这个标准的CPU屈指可数，Power8就是其中之一。这意味着Power8、CPU需要与TeslaP100GPU以更高的速度完成通信，具有IBMPowerSystemsS822LCForHighorformance，CPU与GPU的连接速度远远快于普通PCIe总线交换数据的展示。IBM回:这个功能与GPU在PCI-E接口处的x86系统不同，数据库应用程序、高性能分析应用程序和高性能计算应用程序的运行需要在相当小的数据集中运行。

此外，TeslaP100的半精度浮点运算性能每秒超过21兆次——————————————————————————————————————IBM与旧PowerS82LC服务器的TeslaK80GPU加速器相比，新服务器的加速能力提高了2倍以上。预计明年出现的IBMPower9不会沿袭CPUGPU人群的优化。为什么是CPUGPU？众所周知，在人工智能人工智能和深度自学等计算任务中，CPU早已承担重任。因此，许多企业争相推出人工智能专用芯片概念，如谷歌的TPU(TensorProcessingUnit)。

业内人士也支持FPGA更适合深度自学的算法，这也是英特尔高价收购Altera的主要原因。但是，以上两种替代中央处理器的计划尚未成熟。目前，大多数企业仍然使用中央处理器UUUUUUUUUUUUUUUUUUUUUUPU的人群，或者称为不同组织的服务器。一般来说，在这种异构模式下，应用的串行部分在中央处理器上运行，而中央处理器主要负责管理和计算任务困难的部分。

与中央处理器相比，中央处理器的优势非常明显:1.中央处理器主要优化串行指令，而中央处理器优化大规模分段运算。因此，后者在大规模阶段运算的速度更慢2.在同等面积下，GPU享有更好的运算单元(整数、浮点的乘加单元、运算单元等)3.一般来说，GPU享有更大比特率的Memory，因此在大吞吐量的应用中也没有良好的性能。

4.GPU对能源的市场需求比CPU高。当然，这并不意味着人工智能服务器对中央处理器没有市场需求。中央处理器仍然是计算任务不可或缺的一部分。

在深度自学算法处理任务中，高性能的中央处理器必须继续执行命令，并与中央处理器进行数据传输。同时，它充分发挥中央处理器的通用性和中央处理器的简单任务处理能力，以超过最差的效果。一般来说，它是建立中央处理器和中央处理器的合作计算。

NVIDIA和Intel等芯片制造商为GPU和CPU哪个强弱，实质上这些企业已经开始在异构计算中提高研究开发能力，至少最近CPU和GPU的融合成为人工智能领域最有效的方案。原始文章允许禁止发布。

下一篇文章发表了注意事项。

本文来源：鸭脖手机版-www.yufengmachine.com