在大数据时代算力为王，英伟达提前站在了风口上，逆风变顺风局逆袭成为王者（股价20倍涨幅）。
--------------------分割线---------------
1. 什么是GPU，和CPU的区别：
2. GPU应用场景以及未来形态：
3. 对我们有什么用；
1. GPU的前世今生：
GPU即图形处理器（代表公司NVIDIA）,主要是处理和图像相关的数据。
CPU和GPU的区别，是由于其设计目标的不同，它们分别针对了两种不同的应用场景。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。
GPU的诞生是依赖于CPU的。
任何一台计算机，也包括智能手机，游戏机等有计算能力的设备，都有一个计算的核心芯片就是CPU（Central Processing Unit），它负责所有的计算，并且控制计算机的全部工作。CPU代表公司Intel。
CPU的性能从上个世纪60年代中期开始，几乎按照每18个月翻一番的速度在进步（摩尔定律），从1965年至今，差不多翻了34次了，也就是说计算速度提高了160亿倍。如果再把这个进步分解一下，又可以分成两个维度，一个是主频的提高，另一个是集成电路芯片密度（称为集成度）的提高。主频提高后，本来一秒钟算10万个周期，现在可以算30亿个，增加了几万倍。密度提高后，本来几个周期完成一次计算任务，现在可以流水作业、分工合作，一个周期完成好几次计算。两者的加速是叠加的，使得今天计算机的速度变得飞快。但是，CPU的主频不可能无限制提高，因为光速是一个绝对的瓶颈，今天计算机CPU内部，电子运动的速度已经接近光速所给的极限了，几乎没有了再提高的可能性，事实上从10年前开始，这条路就走不通了。
英特尔公司的办法是，将计算机CPU的集成度进一步提高，最早一个集成电路中只有几千个晶体管，今天最多的有60亿个，这样计算可以并行开展，这也是为什么我们计算机和手机CPU有什么四核、八核之说。那么接下来，为什么不能做成16核、32核甚至100核呢？因为以今天的工艺，做到那么多核处理器的体积要大得不得了，仅仅散热问题就没法解决。就像在工作中，人多不一定力量大，人力达到一定数量沟通协调的就是关键瓶颈，这时效率不升反降。
面对这个问题怎么办呢？英特尔的态度是没法解决，多买一些处理器，多建造一些服务器进行堆叠，再把计算中心修得大一点就好了（简单粗暴）。在很多场合也没有条件这么做，比如在无人驾驶汽车中，放不下这么大的服务器。
英伟达的创始人黄仁勋在想CPU的计算速度之所以不够快，是因为它被设计成能够适应所有的计算了，里面很多晶体管都用来搭建控制电路了。另外，因为计算太复杂，因此处理器本身设计得太复杂。而在计算机里面，有一种计算相对单一，就是控制显示器的图形计算。
对此，英伟达提出一种所谓的“统一计算架构”（CUDA）的概念，就是很多很多核都做同一件事情，并且在此基础上设计出图形处理器GPU。有了GPU，即图形处理器，很多重复一致的计算就可以并行了。
GPU比CPU相比好处有两个：
第一，控制电路简单了，因此更多的晶体管用于了计算，而不是控制，这样本来10亿个晶体管可以搭建四个内核，还有希望搭建八个、十六个甚至更多。
第二，将单个儿单个儿的计算，变成一批一批的计算。在现实生活中，大部分的计算每次都是在两个数之间进行的，比如A＋B＝C，它是一个运算指令（“+”）带上两个数字（“A”和“B”），下一次做X－Y，是另一个运算指令（“－”）带上另外两个数字（“X”和“Y”）。因此计算机处理器实际上是按照一个指令通道（流）对应一个数据通道设计的（被称为SISD）。
举个例子，一般的计算就如同你蹲在地上一个个地捡豆子。而图形计算是整个一条线（在计算机科学里被称为向量）按照同一种操作一口气算完A1+B1=C1,A2+B2=C2...最后A1000+B1000=C1000，对于这些计算来讲，指令都是一样的，只是使用不同的数据而已，因此它可以设计出非常多的功能简单的计算核心，然后对一条指令开发很多数据通道（即所谓的SIMD）即可。
这就相当于用一个吸尘器在地上吸豆子，你走过一条线，就吸起一大堆，效率就高多了。GPU的工作大部分就是这样，计算量大，但没什么技术含量，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分，反正这些计算也没什么技术含量，纯粹体力活而已。而CPU就像博士生积分微分都会算，缺点就是工资高（一个博士生工资顶二十个小学生），你要是工厂老板你雇哪个？
GPU的设计逻辑是用很多简单的计算单元去完成大量的计算任务，纯粹的人海战术。这种策略基于一个前提，就是小学生A和小学生B的工作没有什么依赖性，是互相独立的。很多涉及到大量计算的问题基本都有这种特性，比如你说的破解密码，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，每个任务就可以分给一个小学生去做（体力活）。但还有一些任务涉及到“流”的问题。比如去相亲，双方看着顺眼才能继续发展。总不能这边还没见面呢，那边找人把证都给领了。这种比较复杂的问题都是CPU来做的（用脑子）。芯片业界对各家的评价如下：
