众所周知，云桌面的架构就是将所有计算集中到中心服务器上，终端只负责与客户交互的部分，这样中心服务器server和客户端client之间通过硬件通道来回传用户的各种交互性数据。比如鼠标通道，键盘通道一般是上行数据通道，把用户在终端上的操作行为上传到server端，而显示通道则是下行数据通道，把server端界面更新命令下传到client端，显示给用户。
很明显，中心的服务器出了要完成各种运算外，还要处理各种与用户终端的交互通道的数据处理，而在这所有的数据通道中，最耗资源的要数显示器的显示通道了，显示数据，如图片，视频，3D等如果用CPU去处理，那简直是一种浪费，所以笔者提出了一种针对显示数据的优化理论，那就是用GPU去分担CPU的任务。
GPU为什么能够分担CPU的任务呢？GPU相对CPU有哪些自己的优势呢？为了更深入理解这一点，我们先讲讲GPU和CPU各自的特点。
GPU+显存其实就是一个计算机，只不过这个计算机是专有计算机，是完成专有计算的，而CPU+主存(内存)架构则是一个通用计算机，是完成通用计算的，为了简化描述，下文我们分别简称为GPU架构和CPU架构
首先，从形式上，指令长度和指令执行周期都有各自的特点，CPU的指令长度的变化区间比较大抛除多媒体指令，指令长度可以是单字节，双字节，四字节等，而GPU的指令就比较规整，一般为某个确定的指令长度，如四字节，八字节等，对于指令周期来说，CPU指令周期也是比较宽泛，单条指令的机器周期变化多端，可以是一个机器周期，两个机器周期，或四个机器周期，而GPU的指令周期则一般变化不大，
CPU架构的指令处理数据的并发度显然没有GPU架构指令处理数据的并发度大，虽然计算机发展到现在，通用计算机依靠指令流水线的方式使得CPU有了一定的并发度，但由于CPU处理的数据的特点(即通用计算)，使得这种并发度一直不高，而GPU显然没有这种瓶颈，GPU处理的数据格式仅仅是图像数据，所以这种并发度可以很高。
指令的复杂度不同，由于CPU执行的是通用计算，要考虑各种功能各种形式的指令，这就造成指令集超级复杂，而GPU不同，GPU执行的是专有计算，指令集的特点就是指令少，指令结构简单。
综上CPU和GPU架构的特点，很容易得出一个结论，那就是专业的人做专业的事，CPU强项是通用计算，那么就让其完成一些流程控制的通用计算任务，而对图像，视频，3D等桌面颜色数据的处理，则交由GPU去完成是比较合适的，尤其是在云桌面系统中，计算集中在中心服务器的前提下选择合适的方法让GPU去分流CPU的计算任务显得尤其重要。
