GPU渲染全解读（二）：GPU与CPU 被解放的众核之力

自1999年真正意义上的GPU诞生到今天，GPU加速已逐渐渗透医学成像、生物信息学、CAD/CAM/CAE、计算流体力学、计算金融、计算勘探、地理信息系统、国防、电影制作与动画等应用领域，成为CPU计算之外另一个不容忽视的发展方向。

        那么，GPU与CPU到底有什么不同？在图形渲染领域，GPU相较于CPU又有什么优势？这是本章我们想要着重讨论的内容。

        CPU，即中央处理器，是计算机的核心部件之一。GPU，上一章已经论及，即图形处理器，是为了满足日益复杂的图形处理需求而发展起来的。两者之间的不同，体现在他们处理任务的不同方式上。CPU由专为串行任务而优化的几个核心组成。GPU则由数以千计的更小、更高效的核心组成，这些核心专为同时处理多任务而设计。

        下面的视频，Adam Savage和Jamie Hyneman做了一个有趣的试验，来说明CPU与GPU工作方式的不同，以及两者的效能差异。

        稍微深入一点来讲，CPU和GPU的不同，是因为它们的使命不同。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中断的处理。这些使CPU的内部结构异常复杂。而GPU需要处理的则是类型高度统一、相互依赖的大规模数据和不需要被打断的计算环境。因此，GPU和CPU就呈现出非常不同的架构。

        如上图，这是NVIDIA对CPU和GPU架构的图示。其中绿色的是计算单元（ALU），橙红色的是存储单元，橙黄色的是控制单元。CPU不仅被Cache占据了大量空间，而且还有复杂的控制逻辑和诸多优化电路。而GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。显而易见，CPU虽然也是多核，但GPU的核数远超CPU，被称为众核（NVIDIA Femi架构有512个核，基于NVIDIA Maxwell架构的GM200核数暴涨至3072个核），所以与CPU擅长逻辑控制和通用类型数据运算不同，GPU非常擅长大规模并发计算。



        GPU的这种架构设计，最初目的是实现图形加速，如图形的T&L坐标位置变换与光照计算，z-buffering消隐，texture mapping纹理映射等等，其中单精度浮点运算占到其处理数据的绝大多数。随后图形学之外的其他领域专家开始注意到GPU的硬件结构非常适应极高并行度与大量浮点吞吐的运算环境，于是使用GPU进行数值分析、海量数据处理（排序，Map Reduce）、金融分析等。GPGPU（General Purpose GPU通用计算图形处理器）的概念也随之诞生。

        现在让我们再回到图形渲染领域，不管是影视动画、建筑表现，还是CG艺术，GPU凭借其专为图形加速而设计的架构和计算能力，为用户带来了一种更加高效的渲染解决方案，即GPU渲染解决方案。与传统CPU渲染相比，GPU渲染具有更快速度、更低成本的优势，而且GPU加速渲染的可用性也不断提高，越来越多搭上GPU渲染标签的高品质作品问世。这些发展趋势，让GPU渲染受到了国内外用户的普遍欢迎。目前，国内已有蓝海创意云·渲染（http://render.vsochina.com/）等平台逐步推出GPU渲染服务。