GPU應用因AI開始有了截然不同的新轉變，不只讓一些支援高度平行運算應用的高階GPU相繼問世，現在連整套GPU深度學習專用服務器也搶灘登陸，要助企業(yè)加快AI應用。

　　AI人工智慧、虛擬/擴增實境（VR/AR）與自動駕駛技術，在過去一年引起很高的市場關注，而一舉躍升成為當前最火紅的熱門話題，特別是以深度學習（Deep Learning）為首的AI應用，過去幾個月來，因為Google的AI電腦AlphaGo接連大敗歐洲和南韓國圍棋棋王，更在全世界吹起一股AI風潮，使得現在不只有大型科技或網路公司要大力投資AI，就連各國政府也都要砸重金扶植AI產業(yè)。

　　目前一些大型科技或網路業(yè)者，例如Google、Facebook、亞馬遜AWS、IBM、微軟與百度等，都陸續(xù)已在云端服務中融入AI服務，做為電腦視覺、語音辨識和機器人等服務用途，甚至，也開始有越來越多規(guī)模較小的新創(chuàng)或網路公司，如Api.ai、Drive. ai、Clarifai與MetaMind等，打算將AI開始應用在各行各業(yè)的領域上。

　　GPU開始在AI應用逐漸嶄露頭角

　　然而，決定這些AI服務能不能獲得更好發(fā)揮的關鍵，不只得靠機器學習的幫忙，甚至得借助深度學習的類神經演算法，才能加深AI未來的應用。這也使得近年來，GPU開始在一些AI應用當中逐漸嶄露頭角。這是因為不論是AI、VR/AR，還是自動駕駛技術的應用，雖然各有不同用途，但他們普遍都有一個共同的特色，都是需要大量平行運算（Parallel Computing）的能力，才能當作深度學習訓練模型使用，或者是將圖形繪制更貼近真實呈現。

　　所謂的平行運算泛指的是將大量且密集的運算問題，切割成一個個小的運算公式，而在同時間內并行完成計算的一種運算類型。而GPU則是最能夠將平行運算發(fā)揮到極致的一大關鍵，這是因為GPU在晶片架構上，原本就被設計成適合以分散式運算的方式，來加速完成大量且單調式的計算工作，例如圖形渲染等。所以，過去像是高細膩電玩畫面所需的大量圖形運算，就成為了GPU最先被廣為運用的領域，現在，VR/AR則是進一步打算將原本就擅于繪圖運算的GPU發(fā)揮得更淋漓盡致，來呈現出高臨場感的3D虛擬實境體驗。

　　當然在游戲繪圖運算外，后來GPU也被拿來運用在需要大量同質計算的科學研究中使用。甚至近年來，GPU也開始因為深度學習的關系，而在一些AI應用當中擔任重要角色。

　　深度學習其實是機器學習類神經網路的其中一個分支，深度學習本身是由很多小的數學元件組合成一個復雜模型，就像是腦神經網路一般，可以建構出多層次的神經網路模型，來分別處理不同層次的運算工作，這些神經網路本身并不做判斷，只重覆相同計算工作，使得GPU在深度學習方面可以獲得很好的發(fā)揮，而隨著網路、云端和硬體技術成熟所帶來巨量的資料，也造就了現在所需完成訓練的深度學習模型，比起以前更需要大量高階GPU的平行運算能力，才足以應付得了。

　　GPU平行運算性價比贏過CPU

　　因為AI、VR/AR與自駕車應用需求提高后，也促使GPU重要性與日俱增，甚至為了因應深度學習與AI應用趨勢，新世代GPU反而希望盡可能在晶片中裝入了更多電晶體和核心數，來提高大量同性質的資料計算能力。若是以Nvidia新的Tesla P100系列的GPU加速器產品來舉例說明的話，在這個GPU加速器內總共裝有3，584個CUDA核心數（單精度條件下），其內含的電晶體數更一舉超過了150億顆，數量幾乎是前一代Tesla M40 GPU的翻倍，在雙精度條件下的浮點運算能力，更高達有5.3 TFLOPs。

　　當然GPU之外，CPU本身也具有計算處理的能力，不過在處理平行運算時，***大學資工系副教授洪士灝認為，GPU的CP值（性價比）比CPU還要高。這是因為GPU原本就擅長處理大量高同質性的資料計算工作，而CPU則擅于通用型任務的資料處理，所以對于一些需要大量單調式運算工作的應用，就很適合使用GPU來執(zhí)行，例如利用深度學習神經網路訓練模型來實現AI應用，或者是用繪圖運算呈現VR/AR所需的高細膩畫面，都很適合用GPU的方式來進行計算。

　　另外從Nvidia官方所公布的一份CUDA C Programming Guide設計指南中也揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點運算（Floating-Point Operations Per Second，FLOPS）發(fā)展的比較差異。整體來看，GPU與CPU發(fā)展越到后期，兩者在浮點運算處理能力的差距，有逐漸被拉大的趨勢，這是因為越到后面才推出的新款GPU，更加強調浮點運算的重要性，而盡可能要提高GPU浮點運算的處理能力。所以，現在許多超級電腦內都有使用GPU，來大幅提高浮點運算的實力。

　　從Nvidia官方所公布的一份CUDA C Programming Guide設計指南中也部分揭露了在2013年前的過去10年間，GPU與CPU兩者在單精度與雙精度浮點運算發(fā)展的比較差異。

　　整體來看，GPU與CPU發(fā)展越到后期，兩者在浮點運算處理能力的差距，有逐漸被拉大的趨勢，這是因為越到后面才推出的新款GPU，更加強了浮點運算的能力。