二 GPU与CPU之争对企业计算的影响
    客观地讲，在这二者的争论没有明确的胜负之前，不会给企业计算带来任何影响，企业计算领域对任何趋势性的技术的反应程度相较个人领域，往往要慢上3-5年。 

   回忆一下，2008年的IDF大会在这个问题上显得火药味十足。英特尔高级副总裁兼数字企业事业部总经理基辛格在演讲中表示：“在下一代视觉计算中，显卡产业已经走到了尽头，取而代之的是可编程的显示计算通用架构芯片。在三四年之后，随着相关技术、产品成熟上市，显卡产业将会消亡。” 

   按照他的观点，随着CPU在未来应用中占据越来越重要的地位，显卡会慢慢被集成化所取代。GPU将最终成为CPU的“一部分”。在具体动作上，也身体力行，英特尔开发了一套面向可编程的显示计算通用架构芯片的全新架构———Larrabee架构，这种架构可支持更多的可编程核心。英特尔希望通过推出CPU新架构，令CPU内整合图形处理芯片成为现实。 

   英特尔“显卡走到尽头”的观点立刻引起独立显卡龙头厂商NVIDIA的强烈反击。NVIDIA的CEO黄仁勋甚至公开质疑英特尔的整合图形芯片组“完全是一个笑话”。
 
   NVIDIA的副总裁RoyTaylor更是直言，“CPU与GPU的战争已经开始，CPU已死亡。”他称，“现在PC里唯一需要提升性能的是GPU，而这就是NVIDIA努力的方向。”NVIDIA提出的“GPGPU(通用图形处理器)”的概念，就是要将CPU整合到GPU中去 

   笔者认为，GPU和CPU目前的竞争目标有些错位，大家都是希望能互相取代对方，而不是优势互补。而优势互补是目前能看到的结局，当然不排除这期间厂商突破某些核心技术。 

   据了解，CUDA GPU运算广泛适用于需要处理大量数据的应用。例如，在游戏中我们可以使用CUDA来让GPU承担整个物理计算，而玩家将会获得另他们感到惊奇的性能和视觉效果。另外，用于产品开发和巨量数据分析的商业软件也可以通过它来使用一台工作站或者服务器完成以前需要大规模的计算系统才能完成的工作。这一技术突破使得客户可以任何地方进行实时分析与决策。同时，一些以前需要很先进的计算技术来达到的强大计算能力的科学应用程序，也不再受限在计算密度上；使用CUDA的计算可以在现有的空间里为平台提供更强大的计算性能。 

   我们知道，企业计算的核心问题是性能和高可用，Cuda在性能方面给出了单使用CPU无法达到的完美憧憬，不过其编程难度也不容忽视。Cuda如果想在基于通用计算模式的大量企业应用中有所作为，必须解决编程的难度和编译工具的易用性。众所周知，即便在通用计算领域，能熟练开发多线程和分布式应用的程序员也不是很多。 

   就cuda目前提供的应用案例来看，其应用分布在科学计算和高性能应用方面，如分子动力学模拟、傅立叶立体成像等仿真和模拟计算等。CUDA技术的创始人之一David Kirk博士在清华讲座时提到了一些基于cuda的有趣应用。中科院物理所的一位老师做的分子流体模拟，就是把分子的范德化力（其模型相对复杂）考虑进去。他制作了一个包含几亿个分子水滴，然后进行 模拟。由于每个水滴之间的范德华力只在周围的范围内有效，因此可以把每个分子的受力状况看做是不相干的或弱相干的。这种应用场景，就非常适于CUDA。 

   上面的例子是在科学计算领域，如何将cuda的高性能计算扩展到常规的高性能企业应用，比如，让一个基于cuda的服务程序来处理手机短信网关收到的上千万条并发短信请求。
 
   再比如股票分析软件。它是以复杂计算为基础，进行整个美国股市的实时分析的一个软件。由于股票之间的情况异常复杂，造成经济学上的公式无法准确预测时间稍微一点的大盘情况。然而，有了CUDA，我们就可以在几百毫秒之内计算出当前的全美的大盘走势，这通常将花费数分钟时间，等我们得到结果之后，它已经没用了。CUDA让股票分析软件从不可能成为了可能。
当有许多类似于这样的应用产生时，cuda架构才真正走进了企业计算。