这个话题，Walkie比俺懂得多多了，记录在这里，算是自己给自己科普吧。 抄了两篇文章，一篇是"为何GPU受到服务器厂商的热捧"，作者不明，应该是翻译老外的。 一篇是"OpenCL概述"，从上海交大图像所网页上八的。 最后综合了一点OpenCL官网上的E文信息。

　　经过多年的尝试，图形处理单元(GPU)开始受到主流服务器厂商的重视，戴尔和IBM是第一批在高性能计算机(HPC)上采用GPU的一线服务器厂商。GPU通常用在桌面PC上，主要作为电子游戏的高速图形加速器，但服务器厂商很快发现它除了在游戏渲染方面有出色的表现外，在数学计算方面也有先天性优势。

　　今年5月，IBM宣布计划为iDataPlex dx360 M3可横向扩展服务器提供一对Tesla M2050 GPU，戴尔也不甘落后，于6月宣布PowerEdge M610x刀片服务器将会装配一对Tesla M2050 GPU，M610x装配了英特尔至强5500或5600处理器，最大可以提供400亿次/s的计算能力。

　　在这些服务器厂商竞相重视GPU计算的背后，Nvidia(英伟达)是最大的赢家，都说早起的鸟儿有食吃，Nvidia在推动GPU作为数数学密集型计算任务处理单元方面已经持续了很长时间，但直到戴尔和IBM宣布集成Tesla M2050 GPU之前，Nvidia一直未获得一线服务器厂商的支持。

　　GPU历史

　　如果你对PC的发展历史比较了解，你一定还记得8086，80286和80386处理器中就具有数学协处理器了，分别是8087，80287和80387，如果你在20世纪80年代后期购买过PC做数学或科学计算，PC销售人员应该给你讲过数学协处理器，这些附加的芯片是专为快速，准确的计算而设计的，主要买家是电子表格用户，因为那时Lotus 1-2-3是x86上的杀手级应用，安装数学协处理器后计算速度会更快。

　　到80486时，数学协处理器就集成到CPU了，随后的处理器架构不断增加指令加快数学计算速度，到了今天，CPU设计文档称之为“浮点单元”，因为数学计算主要就是浮点运算。

　　计算机只会将数字看作是整数或浮点数，整数没有小数位(如13人)，而浮点数有小数位(如 3.14159)，细粒度计算都是浮点单元的工作。

　　这对于图形来说特别重要，因为计算构成一个平滑三维图像的三角形位置需要非常精确的分数，多或少一点三角形就会开裂，破坏图像的整体效果，图形处理软件需要计算30位小数获得精确的拟合，颜色和亮度。

　　多核数学处理器

　　多年来，Nvidia和它的竞争对手ATI(2006年AMD收购了ATI)已经生产过大量的多核数学处理器，有意思的英特尔和 AMD制造的CPU大多还是4-6核，而Nvidia最新的Fermi架构具有483个流处理器(当然也会消耗更多的电力，产生更多的热量)，而ATI Radeon 5000系列更是达到了1600个流处理器。

　　流处理主要用于并行处理计算单元，靠软件管理内存分配，数据同步和通信等，这些 核心通过高速连接通道连接。

　　GPU线程比CPU线程更小，因为它们只包含了一堆数学指令，通常，数学指令会被简单地视为加法，GPU可以更 快地切换线程，因为核心可以在一个时钟周期内从一个线程转到另一个线程，而某些CPU是办不到的，CPU线程是一系列复杂的指令组成的，如系统进程或操作 系统调用。

　　最近，需要高性能计算的人们已经意识到那些483到1600个数学核心除了渲染游戏外，可能还可以做点别的什么，Nvidia和 AMD当然举双手赞成，最近它们也增强了GPU中的数学协处理器。

　　最后要提到的是双精度浮点运算，它是复杂科学计算所必需的，Nvidia 和ATI也都已经将双精度浮点运算加入到它们的芯片中去了，单精度浮点数是32位长度(2^32)，而双精度浮点数是64位长度(2^64)，这个与游戏 毫不相干，但科学研究却离不开它，如全球气候模拟科学实验。

　　GPU编程

　　如果你数据中心的服务器有GPU，那么在编写服务器应用程序时就应该将其考虑进去，但利用GPU不是一个简单的任务，需要在CPU和GPU之间做好协调，不是引用几个现成的库，写几行代码就可以搞定的。

