการรวมกลุ่มเว็บไซต์ถาม & ตอบในชุมชน
คำถาม
ผู้อ่าน SuperUser Ell ติดตามข่าวสารเทคโนโลยีและอยากรู้ว่าทำไมเราถึงไม่ใช้ระบบที่ใช้ GPU มากกว่านี้:
สำหรับฉันแล้วดูเหมือนว่าทุกวันนี้จะมีการคำนวณจำนวนมากบน GPU เห็นได้ชัดว่ามีการทำกราฟิกที่นั่น แต่ใช้ CUDA และอื่น ๆ เช่น AI อัลกอริทึมการแฮช (คิดว่า Bitcoins) และอื่น ๆ ก็ทำบน GPU เช่นกัน ทำไมเราไม่สามารถกำจัด CPU และใช้ GPU ได้ด้วยตัวเอง? อะไรทำให้ GPU เร็วกว่า CPU มาก?
ทำไม? อะไรทำให้ CPU มีเอกลักษณ์
คำตอบ
ผู้สนับสนุน SuperUser DragonLord นำเสนอภาพรวมที่รองรับอย่างดีเกี่ยวกับความแตกต่างระหว่าง GPU และ CPU:
TL; DR คำตอบ: GPU มีแกนประมวลผลมากกว่าซีพียู แต่เนื่องจาก GPU แต่ละคอร์ทำงานช้ากว่าแกน CPU อย่างมากและไม่มีคุณสมบัติที่จำเป็นสำหรับระบบปฏิบัติการสมัยใหม่จึงไม่เหมาะสำหรับการประมวลผลส่วนใหญ่ในการประมวลผลในชีวิตประจำวัน เหมาะที่สุดสำหรับการดำเนินการที่ต้องใช้การคำนวณเช่นการประมวลผลวิดีโอและการจำลองทางฟิสิกส์
คำตอบโดยละเอียด: GPGPU ยังคงเป็นแนวคิดที่ค่อนข้างใหม่ เริ่มแรกใช้ GPU สำหรับการแสดงผลกราฟิกเท่านั้น เนื่องจากเทคโนโลยีก้าวหน้าจำนวนคอร์จำนวนมากใน GPU ที่สัมพันธ์กับซีพียูถูกใช้ประโยชน์จากการพัฒนาความสามารถในการคำนวณสำหรับ GPU เพื่อให้สามารถประมวลผลสตรีมข้อมูลแบบขนานจำนวนมากพร้อมกันได้ไม่ว่าข้อมูลนั้นจะเป็นอย่างไร ในขณะที่ GPU สามารถมีโปรเซสเซอร์สตรีมได้หลายร้อยหรือหลายพันตัว แต่แต่ละตัวทำงานช้ากว่า CPU core และมีคุณสมบัติน้อยกว่า (แม้ว่าจะเป็น ทัวริงสมบูรณ์ และสามารถตั้งโปรแกรมให้รันโปรแกรมใด ๆ ที่ CPU สามารถรันได้) คุณลักษณะที่ขาดหายไปจาก GPU ได้แก่ อินเทอร์รัปต์และหน่วยความจำเสมือนซึ่งจำเป็นในการติดตั้งระบบปฏิบัติการที่ทันสมัย
กล่าวอีกนัยหนึ่งซีพียูและ GPU มีสถาปัตยกรรมที่แตกต่างกันอย่างมีนัยสำคัญซึ่งทำให้เหมาะกับงานต่างๆ GPU สามารถจัดการข้อมูลจำนวนมากในหลายสตรีมโดยดำเนินการที่ค่อนข้างง่ายกับข้อมูลเหล่านี้ แต่ไม่เหมาะสำหรับการประมวลผลที่หนักหน่วงหรือซับซ้อนในสตรีมข้อมูลเดียวหรือไม่กี่สตรีม ซีพียูเร็วขึ้นมากในแต่ละคอร์ (ในแง่ของคำสั่งต่อวินาที) และสามารถดำเนินการที่ซับซ้อนกับสตรีมข้อมูลเดียวหรือสองสามสตรีมได้ง่ายขึ้น แต่ไม่สามารถจัดการสตรีมจำนวนมากพร้อมกันได้อย่างมีประสิทธิภาพ
ด้วยเหตุนี้ GPU จึงไม่เหมาะที่จะจัดการกับงานที่ไม่ได้รับประโยชน์อย่างมีนัยสำคัญหรือไม่สามารถขนานกันได้รวมถึงแอพพลิเคชั่นสำหรับผู้บริโภคทั่วไปเช่นโปรเซสเซอร์คำ นอกจากนี้ GPU ยังใช้สถาปัตยกรรมที่แตกต่างกันโดยพื้นฐาน เราจะต้องตั้งโปรแกรมแอปพลิเคชันเฉพาะสำหรับ GPU เพื่อให้ทำงานได้และต้องใช้เทคนิคที่แตกต่างกันอย่างมากในการเขียนโปรแกรม GPU เทคนิคที่แตกต่างกันเหล่านี้ ได้แก่ ภาษาโปรแกรมใหม่การปรับเปลี่ยนภาษาที่มีอยู่และกระบวนทัศน์การเขียนโปรแกรมใหม่ที่เหมาะสมกว่าในการแสดงการคำนวณเป็นการดำเนินการแบบขนานที่โปรเซสเซอร์สตรีมหลายตัวดำเนินการ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเทคนิคที่จำเป็นในการเขียนโปรแกรม GPU โปรดดูบทความ Wikipedia ใน การประมวลผลสตรีม และ คอมพิวเตอร์คู่ขนาน .
