一，CPU和GPU
1、概念区分
CPU，全称central processing unit，即中央处理器，是一台计算机的运算核心和控制核心， 主要是负责多任务管理、调度，它是领导者，负责指挥。
GPU，全称Graphic Processing Unit，即图像处理单元，是显卡上的核心处理芯片，主要是用于大量的重复计算。一个GPU具有数千个计算核心，可以有效地并行处理工作负载。GPU不等于显卡，显卡是由GPU、显存、供电模块等组成的。
2、CPU和GPU对比
CPU和GPU由于设计目标不同，它们分别针对了两种不同的应用场景。具体区别参考：
CPU主要是负责多任务管理、调度，它是领导者，负责指挥。CPU擅长逻辑控制、串行运算和通用类型数据运算。
GPU是专为执行复杂的数学和几何计算而设计的，在大量的重复计算、处理图形渲染场景，性能优于CPU。
GPU是一种专用的单用途处理器，设计用途单一，GPU内核要比CPU内核小得多，GPU有成千上万的专用内核，特别适合于处理数据并行计算的问题，算力惊人。擅长大规模并行计算，适用于一些计算量很大，但又没什么技术含量的重复计算应用场景，这些计算任务可拆分，任务之间没有依赖性，互相独立，例如挖矿和很多图形学的计算。这些计算可以分解为多个相同的简单小任务。
CPU可以理解为全栈工程师，也可以下基层干活，但更适合当领导来指挥；
GPU可以理解为搬砖的程序员，人多势众，咱们工人有力量。
二、why use GPU
1、大规模并行设计；
2、只作为加速卡扩展到现有系统中，并不会取代系统cpu；
3、代码设计有很多高并发操作；
三、why not use GPU
1、固定显存大小GPU，不可升级或配置；显存不足了尴尬。
2、电源大功率的需求；
3、仍然需要主机服务器和cpu来操作；
4、需要专门的开发工具，没有运行标准的x86代码： 开发工具单一，例如cuda，只支持NVIDIA卡，不支持其它GPU。
5、代码设计可能很难进行并行运算。
6、应用场景不适合。 当前大多应用程序的瓶颈都在I/O处理上，不需要太高的运算处理性能，例如，大多数互联网公司为缓解业务压力，都是部署集群模式，瓶颈多在硬盘读写和网络通信上。不适用于数据密集型和I/O密集型系统。
7、贵。
四、GPU使用场景：
1、AI深度学习
深度学习训练和推理在线服务、图像识别、图像内容鉴别、语音识别。
2、视频处理
大规模高清视频转码、4K/8K高清直播、多人视频会议、片源修复
3、科学计算
影视渲染制作、碰撞模拟、计算金融、基因工程、气象预测
4、图形可视化
工程设计、非线性编辑、远程教育应用、3D展示
五、Thinking
多核cpu和多核gpu的出现意味着主流处理器芯片现在是并行系统。此外，它们的并行性继续按照摩尔定律进行扩展。
真正的挑战在于开发能够透明地扩展并行性的应用软件，以利用不断增加的处理器内核数量，就像3D图形应用程序透明地将并行性扩展到具有大量不同内核数量的多核gpu一样。
GPU是垂直领域的一颗星。文本时代正在向语音时代和视频时代过渡，至少在ToC方向，GPU还是很有前景的。
