在北京舉辦的NVIDIA GTC China會議中，無論是AI智能運算，還是服務器數據中心、智能城市，甚至還有去年很火熱但是已經很多人已經支撐不下去的虛擬現實，看起來在很多內心中依然是屬于圖形行業代表的NVIDIA已經變得越來越豐滿，不過在這些新聞的背后，似乎還有更大膽的預言：摩爾定律已死，GPU最終會取代CPU。

摩爾定律是由英特爾（Intel）創始人之一戈登·摩爾（Gordon Moore）提出來的。其內容為：當價格不變時，集成電路上可容納的元器件的數目，約每隔18-24個月便會增加一倍，性能也將提升一倍。換言之，每一美元所能買到的電腦性能，將每隔18-24個月翻一倍以上。這一定律揭示了信息技術進步的速度。

概要：CPU和GPU之所以大不相同，是由于其設計目標的不同，它們分別針對了兩種不同的應用場景。

盡管這種趨勢已經持續了超過半個世紀，摩爾定律仍應該被認為是觀測或推測，而不是一個物理或自然法。然而，2010年國際半導體技術發展路線圖的更新增長已經放緩在2013年年底，之后的時間里晶體管數量密度預計只會每三年翻一番。

CPU和GPU之所以大不相同，是由于其設計目標的不同，它們分別針對了兩種不同的應用場景。CPU需要很強的通用性來處理各種不同的數據類型，同時又要邏輯判斷又會引入大量的分支跳轉和中斷的處理。這些都使得CPU的內部結構異常復雜。而GPU面對的則是類型高度統一的、相互無依賴的大規模數據和不需要被打斷的純凈的計算環境。于是CPU和GPU就呈現出非常不同的架構。

GPU采用了數量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯并省去了Cache。而CPU不僅被Cache占據了大量空間，而且還有有復雜的控制邏輯和諸多優化電路，相比之下計算能力只是CPU很小的一部分

從上圖可以看出：Cache, local memory： CPU > GPU Threads(線程數): GPU > CPURegisters: GPU > CPU 多寄存器可以支持非常多的Thread，Thread需要用到register，Thread數目大，register也必須得跟著很大才行。SIMD Unit(單指令多數據流,以同步方式，在同一時間內執行同一條指令): GPU > CPU。 CPU 基于低延時的設計：

CPU有強大的ALU（算術運算單元），它可以在很少的時鐘周期內完成算術計算。當今的CPU可以達到64bit 雙精度。執行雙精度浮點源算的加法和乘法只需要1～3個時鐘周期。CPU的時鐘周期的頻率是非常高的，達到1.532～3gigahertz(千兆HZ, 10的9次方)，大的緩存也可以降低延時。保存很多的數據放在緩存里面，當需要訪問的這些數據，只要在之前訪問過的，如今直接在緩存里面取即可。復雜的邏輯控制單元。當程序含有多個分支的時候，它通過提供分支預測的能力來降低延時。數據轉發。 當一些指令依賴前面的指令結果時，數據轉發的邏輯控制單元決定這些指令在pipeline中的位置并且盡可能快的轉發一個指令的結果給后續的指令。這些動作需要很多的對比電路單元和轉發電路單元。

GPU是基于大的吞吐量設計。GPU的特點是有很多的ALU和很少的Cache，緩存的目的是保存后面需要訪問的數據的，這點和CPU不同，而是為Thread提高服務的。如果有很多線程需要訪問同一個相同的數據，緩存會合并這些訪問，然后再去訪問dram（因為需要訪問的數據保存在dram中而不是Cache里面），獲取數據后Cache會轉發這個數據給對應的線程，這個時候是數據轉發的角色。但是由于需要訪問dram，自然會帶來延時的問題。GPU的控制單元（左邊黃色區域塊）可以把多個的訪問合并成少的訪問。

GPU雖然有dram延時，卻有非常多的ALU和非常多的Thread，為了平衡內存延時的問題，我們可以中充分利用多的ALU的特性達到一個非常大的吞吐量的效果。盡可能多的分配Threads。通常來看GPU ALU會有非常重的pipeline就是因為這樣。所以CPU擅長邏輯控制，串行的運算。和通用類型數據運算不同，GPU擅長的是大規模并發計算，這也正是密碼破解等所需要的。所以GPU除了圖像處理，也越來越多的參與到計算當中來。

什么類型的程序適合在GPU上運行？

（1）計算密集型的程序。所謂計算密集型(Compute-intensive)的程序，就是其大部分運行時間花在了寄存器運算上，寄存器的速度和處理器的速度相當，從寄存器讀寫數據幾乎沒有延時。可以做一下對比，讀內存的延遲大概是幾百個時鐘周期；讀硬盤的速度就不說了，即便是SSD， 也實在是太慢了。

（2）易于并行的程序。GPU其實是一種SIMD(Single Instruction Multiple Data)架構， 他有成百上千個核，每一個核在同一時間最好能做同樣的事情。