摘要：者按】在当今这个计算能力飞速发展的时代，GPU 的崛起无疑为诸多领域带来了革命性的变化。凭借其强大的并行处理能力，GPU 在深度学习、图像处理、科学计算等需要大量数值运算的场景中大放异彩，让许多之前难以想象的计算任务变得触手可及。然而，即便 GPU 有着诸多令
【CSDN 编
者按】在当今这个计算能力飞速发展的时代，GPU 的崛起无疑为诸多领域带来了革命性的变化。凭借其强大的并行处理能力，GPU 在深度学习、图像处理、科学计算等需要大量数值运算的场景中大放异彩，让许多之前难以想象的计算任务变得触手可及。然而，即便 GPU 有着诸多令人瞩目的优势，CPU 依然在我们的计算世界中扮演着不可或缺的角色。tack.com/p/if-gpus-are-so-good-why-do-we-still
作者 | Teddy Wahle 翻译 | 郑丽媛
出品 | CSDN（ID：CSDNnews）
最近，一段 2009 年的老视频在 X 上走红，这段仅 90 秒的视频直观地展示了 CPU（中央处理器）与 GPU（图形处理器）之间的区别：
这个视频的主要内容是：CPU 和 GPU 进行了一场“绘画对决”。这两种处理器连接到一台可以发射彩弹的装置上。
其中，CPU 用了整整 30 秒才画出一个简单的笑脸：
而 GPU 则能瞬间画出《蒙娜丽莎》：
从这段视频中，我们可以得出的结论是：CPU 速度较慢，而 GPU 则快得多。不过此结论仅限于该视频，毕竟这个视频并未揭示关于 CPU 和 GPU 更深层次的细节。
每秒万亿次浮点运算（TFLOPS）
当我们说 GPU 比 CPU 性能更强时，通常会参考一个叫 TFLOPS 的测量指标，这个指标衡量的是处理器每秒可以执行多少万亿次数学运算。例如，Nvidia 的 A100 GPU 可以达到 9.7 TFLOPS（每秒 9.7 万亿次运算），而最新的 Intel 24 核处理器只能达到 0.33 TFLOPS。这意味着，即便是中等配置的 GPU，其速度也至少是顶级 CPU 的 30 倍以上。
然而，我的 MacBook（搭载 Apple M3 芯片）中既有 CPU 也有 GPU——为什么呢？我们就不能完全抛弃这些“极其缓慢”的 CPU 吗？
不同类型的程序
为了更好地理解为什么我们需要 CPU 与 GPU 两种处理器，让我们先定义两类程序：顺序程序和并行程序。
（1）顺序程序
顺序程序是指所有指令必须一个接一个、按部就班地依次执行。比如下面这段代码：
在这个例子中，n 需要连续乘以 100 个随机数，且每个步骤都依赖于前一步的结果。如果你要手动进行这些计算，就不能将任务分给朋友说：“你算前 50 步，我算后 50 步。”因为你们都需要按照顺序执行所有步骤，才能得到准确的结果。
（2）并行程序
并行程序则是指多个指令可以同时执行，因为它们之间不存在依赖关系。例如：
def parallel_multiply: numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] results = for n in numbers: results.append(n * 2) return results在这个例子中，十个乘法操作完全独立，彼此间没有依赖性。关键在于，这些步骤的顺序并不重要。因此，如果你想要分工合作，就可以说：“你负责计算奇数，我负责计算偶数。”这样，两人可以分别且同步工作，最终得到正确答案。
错误的二分法
实际上，这种区分是一种错误的二分法。事实上，大多数实际应用都是由顺序和并行代码混合组成的，每个程序中都会有一部分代码可以并行化。
举个例子，假设有一个程序需要运行 20 次计算，其中前 10 次互相依赖，但后 10 个计算可以并行执行。我们就会说这个程序是“50% 可并行化”，即一半的指令可以独立执行，也就是说它们可以同时进行。结合之前的两个示例，我们可以将其构造成一段 50% 可并行化的代码：