GPU สมัยใหม่มีความสามารถในการดำเนินการเวกเตอร์และเลขคณิตทศนิยมโดยการ์ดรุ่นล่าสุดสามารถจัดการกับตัวเลขทศนิยมที่มีความแม่นยำสองเท่า เฟรมเวิร์กเช่น CUDA และ OpenCL ช่วยให้สามารถเขียนโปรแกรมสำหรับ GPU ได้และลักษณะของ GPU ทำให้เหมาะสมที่สุดกับการทำงานที่ขนานกันได้สูงเช่นในการคำนวณทางวิทยาศาสตร์ซึ่งชุดการ์ดประมวลผล GPU เฉพาะสามารถทดแทนขนาดเล็กได้ คลัสเตอร์คำนวณเช่นเดียวกับใน ซูเปอร์คอมพิวเตอร์ส่วนบุคคล NVIDIA Tesla . ผู้บริโภคที่มี GPU สมัยใหม่ที่มีประสบการณ์กับ Folding @ home สามารถใช้เพื่อร่วมให้ข้อมูลได้ ไคลเอนต์ GPU ซึ่งสามารถทำการจำลองการพับโปรตีนด้วยความเร็วสูงมากและมีส่วนช่วยในโครงการมากขึ้น (อย่าลืมอ่านไฟล์ คำถามที่พบบ่อย อันดับแรกโดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับ GPU) GPU ยังสามารถเปิดใช้งานการจำลองทางฟิสิกส์ที่ดีขึ้นในวิดีโอเกมโดยใช้ PhysX เร่งการเข้ารหัสและถอดรหัสวิดีโอและทำงานอื่น ๆ ที่ต้องใช้คอมพิวเตอร์ เป็นงานประเภทนี้ที่ GPU เหมาะสมกับการทำงานมากที่สุด
AMD กำลังบุกเบิกการออกแบบโปรเซสเซอร์ที่เรียกว่า หน่วยประมวลผลแบบเร่ง (APU) ซึ่งรวมแกน x86 CPU ทั่วไปเข้ากับ GPU ซึ่งอาจทำให้ส่วนประกอบของ CPU และ GPU ทำงานร่วมกันและปรับปรุงประสิทธิภาพในระบบที่มีพื้นที่ จำกัด สำหรับส่วนประกอบแยกกัน ในขณะที่เทคโนโลยีก้าวหน้าไปเรื่อย ๆ เราจะเห็นการบรรจบกันของชิ้นส่วนที่แยกจากกันเหล่านี้เพิ่มมากขึ้น อย่างไรก็ตามงานหลายอย่างที่ดำเนินการโดยระบบปฏิบัติการพีซีและแอพพลิเคชั่นยังคงเหมาะกับซีพียูมากกว่าและจำเป็นต้องทำงานมากในการเร่งโปรแกรมโดยใช้ GPU เนื่องจากซอฟต์แวร์ที่มีอยู่จำนวนมากใช้สถาปัตยกรรม x86 และเนื่องจาก GPU ต้องใช้เทคนิคการเขียนโปรแกรมที่แตกต่างกันและขาดคุณสมบัติสำคัญหลายประการที่จำเป็นสำหรับระบบปฏิบัติการการเปลี่ยนจาก CPU ไปเป็น GPU สำหรับการประมวลผลในชีวิตประจำวันโดยทั่วไปจึงเป็นเรื่องยากมาก
มีสิ่งที่จะเพิ่มคำอธิบาย? ปิดเสียงในความคิดเห็น ต้องการอ่านคำตอบเพิ่มเติมจากผู้ใช้ Stack Exchange ที่เชี่ยวชาญด้านเทคโนโลยีคนอื่น ๆ หรือไม่? ดูกระทู้สนทนาฉบับเต็มได้ที่นี่ .
