GPU计算的目的即是计算加速。相比于CPU，其具有以下三个方面的优势：
l 并行度高：GPU的Core数远远多于CPU（如G100 GPU有240个Cores），从而GPU的任务并发度也远高于CPU；
l 内存带宽高：GPU的内存系统带宽几十倍高于CPU，如CPU （DDR-400）带宽是3.2GB/秒，而GPU内存系统带宽可达147.1GB/秒；
l 运行速度快：GPU在浮点运算速度上较之CPU也具有绝对优势，如对于一般的硬件，CPU（Intel Core 2 Quad Q8200）是 37 GFLOPS，而GPU（nVIDIA Geforce 8800 Ultra（G80-450 GPU））则可达393.6 GFLOPS。
另一方面，GPU采用的SIMD（Single Instruction Multiple Data）架构，这决定了其对执行的任务具有特定的要求（如不适合判断逻辑过多的任务，数据大小不可控的任务等）。而且，应用程序在GPU上也需有特定的实现，包括算法的GPU并行化，程序的定制等。因此，针对GPU并行处理的研究成为一大研究热点。
目前，CUDA和OpenCL是GPU的两种最为流行的编程语言。它们在程序逻辑方面相似，主要直观的区别在于：
l OpenCL比CUDA灵活度高：CUDA只支持NVIDIA的设备，而OpenCL支持各种类型的协处理器，包括GPU，FPGA等；
l CUDA较之OpenCL用户友好性高：CUDA是一个更为高级的抽象，其提供的API更易于使用，而无需编程者对底层设备过多了解；
现有GPU采用SIMD方式执行，即所有线程块在同一时刻执行相同的程序，从而若这些线程块处理的数据量相差大，或计算量分布不均，便会带来线程块的负载不均，进而影响整个任务执行效率。这类问题实则常见的Skew Handling或Load Inbalance问题。
应用算法的GPU并行化之所以成为一个研究问题而不仅仅是工程问题，这其中的主要的问题在于
1）GPU不支持内存的动态分配，从而对于输出结果大小不确定的任务是一个极大的挑战；
2）GPU的SIMD特性使得很多算法不易很好实现，即如何充分利用GPU线程块的并行度；
3）共享数据的竞争读写，共享数据的锁机制带来大量的等待时间消耗。
GPU作为一种协处理器，其的执行受CPU调度。在实际应用中，GPU更多的也是配合CPU工作，从而基于CPU/GPU异构系统的统一任务调度更具实用意义，也是有关GPU的重要研究方面。
GPU采用SIMD架构，各线程块在同一时刻执行相同的Instruction，但对应的是不同的数据。但事实上，GPU线程块具有如下特征：
n 每个线程块只对应于一个的流处理器（SM），即其只能被该对应的SM执行，而一个SM可以对应多个线程块；SM在执行线程块时，线程块中的线程以Warp（每32个线程）为单位调度及并行执行；
n 线程块内的线程可同步，而不同线程块的同步则只能由CPU调用同步命令完成；
n 不同线程块的运行相互独立。
因此，为不同的线程块分配不同的任务，使得GPU做到任务并行，最大化GPU的利用成为可能并具有重要的研究意义。