sequential_list = [1] for _ in range(9): next_value = sequential_list[-1] * random.randint(1, 10) sequential_list.append(next_value) # Part 2: Each step is independent of each other parallel_results = for n in sequential_list: parallel_results.append(n * 2) return sequential_list, parallel_results在这个例子中，第一部分确实必须顺序执行，因为 sequential_list 中的每个数值都依赖于前一个值。但第二部分则可以对已完成列表中的每个值执行独立的操作。
对于第一部分的计算，你需要等到前一个数值计算完毕才能继续；但在有了完整列表之后，你就可以将乘法操作分配给所有可用的工作单元，从而实现并行处理。
不同的处理器适用于不同类型的程序
总体来说，CPU 适合运行顺序程序，而 GPU 更擅长执行并行程序。这主要是因为 CPU 和 GPU 在设计上有根本性的差异。
CPU 拥有少量的大核心（如 Apple M3 有 8 个核心），而 GPU 则包含大量的小核心（例如 NVIDIA H100 GPU 有数千个核心）。这就是为什么 GPU 非常适合运行高度并行的程序——它拥有数千个简单的核心，可以同时对不同的数据执行相同的操作。
渲染视频游戏图形就是一个需要大量简单重复计算的应用场景。想象一下，游戏画面就是一个巨大的像素矩阵。当你突然将角色向右转时，屏幕上所有的像素都需要重新计算新的颜色值。好在，屏幕顶部像素的计算与屏幕底部像素的计算是相互独立的，因此，这些计算可以被分配到 GPU 的数千个核心上并行执行。这就是为什么 GPU 在游戏中至关重要的原因。
CPU 擅长处理随机事件
在处理高度并行的任务时，例如乘对一个包含 10,000 个独立数字的矩阵进行乘法运算，CPU 的速度远远不如 GPU。然而，CPU 在执行复杂的顺序处理和决策制定时，却能展现出卓越的性能。
你可以把 CPU 核心比作繁忙餐厅厨房中的主厨。这个主厨能够：
● 在 VIP 客人到来并提出特别饮食要求时，立即调整自己的烹饪计划；
● 在准备精致酱汁和检查烤蔬菜之间无缝切换；
● 遇到突发状况（比如停电）时，能重新组织整个厨房的工作流程来应对意外；
● 协调多道菜肴，确保它们在恰到好处的时刻热腾腾地送到桌上；
● 在处理不同状态的几十个订单时，依然保持食品质量。
相比之下，GPU 核心就像一百名擅长重复任务的厨师——他们能在 2 秒钟内切好一个洋葱，但无法有效管理整个厨房。如果你要求 GPU 处理餐厅服务中不断变化的需求，它可能会力不从心。
这就是为什么 CPU 对于运行计算机的操作系统至关重要。现代计算机面临着大量不可预测的事件：应用程序的启动与停止、网络连接的中断、文件的访问以及用户在屏幕上的随机点击等。CPU 非常擅长处理这些任务，同时保持系统的响应速度。它可以立即从帮助 Chrome 渲染网页切换到处理 Zoom 视频通话，再到处理新的 USB 设备连接——同时还在跟踪系统资源，确保每个应用程序都能公平地获得资源
因此，尽管 GPU 在并行处理上表现出色，但 CPU 因其独特的处理复杂逻辑和适应变化条件的能力，仍然是必不可少的。像 Apple M3 这样的现代芯片将二者结合，既具备了 CPU 的灵活性，又能提供 GPU 的强大计算能力。
事实上，如果要重新制作那个绘画视频，还有一个更准确的版本：让 CPU 负责管理图像下载和内存分配，然后将工作交给 GPU 来迅速渲染像素。
“侯捷老师的课程让我彻底理解了STL的底层原理！”
C++权威大师侯捷亲授，四门精品课程全方位覆盖C++核心知识：
《STL标准库与泛型编程》：深度解构STL设计精髓，掌握泛型编程的强大力量
《C++新标准11/14》：精准解析新标准，轻松升级现代C++技能
《C++面向对象开发》：系统学习面向对象思想，构建灵活高效的程序架构
《C++内存管理机制》：破解内存管理难题，让资源使用更加安全高效
现在报名，还可尊享专属纸质版讲义，学以致用，事半功倍！
来源：CSDN