　　电子游戏是大量使用浮点运算的很好示例，但游戏并非浮点运算的唯一用途，凡是与可视化相关的领域几乎都会牵扯到浮点运算，如医学成像，三维成像，科学成像，石油和天然气勘探可视化，娱乐，广告和金融建模等。

　　这个过程被称为GPGPU计算，或通用GPU计算，需要通过编程将本该由CPU处理的计算任任务交由 GPU处理，很多时候，这意味着要重写代码，Nvidia使用CUDA开发语言来处理。

　　CUDA是一种类似于C的编程语言，用它可以开发在Nvidia GPU上并行运行的应用程序，与x86处理器不一样，应用程序不只并行运行2，4或8个线程，而是数百个线程。

　　Nvidia的付出也得到了回报，现在全世界有超过350所大学已经开设了CUDA开发课程，但如果只有Nvidia一家公司有这个干劲，最终也可能是徒劳的。

　　OpenCL项目是OpenGL的一个分支，它为3D显卡提供了一个图形库(在很大程度上可以取代微软的DirectX)，苹果公司是OpenCL框架的创立者，OpenCL框架用于编写跨CPU、GPU和其它处理器执行的程序，OpenCL包括一个编写内核和API的语言，它们可用于基于任务和基于数据的并行编程。

　　OpenCL与CUDA相比有优势也有弱点，首先，它支持多处理器计算，而CUDA只支持Nvidia GPU;OpenCL可以让任何应用程序访问GPU，且不用重写代码，而CUDA必须用C为Nvidia GPU重写代码;OpenCL支持任何输入/输出处理器，因此它也支持安腾、Sun UltraSparc和ARM嵌入式处理器。

　　OpenCL框架比CUDA技术更新，因此缺少很多CUDA具有的特性，也没有CUDA成熟，最值得注意的是，CUDA拥有快速傅里叶变换内核(FFT)，但OpenCL没有，FFT算法是一个复杂的算法，在高级科学计算和图像处理领域有着广泛的应用。

　　这两个框架都有各自的优缺点，CUDA凭借Nvidia的强力支撑已经占领了绝大多数市场，而 OpenCL也不弱，它由标准化组织管理，但从目前来看还是一事无成，我们是将自己绑定到Nvidia还是等待标准更新?有点举棋不定。

　　除了CUDA和OpenCL外，还有第三个竞争对手，那就是微软的 DirectCompute，DirectCompute是DirectX 11 API库中的一个组件，我们在Windows 7中可以找到它，和OpenCL一样，它可以让应用程序使用GPU的计算能力。由于它仅在DirectX 11中，因此使用DirectCompute有些限制，首先，它只能运行在Windows 7计算机上，因为微软没有为其它系统准备DirectX，市场上也没有那么多DirectX 11显卡，ATI现在处于领先地位，但Nvidia也正努力追赶，目前，DirectCompute还未被服务器厂商正式利用。

　　应用模式

　　那么谁最适合GPU计算?正如前文所述，高级数学运算是一种情况，还有医学研究中的疾病逆向工程，医学成像中的超声图像渲染，以及视频和图像处理领 域，如电影特效制作。

　　Nvidia最近可谓风光极了，在2010奥斯卡奖项中，三部最佳特效电影(星际旅行，阿凡达和第9区)都离不开Nvidia的功劳，因为它们都使 用了Nvidia GPU进行渲染。在商业领域，Nvidia GPU也被广泛用于能源研究，石油和天然气储量探测计算，以及股市趋势分析。

　　但你的数据中心并不一定需要GPU，因此不要认为下一次购买服务器就一定要买集成GPU的，对于基本的服务器任务，如文件服务，网页服务或数据库服 务，GPU是帮不上忙的，对于I/O密集型应用，如应用程序服务器或数据库服务器，也是不需要GPU的，它们需要的是大内存，高速连接，或是固态存储，但 都与GPU无关。

　　使用GPU涉及到编程，这也是目前新兴的一种编程类型，想进入这一行的开发人员应该接受专业的培训和教育，但不一定要参加硬件公司的培训，但诸如 Nvidia和AMD提供的培训可能更扎实，但不一定适合企业级开发。

