隨著數據需求工作負載(zai)滲透(tou)到并覆蓋傳統的(de)(de)CPU性能，GPU各供應商已經為數據中(zhong)心補充了全新的(de)(de)設備和顯示卡。

最近、人工智能以及機(ji)器(qi)學習的(de)潮流正在(zai)企業服務(wu)器(qi)之間形(xing)成連鎖(suo)反應。因(yin)為傳統的(de)微處理器(qi)難以有效地處理這些來自要求苛刻的(de)工作負載的(de)信息，因(yin)此數據中心圖形(xing)處理器(qi)轉移至該領域填補相關的(de)資源(yuan)空(kong)白。

自70年代以(yi)來，圖(tu)形(xing)處(chu)理(li)(li)(li)單元(yuan)最初(chu)被用于從(cong)中央處(chu)理(li)(li)(li)器處(chu)理(li)(li)(li)視(shi)頻和圖(tu)形(xing)處(chu)理(li)(li)(li)任務。與(yu)典型的(de)(de)CPU相比，這些(xie)系統(tong)具(ju)有不同(tong)的(de)(de)底(di)層設計(ji)，GPU是為在(zai)單一數(shu)(shu)據流上最大化高(gao)速(su)(su)流水線上吞(tun)吐量而(er)(er)構(gou)建(jian)的(de)(de)。CPU也(ye)被設計(ji)為支持快速(su)(su)切換(huan)，并將(jiang)信(xin)息從(cong)一個(ge)地(di)方快速(su)(su)移動(dong)到另一個(ge)地(di)方，如從(cong)主存(cun)儲到某一存(cun)儲系統(tong)。然而(er)(er)GPU具(ju)有不同(tong)的(de)(de)結構(gou)：它們可以(yi)并行(xing)處(chu)理(li)(li)(li)并支持多個(ge)高(gao)速(su)(su)連(lian)接。這些(xie)微(wei)處(chu)理(li)(li)(li)器有多組(zu)數(shu)(shu)據路徑進行(xing)大量的(de)(de)數(shu)(shu)據處(chu)理(li)(li)(li)，這與(yu)圖(tu)形(xing)應(ying)用程序的(de)(de)需求非常吻合。

擴展(zhan)數(shu)據中心GPU應用范圍

GPU在完(wan)成(cheng)少量任務方面做得很好，但隨著任務要求(qiu)逐(zhu)漸擴大，相關相應也(ye)逐(zhu)漸完(wan)成(cheng)擴展。Nvidia傾向于把GPU與其(qi)他半(ban)導體(ti)供應商(shang)區分開(kai)來(lai)，并為GPU尋找更廣泛的用途(tu)。

首先，這些(xie)產品開(kai)始進入高(gao)性(xing)能計算(suan)領域(yu)。然而(er)最(zui)近(jin)，GPU供應商專門(men)為(wei)數據中心服(fu)務器(qi)設計了設備和顯(xian)(xian)示(shi)(shi)卡產品。專為(wei)服(fu)務器(qi)優化(hua)的(de)GPU使用高(gao)帶寬內存，并作為(wei)模(mo)塊集成到專用服(fu)務器(qi)設計中，或作為(wei)外(wai)圍組(zu)件互連快速（Peripheral Component Interconnect Express）附(fu)加卡的(de)方式提供。但是，與游戲顯(xian)(xian)卡不同，這些(xie)顯(xian)(xian)示(shi)(shi)卡并未提供圖形化(hua)界面。

服務(wu)器各(ge)供應商將(jiang)GPU與(yu)CPU連接起來，以充分利用CPU的優勢。當CPU性能(neng)無法滿足(zu)處(chu)理數(shu)據密集型任務(wu)時，會提高CPU（與(yu)GPU的集成(cheng)）性能(neng)（滿足(zu)任務(wu)需要(yao)）。

