GPU 加速计算能够给大家提供非凡的应用程序性能，能将应用程序计算密集部分的工作负载转移到 GPU，同时仍由 CPU 运行其余程序代码。
理解 GPU 和 CPU 之间区别的一种简单方式是比较它们怎么样处理任务。
CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计得更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构。
谈及GPU在高性能计算方面的优势，就会自然联想到GPU诞生的经典问题：“为什么需要专门出现GPU来处理图形工作，CPU为啥不可以？”
为满足各位迫切的求知心，在此结论先行：图形渲染任务具有高度的并行性，GPU可以仅仅通过增加并行处理单元和存储器控制单元，便可取得比CPU更高效的解决能力和存储器带宽，提高一个数量级的运算速度。
追溯到GPU还没有发明的年代，中央处理器CPU作为整个计算机系统的运算和控制的核心，是整个数据处理的最根本的部件。
GPU的工作通俗的来说就是完成3D图形的生成，将图形映射到相应的像素点上，对每个像素进行计算确定最终颜色并完成输出，大体上分为顶点处理、光栅化计算、纹理贴图、像素处理、输出五个步骤。
CPU基于低延时设计，由运算器（ALU）和控制器（CU），以及若干个寄存器和高速缓冲存储器组成，功能模块较多，擅长逻辑控制，串行运算。
GPU基于大吞吐量设计，拥有更多的ALU用于数据处理，适合对密集数据来进行并行处理，擅长大规模并发计算，因此GPU也被应用于AI训练等需要大规模并发计算场景。
独立GPU一般封装在独立的显卡电路板上，使用专用的显示存储器，独立显卡性能由GPU性能与显存带宽共同决定。
集成GPU常和CPU共用一个Die，共享系统内存。集成GPU的制作由CPU厂家完成，因此兼容性较强，并且功耗低、发热量小。
但如果显卡运行需要占用大量内存，总系统运行会受限，此外系统内存的频率通常比独立显卡的显存低很多，因此一般集成GPU的性能比独立GPU更低。
GPU拥有单一的强大并行计算能力，所以用途往往是需要大规模并行计算的场景。
早期GPU多被用于2D和3D图形的计算和处理，因为图形数据的处理往往涉及到大量的大型矩阵运算，计算量大但易于并行化。
近年由于大数据、AI发展，GPU也常常被用于需要大量重复计算的数据挖掘领域，如机器学习，深度学习等。
其中服务器GPU可做专业图形处理、计算加速、深度学习等应用，以独立GPU为主；移动端GPU主要是采用集成GPU；PC依据使用用途不同，既可以搭载独立GPU，也能够正常的使用集成GPU。
对话Imagination中国区董事长：以GPU为支点加强软硬件协同，助力数字化转型
Imagination Technologies是一家总部在英国的公司，致力于研发芯片和软件知识产权（IP），基于Imagination IP的产品已在全球数十亿人的电话、汽车、家庭和工作 场所中使用。获取更多物联网、智能穿戴、通信、汽车电子、图形图像开发等前沿技术信息，欢迎关注 Imagination Tech！返回搜狐，查看更加多
