在大數據時代算力為王，英偉達提前站在了風口上，逆風變順風局逆襲成為王者（股價20倍漲幅）。
--------------------分割線---------------
1. 什麼是GPU，和CPU的區別：
2. GPU應用場景以及未來形態：
3. 對我們有什麼用；
1. GPU的前世今生：
GPU即圖形處理器（代表公司NVIDIA）,主要是處理和圖像相關的數據。
CPU和GPU的區別，是由於其設計目標的不同，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的內部結構異常複雜。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淨的計算環境。
GPU的誕生是依賴於CPU的。
任何一臺計算機，也包括智能手機，遊戲機等有計算能力的設備，都有一個計算的核心芯片就是CPU（Central Processing Unit），它負責所有的計算，並且控制計算機的全部工作。CPU代表公司Intel。
CPU的性能從上個世紀60年代中期開始，幾乎按照每18個月翻一番的速度在進步（摩爾定律），從1965年至今，差不多翻了34次了，也就是說計算速度提高了160億倍。如果再把這個進步分解一下，又可以分成兩個維度，一個是主頻的提高，另一個是集成電路芯片密度（稱為集成度）的提高。主頻提高後，本來一秒鐘算10萬個週期，現在可以算30億個，增加了幾萬倍。密度提高後，本來幾個週期完成一次計算任務，現在可以流水作業、分工合作，一個週期完成好幾次計算。兩者的加速是疊加的，使得今天計算機的速度變得飛快。但是，CPU的主頻不可能無限制提高，因為光速是一個絕對的瓶頸，今天計算機CPU內部，電子運動的速度已經接近光速所給的極限了，幾乎沒有了再提高的可能性，事實上從10年前開始，這條路就走不通了。
英特爾公司的辦法是，將計算機CPU的集成度進一步提高，最早一個集成電路中只有幾千個晶體管，今天最多的有60億個，這樣計算可以並行開展，這也是為什麼我們計算機和手機CPU有什麼四核、八核之說。那麼接下來，為什麼不能做成16核、32核甚至100核呢？因為以今天的工藝，做到那麼多核處理器的體積要大得不得了，僅僅散熱問題就沒法解決。就像在工作中，人多不一定力量大，人力達到一定數量溝通協調的就是關鍵瓶頸，這時效率不升反降。
面對這個問題怎麼辦呢？英特爾的態度是沒法解決，多買一些處理器，多建造一些服務器進行堆疊，再把計算中心修得大一點就好了（簡單粗暴）。在很多場合也沒有條件這麼做，比如在無人駕駛汽車中，放不下這麼大的服務器。
英偉達的創始人黃仁勳在想CPU的計算速度之所以不夠快，是因為它被設計成能夠適應所有的計算了，裡面很多晶體管都用來搭建控制電路了。另外，因為計算太複雜，因此處理器本身設計得太複雜。而在計算機裡面，有一種計算相對單一，就是控制顯示器的圖形計算。
對此，英偉達提出一種所謂的“統一計算架構”（CUDA）的概念，就是很多很多核都做同一件事情，並且在此基礎上設計出圖形處理器GPU。有了GPU，即圖形處理器，很多重複一致的計算就可以並行了。
GPU比CPU相比好處有兩個：
第一，控制電路簡單了，因此更多的晶體管用於了計算，而不是控制，這樣本來10億個晶體管可以搭建四個內核，還有希望搭建八個、十六個甚至更多。
第二，將單個兒單個兒的計算，變成一批一批的計算。在現實生活中，大部分的計算每次都是在兩個數之間進行的，比如A＋B＝C，它是一個運算指令（“+”）帶上兩個數字（“A”和“B”），下一次做X－Y，是另一個運算指令（“－”）帶上另外兩個數字（“X”和“Y”）。因此計算機處理器實際上是按照一個指令通道（流）對應一個數據通道設計的（被稱為SISD）。
舉個例子，一般的計算就如同你蹲在地上一個個地撿豆子。而圖形計算是整個一條線（在計算機科學裡被稱為向量）按照同一種操作一口氣算完A1+B1=C1,A2+B2=C2...最後A1000+B1000=C1000，對於這些計算來講，指令都是一樣的，只是使用不同的數據而已，因此它可以設計出非常多的功能簡單的計算核心，然後對一條指令開發很多數據通道（即所謂的SIMD）即可。
這就相當於用一個吸塵器在地上吸豆子，你走過一條線，就吸起一大堆，效率就高多了。GPU的工作大部分就是這樣，計算量大，但沒什麼技術含量，而且要重複很多很多次。就像你有個工作需要算幾億次一百以內加減乘除一樣，最好的辦法就是僱上幾十個小學生一起算，一人算一部分，反正這些計算也沒什麼技術含量，純粹體力活而已。而CPU就像博士生積分微分都會算，缺點就是工資高（一個博士生工資頂二十個小學生），你要是工廠老闆你僱哪個？
GPU的設計邏輯是用很多簡單的計算單元去完成大量的計算任務，純粹的人海戰術。這種策略基於一個前提，就是小學生A和小學生B的工作沒有什麼依賴性，是互相獨立的。很多涉及到大量計算的問題基本都有這種特性，比如你說的破解密碼，挖礦和很多圖形學的計算。這些計算可以分解為多個相同的簡單小任務，每個任務就可以分給一個小學生去做（體力活）。但還有一些任務涉及到“流”的問題。比如去相親，雙方看著順眼才能繼續發展。總不能這邊還沒見面呢，那邊找人把證都給領了。這種比較複雜的問題都是CPU來做的（用腦子）。芯片業界對各家的評價如下：
