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。