总结一下，GPU能干的活CPU也能干，只不过此时用CPU就像大炮打蚊子，大材小用。正所谓术业有专攻，杀鸡焉用牛刀。
2. 应用范围以及未来形态：
现在当下一下流行的应用场景：
数字矿机：简单的说就是比特币矿机，国内的数字货币龙头企业比特大陆招了很多人专门搞GPU芯片，就是为了最大限度提升芯片挖矿的效率。目前比特大陆手里的矿机已经占据了全球一半多的算力（可惜在港股没上市成功）。
密码破解，例如需要穷举法进行暴力破解的场景，牵扯到大量的并行计算，这时用GPU就能体现算力的优势。
超级计算：国内建设了几个超级计算机中心（例如位于广州的银河系列），应对一些需要快速计算的场景，例如航天参数的校正，需要在短时间内算出结果，因为火箭的飞行速度太快了，慢1s就能造成很大的距离偏差，因此这种计算速度都是要求在ms级别的。
图像识别：例如在公安行业，通过前端的摄像头拍摄到犯罪嫌疑人的照片，然后上传到图片数据库里面进行查找匹配图片，这时需要快速的识别计算结果。有利于快速确定其位置，采取抓捕措施。视频监控厂商在这个领域深耕多年，比如海康和大华。
GPU未来的形态是什么样的？
GPU最早是针对图形计算设计的，但是后来英伟达发现机器学习的算法也可以用这种方式实现，于是到了2016年，英伟达又针对机器学习的特点，设计了针对机器学习的GPU ，它最新的P40处理器内部有多达3000个所谓“统一计算架构”的内核。虽然每一个能力都比不上英特尔四核处理器中的一个内核，但是P40等GPU的内核数量非常多，因此做人工智能计算就非常快。例如特斯拉搞的辅助驾驶，一片这样的处理器就能解决所有的问题。
在AlphaGo对阵李世石的比赛中，就是用了176个英伟达的GPU，承担了主要的计算功能。但是毕竟机器学习中的向量计算和通用的向量计算还是有所不同，能否让计算的内核功能再专一一点，只做和一种非常特定的机器学习算法（即Google的人工神经网络算法）相关的向量计算呢？
在围棋比赛中战胜柯洁的Google AlphaGo的技术，它的核心硬件TPU(Tensor Processing Unit)。AlphaGo棋下得好的一个重要原因是采用了Google自己开发的一种新的计算机处理器TPU，简单地讲这是一种只适合人工智能计算的专用处理器。
于是，Google提出了一种张量（Tensor）计算的概念。所谓张量，它原本是一个数学概念，表示各种向量或者数值之间的关系。比如你的两张照片是两个不同的向量，它们之间的一些相似性就是一个张量。
人工神经网络的算法可以看成是张量的计算。Google就在英伟达等公司GPU的基础上，进一步让计算变得专注，设计了一种仅仅针对特定张量计算的处理器，叫做TPU，其中T就代表张量（Tensor）。Google宣称，一个TPU对AlphaGo这样的任务，效率抵得上15-30个英伟达的GPU。其实TPU和GPU谁更好，完全要看做什么事情了。
3. 对个人而言有什么用？
可能有用的地方在于以后买电脑的时候，可以根据自己的需求（玩游戏还是学习编程）选择CPU和GPU各有侧重的型号，不要再当小白被商家忽悠。
从技术的角度来看，从CPU到GPU，再到TPU，效率提升的根本原因在于两个字——专注，相比之下，手机和电脑的CPU是非常“不专注”的。
在实际生活中，情况和计算机处理器其实很相似。在工业革命时代开始后，英国工厂主把分工做得特别细，于是效率大增。举个例子，即使是制作缝衣服针这件事，当分工很细致后，一个工人一天能生产上千根，如果一个工人做所有的工序，一天恐怕连10根都做不了。因此，英国工业革命后，就把整个欧洲的加工业碾压了。这其实就好比TPU和CPU的关系。
但是，TPU的使用有一个前提，就是这种芯片的市场至少要有上百万片，否则就不值得做，因为它做一个样片的成本就得上百万美元，而设计成本则是上千万。如果市场需求量只有几万片，还不如用很多CPU来工作呢。这就如同制作缝衣服针，一年仅欧洲恐怕要用到上亿根，才值得做社会分工。如果只用三五十根，还不如让几个工人慢慢磨呢！因此，分工和专注的前提都是市场规模足够大。
对于个人而言，工作的技能什么时候需要专而精，什么时候需要广博，其实没有一定之规，但是一个很好的判断标准就是市场是否大到需要非常专而精。以手术为例，很多手术非常常见，比如今天激光矫正视力的手术，它就值得一个医生一辈子把这一件事情做好，一个有1000例手术经验的医生通常要比一个只做了10例的好很多，由于市场足够大，他做好这件事可以吃一辈子。但是很多手术一辈子也见不到两次，一个医院为此专门准备一个医生，效率就太低了。一项技能，如果应用的场景特别多，就值得做精做深，因为这样足够吃一辈子。相反，如果使用的场合比较少，就不值得花时间，不如把自己培养得广博些。
这也是目前大公司里面流程存在的原因，每个人只要专注于自己的领域，整体的工作效率就能大大提升。但是在小公司里面流程这条路就走不通了。因为大公司面向的行业空间足以支撑整个流程的运转，但是对个人职业生涯而言利弊就不好说了.
閱讀更多 電子設計學堂 的文章
