强化GPU高性能并行计算混合架构扩展图形计算及数据处理应用经济效益

专访NVIDIA Telsa与GPU运算部门总经理Andy Keane

并行算法随着计算机运算广度的需求日增而越来越重要，特别是在高端科学计算、高精度图像处理、医学成像与基因分析、地质探测、以及工业用图形设计领域，高性能计算处理的需求越来越高。数据并行计算（data-parallel computing）模式该如何创新整合，顺应未来多核心GPU计算以及大量数据计算处理的繁杂架构，符合节能简碳并有效运用空间，已成为重要课题。

NVIDIA Telsa与GPU计算部门总经理Andy Keane表示，对于高速数据运算，一般x86集群并行计算架构采用多核心CPU模式，IBM也有多核处理器运作并行计算。超过90％的使用者或许熟悉传统x86集群系统在高性能运算（High Performance Computing；HPC）领域的使用模式，不过多核心计算模式已经衍生繁复的数据处理集群服务器架构，高功耗负担也成为高性能数据处理中心亟待解决的课题。现今美国高速计算中心所耗费电力已经占整体美国使用电力的7％，其中3.5％是运用在散热方面，提升百倍运算意味着CPU预算的暴增，更不符经济效益。

Andy Keane指出，以工作站或数据中心高速计算应用为主的图形处理器GPU平台，在并行计算性能专精度和集群计算机网络多重应用上，往往比x86架构更具优势。NVIDIA的GPU并行计算架构，晶体管密度高、多核扩充性强、具备高性能并行计算处理能力，且可带动影像解析软件开发，更为广泛的经济效益正在浮现。

Andy Keane深入分享表示，可扩充的GPU并行计算架构，能够运作异构筑（heterogeneous）串行化并行计算，同时可使用C语言编程，进一步提升计算性能。此外NVIDIA针对GPU所设计的并行计算编程环境CUDA，可用于Windows及Linux，能让应用程序在GPU上顺畅运行。Andy Keane强调，CPU有60％的性能处理暂存内存，同时处理许多任务让CPU计算效能降低，GPU架构可迅速处理单一深度问题，可专门满足高速运算处理中心对于百倍以上的处理效能需求。GPU运算架构整合并行核心GPU和多核CPU，速度亦可大幅超越多核心系统，也能符合节能运作模式，4核心朝向240颗核心的高速运算架构也不是梦想，落实个人超级计算机（super-computing）以及高速运算工作站的条件也越来越成熟。

Andy Keane进一步表示， NVIDIA结合CUDA并行编程的GPU芯片，目前已出货超过一亿颗，其中运用在高速运算的Tesla芯片系列，在医学成像、分子动力学、视频编码、天体物理、金融财务、3D超音波、量子化学、基因排序、地质能源探勘等应用领域，分别达到17～149倍不等的运算性能。针对HPC的并行计算Telsa 10芯片，晶体管数达14亿颗，具有240个处理核心，浮点运算次数可达每秒10亿次，加上4GB的内存容量，处理效能为Tesla 8的一倍以上，可满足工作站、数据处理中心以及服务器中心在百倍高速运算处理的需求。

Andy Keane谈及GPU应用时表示，NVIDIA正积极深化GPU并行计算架构在图形分析和数据处理的市场影响力，将协助开拓高端物理分子动力学、地质勘探以及气象模拟等高速计算应用领域，强化数据中心高速计算机运算能力。NVIDIA同时密切与大学合作，进一步全面扩展使用GPU平台架构的生态体系。