　　OpenCL概述

　　概述

　　OpenCL(全称Open Computing Language，开放运算语言)是第一个面向异构系统通用目的并行编程的开放式、免费标准，也是一个统一的编程环境，便于软件开发人员为高性能计算服务器、桌面计算系统、手持设备编写高效轻便的代码，而且广泛适用于多核心处理器(CPU)、图形处理器(GPU)、Cell类型架构以及数字信号处理器 (DSP)等其他并行处理器，在游戏、娱乐、科研、医疗等各种领域都有广阔的发展前景。

　　OpenCL 1.0主要由一个并行计算API和一种针对此类计算的编程语言组成，此外还特别定义了：

　　1、C99编程语言并行扩展子集;

　　2、适用于各种类型异构处理器的坐标数据和基于任务并行计算API;

　　3、基于IEEE 754标准的数字条件;

　　4、与OpenGL、OpenGL ES和其他图形类API高效互通。

　　OpenCL工作组成员

　　OpenCL工作组的成员包括：3Dlabs、AMD、苹果、ARM、 Codeplay、爱立信、飞思卡尔、Graphic Remedy、IBM、Imagination Technologies、Intel、诺基亚、NVIDIA、摩托罗拉、QNX、高通，三星、Seaweed、德州仪器和瑞典Ume大学等。

　　像Intel、NVIDIA和AMD都是这个标准的支持者，不过微软并不在其列。

　　历史

　　2008年6月的WWDC大会上，苹果提出了OpenCL规范，旨在提供一个通用的开放API，在此基础上开发GPU通用计算软件。随后，Khronos Group宣布成立GPU通用计算开放行业标准工作组，以苹果的提案为基础创立OpenCL行业规范。

　　仅仅半年后，标准就已经完工。Khronos工作组总裁，NVIDIA副总裁 NeilTrevett对OpenCL的定稿速度相当自豪：“如果你去看看其他的大型行业标准，制定过程花上5年都是相当普遍的事情。要把这一过程缩短到 18个月都相当困难，我们之前的纪录是12个月。但这一次，我们只用了6个月。”

　　如此赶工的目的正是为了赶上Mac OS X 10.6 Snow Leopard的发布日程。Intel公司TimMattson在发布会上表示：“当时情况就是这样，如果我们能够赶上苹果这个近乎不可能实现的时间表，就能够得到SnowLeopard的支持，那对我们将是一个巨大的推动。为了实现这个目标，我忙得都快离婚了，每周两次电话会议，面对面会议不计其数，我都不知道我在这活上花了多少个小时了。我已经精疲力竭，都快挂了。在最初的会议上，我就是那个认为这个时间不可能达成的人。但是我错了，我们办到了，而且标准定义的相当完整。对此我相当自豪。”

　　发布会上，Neil Trevett、Tim Mattson以及来自AMD公司的BenGaster都进行了演讲，展示了OpenCL的功能和代码范例，但并没有对该API的具体实现进行演示。因为目前该标准正在工作组各成员企业的法律顾问手中进行检查，确保不会触及公司的知识产权或专利。30天的法律问题考察期结束后，各成员将最终签字令标准生效。届时OpenCL标准的具体规格和Demo演示就将公开。而随着明年Snow Leopard的发布，OpenCL也将正式进入实用。

　　Neil Trevett表示，如果苹果将OpenCL嵌入SnowLeopard的工作能够顺利完成，图像处理、视频处理软件商将迎来巨大的商机：“每台Mac中都封禁了一台超级计算机，只是很难将其释放出来。OpenCL就将解放GPU强悍的运算能力。”除此之外，OpenCL还将在GPU物理加速等领域施展拳脚。更重要的是，它并不限制底层硬件。无论NVIDIA还是AMD显卡，在Snow Leopard下都能使用同样的代码实现通用计算，未来甚至iPhone等掌上设备也有可能实现支持。

　　OpenCL支持现状

　　2009年6月NVIDIA首家发布了支持OpenCL 1.0通用计算规范的驱动程序，支持Windows和Linux操作系统。

　　2009年8月初AMD首次发布了可支持X86处理器的OpenCL SDK——ATI Stream SDK v2.0Beta，立即交由业界标准组织KHRONOS进行审核。

　　官方的OpenCL简介slides在这里： (看来OpenCL.org被抢注了，只有www.khronos.org)

　　http://www.khronos.org/opencl/

　　这个语言长什么样呢? 用下面的图可以说明，普通C语言循环与OpencCL循环的区别：

　　最后，有图有真相，上一张简图：