總結一下，GPU能幹的活CPU也能幹，只不過此時用CPU就像大炮打蚊子，大材小用。正所謂術業有專攻，殺雞焉用牛刀。
2. 應用範圍以及未來形態：
現在當下一下流行的應用場景：
數字礦機：簡單的說就是比特幣礦機，國內的數字貨幣龍頭企業比特大陸招了很多人專門搞GPU芯片，就是為了最大限度提升芯片挖礦的效率。目前比特大陸手裡的礦機已經佔據了全球一半多的算力（可惜在港股沒上市成功）。
密碼破解，例如需要窮舉法進行暴力破解的場景，牽扯到大量的並行計算，這時用GPU就能體現算力的優勢。
超級計算：國內建設了幾個超級計算機中心（例如位於廣州的銀河系列），應對一些需要快速計算的場景，例如航天參數的校正，需要在短時間內算出結果，因為火箭的飛行速度太快了，慢1s就能造成很大的距離偏差，因此這種計算速度都是要求在ms級別的。
圖像識別：例如在公安行業，通過前端的攝像頭拍攝到犯罪嫌疑人的照片，然後上傳到圖片數據庫裡面進行查找匹配圖片，這時需要快速的識別計算結果。有利於快速確定其位置，採取抓捕措施。視頻監控廠商在這個領域深耕多年，比如海康和大華。
GPU未來的形態是什麼樣的？
GPU最早是針對圖形計算設計的，但是後來英偉達發現機器學習的算法也可以用這種方式實現，於是到了2016年，英偉達又針對機器學習的特點，設計了針對機器學習的GPU ，它最新的P40處理器內部有多達3000個所謂“統一計算架構”的內核。雖然每一個能力都比不上英特爾四核處理器中的一個內核，但是P40等GPU的內核數量非常多，因此做人工智能計算就非常快。例如特斯拉搞的輔助駕駛，一片這樣的處理器就能解決所有的問題。
在AlphaGo對陣李世石的比賽中，就是用了176個英偉達的GPU，承擔了主要的計算功能。但是畢竟機器學習中的向量計算和通用的向量計算還是有所不同，能否讓計算的內核功能再專一一點，只做和一種非常特定的機器學習算法（即Google的人工神經網絡算法）相關的向量計算呢？
在圍棋比賽中戰勝柯潔的Google AlphaGo的技術，它的核心硬件TPU(Tensor Processing Unit)。AlphaGo棋下得好的一個重要原因是採用了Google自己開發的一種新的計算機處理器TPU，簡單地講這是一種只適合人工智能計算的專用處理器。
於是，Google提出了一種張量（Tensor）計算的概念。所謂張量，它原本是一個數學概念，表示各種向量或者數值之間的關係。比如你的兩張照片是兩個不同的向量，它們之間的一些相似性就是一個張量。
人工神經網絡的算法可以看成是張量的計算。Google就在英偉達等公司GPU的基礎上，進一步讓計算變得專注，設計了一種僅僅針對特定張量計算的處理器，叫做TPU，其中T就代表張量（Tensor）。Google宣稱，一個TPU對AlphaGo這樣的任務，效率抵得上15-30個英偉達的GPU。其實TPU和GPU誰更好，完全要看做什麼事情了。
3. 對個人而言有什麼用？
可能有用的地方在於以後買電腦的時候，可以根據自己的需求（玩遊戲還是學習編程）選擇CPU和GPU各有側重的型號，不要再當小白被商家忽悠。
從技術的角度來看，從CPU到GPU，再到TPU，效率提升的根本原因在於兩個字——專注，相比之下，手機和電腦的CPU是非常“不專注”的。
在實際生活中，情況和計算機處理器其實很相似。在工業革命時代開始後，英國工廠主把分工做得特別細，於是效率大增。舉個例子，即使是製作縫衣服針這件事，當分工很細緻後，一個工人一天能生產上千根，如果一個工人做所有的工序，一天恐怕連10根都做不了。因此，英國工業革命後，就把整個歐洲的加工業碾壓了。這其實就好比TPU和CPU的關係。
但是，TPU的使用有一個前提，就是這種芯片的市場至少要有上百萬片，否則就不值得做，因為它做一個樣片的成本就得上百萬美元，而設計成本則是上千萬。如果市場需求量只有幾萬片，還不如用很多CPU來工作呢。這就如同製作縫衣服針，一年僅歐洲恐怕要用到上億根，才值得做社會分工。如果只用三五十根，還不如讓幾個工人慢慢磨呢！因此，分工和專注的前提都是市場規模足夠大。
對於個人而言，工作的技能什麼時候需要專而精，什麼時候需要廣博，其實沒有一定之規，但是一個很好的判斷標準就是市場是否大到需要非常專而精。以手術為例，很多手術非常常見，比如今天激光矯正視力的手術，它就值得一個醫生一輩子把這一件事情做好，一個有1000例手術經驗的醫生通常要比一個只做了10例的好很多，由於市場足夠大，他做好這件事可以吃一輩子。但是很多手術一輩子也見不到兩次，一個醫院為此專門準備一個醫生，效率就太低了。一項技能，如果應用的場景特別多，就值得做精做深，因為這樣足夠吃一輩子。相反，如果使用的場合比較少，就不值得花時間，不如把自己培養得廣博些。
這也是目前大公司裡面流程存在的原因，每個人只要專注於自己的領域，整體的工作效率就能大大提升。但是在小公司裡面流程這條路就走不通了。因為大公司面向的行業空間足以支撐整個流程的運轉，但是對個人職業生涯而言利弊就不好說了.
閱讀更多 電子設計學堂 的文章
