隨著數據需求工作負載滲透到數據中心并覆蓋傳統的CPU性能，GPU各供應商已經為數據中心補充了全新的設備和顯示卡。 最近大數據、人工智能以及機器學習的潮流正在企業服務器之間形成連鎖反應。因為傳統的微處理器難以有效地處理這些來自要求苛刻的工作負載的信息，因此數據中心圖形處理器轉移至該領域填補相關的資源空白。
自70年代以來，圖形處理單元最初被用于從中央處理器處理視頻和圖形處理任務。與典型的CPU相比，這些系統具有不同的底層設計，GPU是為在單一數據流上最大化高速流水線上吞吐量而構建的。
CPU也被設計為支持快速切換，并將信息從一個地方快速移動到另一個地方，如從主存儲到某一存儲系統。然而GPU具有不同的結構：它們可以并行處理并支持多個高速連接。這些微處理器有多組數據路徑進行大量的數據處理，這與圖形應用程序的需求非常吻合。
擴展數據中心GPU應用范圍
GPU在完成少量任務方面做得很好，但隨著任務要求逐漸擴大，相關相應也逐漸完成擴展。Nvidia傾向于把GPU與其他半導體供應商區分開來，并為GPU尋找更廣泛的用途。
首先，這些產品開始進入高性能計算領域。然而最近，GPU供應商專門為數據中心服務器設計了設備和顯示卡產品。專為服務器優化的GPU使用高帶寬內存，并作為模塊集成到專用服務器設計中，或作為外圍組件互連快速（Peripheral Component Interconnect Express）附加卡的方式提供。但是，與游戲顯卡不同，這些顯示卡并未提供圖形化界面。
服務器各供應商將GPU與CPU連接起來，以充分利用CPU的優勢。當CPU性能無法滿足處理數據密集型任務時，會提高CPU（與GPU的集成）性能（滿足任務需要）。
大數據、機器學習和人工智能應用程序具有很高的處理要求，需要處理大量的信息和不同的數據類型。這些特點與GPU的設計初衷非常吻合。
AI和機器學習各供應商均使用GPU來支持處理訓練神經網絡所需的大量數據。Gartner公司的分析師Alan Priestley表示，在這一領域的市場之中，相比于將程序部署到具有GPU的高性能服務器之上，擁有GPU的PC設備可用性可幫助軟件開發人員能夠在臺式電腦上開發他們的算法。
GPU在數據中心領域的應用數據中心GPU的應用將來可能會不斷深入。GPU是任務關鍵型工作負載的重要基礎設施特性。Priestley說，IT組織可推行采購商品化的GPU，并且借助標準庫的使用，他們可以很容易地將其納入應用程序。
因此，服務器各供應商提供集成GPU模塊的專用服務器或支持GPU附加卡的產品。據Gartner公司的調查，面向服務器優化的GPU顯卡和使用性能最高的處理器的模塊通常的成本在1,000美元到5,000美元之間。
已有相關產品的供應商開始將這些附加產品納入其產品線。
戴爾同時支持AMD公司的FirePro系列GPU以及Nvidia公司的GPU，專為虛擬臺式基礎設施和計算應用而設計，并具有支持高達1792個GPU核心的處理能力。Hewlett Packard Enterprise（HPE）ProLiant系統可與Nvidia Tesla，Nvidia GRID和Nvidia Quadro GPU協同工作。HPE Insight集群管理實用程序（HPE Insight Cluster Management Utility）將安裝并配置GPU驅動程序，可提供如溫度等GPU運行狀況的監控。
為了準備數據中心GPU深入使用，管理員需要掌握如何管理這些處理器的專業知識。他們應該找到熟悉這項技術的有關人員，當然這絕非易事，因為技術不同于傳統的微處理器設計，而且盡管Nvidia提供了一些培訓材料，相關的課程仍然比較少。
京公網安備 11010502049343號