大(da)數據、機器(qi)學習和人工智能應用程序具有很高的處理要(yao)求(qiu)，需要(yao)處理大(da)量的信息和不同的數據類型。這些特點與GPU的設計初(chu)衷(zhong)非(fei)常吻合。

AI和機器學(xue)習各(ge)供(gong)應商均使用GPU來支持處理訓(xun)練(lian)神經網絡所需的(de)(de)大量數(shu)據。Gartner公司的(de)(de)分(fen)析師Alan Priestley表(biao)示，在這一領域的(de)(de)市場(chang)之中，相比于將程序部署到具有(you)GPU的(de)(de)高性能服務器之上，擁有(you)GPU的(de)(de)PC設備可用性可幫助(zhu)軟件開發(fa)人員能夠在臺式電腦上開發(fa)他們的(de)(de)算法。

GPU在(zai)數據(ju)中心(xin)領域的應用

數(shu)據中(zhong)心GPU的應(ying)用將(jiang)來可能會不斷深入(ru)。GPU是任務關(guan)鍵型工作負載的重要(yao)基礎設施特(te)性。Priestley說，IT組(zu)織可推行采購(gou)商品化的GPU，并且借(jie)助標準庫(ku)的使用，他們可以很(hen)容(rong)易地(di)將(jiang)其納(na)入(ru)應(ying)用程(cheng)序。

因此，服(fu)務(wu)器(qi)(qi)(qi)各供(gong)應商提供(gong)集成(cheng)GPU模塊(kuai)的(de)專(zhuan)用服(fu)務(wu)器(qi)(qi)(qi)或支持GPU附加卡(ka)的(de)產品。據(ju)Gartner公司的(de)調查，面向服(fu)務(wu)器(qi)(qi)(qi)優化的(de)GPU顯卡(ka)和使用性能最高的(de)處(chu)理器(qi)(qi)(qi)的(de)模塊(kuai)通(tong)常的(de)成(cheng)本在1，000美元(yuan)(yuan)到5，000美元(yuan)(yuan)之間(jian)。

已有相關產(chan)品的供(gong)應商開始將這些附加產(chan)品納(na)入其產(chan)品線。

戴(dai)爾同(tong)時(shi)支(zhi)持(chi)AMD公(gong)司的FirePro系(xi)列GPU以及Nvidia公(gong)司的GPU，專(zhuan)為虛擬臺(tai)式基礎(chu)設施和計算應用(yong)而設計，并(bing)具有支(zhi)持(chi)高達1792個GPU核(he)心的處理能力。Hewlett Packard Enterprise（HPE）ProLiant系(xi)統(tong)可與Nvidia Tesla，Nvidia GRID和Nvidia Quadro GPU協同(tong)工作。HPE Insight集群管理實用(yong)程(cheng)序(xu)（HPE Insight Cluster Management Utility）將(jiang)安裝并(bing)配(pei)置(zhi)GPU驅動程(cheng)序(xu)，可提供(gong)如溫度等GPU運(yun)行狀(zhuang)況(kuang)的監控。

為(wei)了準備數據(ju)中心(xin)GPU深入使用(yong)，管(guan)理(li)(li)員(yuan)需要掌握如何管(guan)理(li)(li)這(zhe)些處理(li)(li)器的專(zhuan)業知識。他們應該找(zhao)到(dao)熟悉這(zhe)項(xiang)技(ji)術的有關(guan)人員(yuan)，當然這(zhe)絕非易事，因為(wei)技(ji)術不(bu)同(tong)于傳統的微處理(li)(li)器設(she)計，而且盡(jin)管(guan)Nvidia提(ti)供了一些培訓材(cai)料，相關(guan)的課程仍然比較(jiao)少。

文章編輯：CobiNet(寧波)  
本公司專注于電訊配件,銅纜綜合布線系列領域產品研發生產超五類，六類,七類線，屏蔽模塊，配線架及相關模塊(kuai)配(pei)件(jian)的(de)研發和(he)生(sheng)產。