前言
本文通过介绍 GPU 编程技术的发展历程，让大家初步地了解 GPU 编程，走进 GPU 编程的世界。
冯诺依曼计算机架构的瓶颈
曾经，几乎所有的处理器都是以冯诺依曼计算机架构为基础的。该系统架构简单来说就是处理器从存储器中不断取指，解码，执行。
但如今这种系统架构遇到了瓶颈：内存的读写速度跟不上 CPU 时钟频率。具有此特征的系统被称为内存受限型系统，目前的绝大多数计算机系统都属于此类型。
为了解决此问题，传统解决方案是使用缓存技术。通过给 CPU 设立多级缓存，能大大地降低存储系统的压力：
然而随着缓存容量的增大，使用更大缓存所带来的收益增速会迅速下降，这也就意味着我们要寻找新的办法了。
对 GPU 编程技术发展具有启发意义的几件事
1. 70年代末期，克雷系列超级计算机研制成功 (克雷1当年耗资800万美元)。
此类计算机采用若干内存条的共享内存结构，即这些内存条可以与多个处理器相连接，从而发展成今天的对称多处理器系统 (SMD)。
克雷2是向量机 - 一个操作处理多个操作数。
如今的 GPU 设备的核心也正是向量处理器。
2. 80年代初期，一家公司设计并研制了一种被称为连接机的计算机系统。
该系统具有16个 CPU 核，采用的是标准的单指令多数据 (SIMD) 并行处理。连接机通过这种设计能够消除多余的访存操作，并将内存读写周期变为原来的 1/16 。
3. CELL 处理器的发明
这类处理器很有意思，其架构大致如下图所示：
在此结构中，一个 PPC 处理器作为监管处理器，与大量的 SPE流处理器相连通，组成了一个工作流水线。
对于一个图形处理过程来说，某个 SPE 可负责提取数据，另一个 SPE 负责变换，再另一个负责存回。这样可构成一道完完整整的流水线，大大提高了处理速度。
顺便提一句，2010年超级计算机排名第三的计算机就是基于这种设计理念实现的，占地面积达560平方米，耗资 1.25 亿美元。
多点计算模型
集群计算是指通过将多个性能一般的计算机组成一个运算网络，达到高性能计算的目的。这是一种典型的多点计算模型。
而 GPU 的本质，也同样是多点计算模型。其相对于当今比较火的Hadoop/Spark集群来说：“点”由单个计算机变成了 单个SM (流处理器簇)，通过网络互连变成了通过显存互连 (多点计算模型中点之间的通信永远是要考虑的重要问题)。
GPU 解决方案
随着 CPU "功耗墙" 问题的产生，GPU 解决方案开始正式走上舞台。
GPU 特别适合用于并行计算浮点类型的情况，下图展示了这种情况下 GPU 和 CPU 计算能力的差别：
但这可不能说明 GPU 比 CPU 更好，CPU应当被淘汰。 上图的测试是在计算可完全并行的情况下进行的。
对于逻辑更灵活复杂的串行程序，GPU 执行起来则远不如 CPU 高效 (没有分支预测等高级机制)。
另外，GPU 的应用早已不局限于图像处理。事实上 CUDA 目前的高端板卡 Tesla 系列就是专门用来进行科学计算的，它们连 VGA 接口都没。
几款新的显卡及其配置 (仅列 N 卡)
注：
1. 各参数的具体含义将在以后的文章中做细致分析
2. 当前显卡的具体参数信息可通过调试工具获取到 (方法略)
主流 GPU 编程接口
1. CUDA
是英伟达公司推出的，专门针对 N 卡进行 GPU 编程的接口。文档资料很齐全，几乎适用于所有 N 卡。
本专栏讲述的 GPU 编程技术均基于此接口。
2. Open CL
开源的 GPU 编程接口，使用范围最广，几乎适用于所有的显卡。
但相对 CUDA，其掌握较难一些，建议先学 CUDA，在此基础上进行 Open CL 的学习则会非常简单轻松。
3. DirectCompute
微软开发出来的 GPU 编程接口。功能很强大，学习起来也最为简单，但只能用于 Windows 系统，在许多高端服务器都是 UNIX 系统无法使用。
总结，这几种接口各有优劣，需要根据实际情况选用。但它们使用起来方法非常相近，掌握了其中一种再学习其他两种会很容易。
学习 GPU 编程的意义
1. 不单能学会如何使用 GPU 解决问题，更让我们更加深入地了解并行编程思想，为以后全面地掌握各种并行技术打下铺垫。
2. 并行计算相关知识的研究与发展势必会成为未来IT业界与学界的一大热点。