今天，人工智能（AI）已经在各个领域遍地开花，无论身处哪个行业，使用AI来帮助获取业务洞察，并建立竞争优势，已经非常常见。不过一个有趣的现象是，在用户采购AI基础设施时，几乎所有厂商都会强调其支持GPU的能力，并且支持的GPU数量越多，就代表其AI性能越强大。

例如，在介绍今年新推出的戴尔易安信PowerEdge XE8545服务器时，会特别强调这款4U服务器支持4个NVIDIA A100GP，专门面向人工智能、分析和高级计算等工作负载。

那么问题来了，为什么是GPU而不是CPU？

GPU难道不是我们日常使用的电脑里的，用于提高游戏性能或设计图形所需的图形处理单元吗，为什么在AI方面，我们计算机里的“大脑”（CPU）反而很少提及呢？今天小编就来解答这个问题。

  为什么AI需要GPU

要了解为什么GPU更适合AI，我们就要从GPU的诞生说起。

图形处理单元 (GPU) 最初开发用于生成计算机图形，是具有专用内存的专用处理器，通常执行渲染图形所需的浮点运算。

从GPU的诞生我们可以看到，GPU是专为计算机开发的，旨在提高它们处理3D图形的能力。这种特性决定了GPU仅用于参与任务或应用程序代码的某些部分，而不是整个过程。因此，GPU通常有较多的内核，用于处理频繁且彼此独立的简单计算。

而CPU又被称为通用处理器，因为它几乎可以运行任何类型的计算。不过CPU通常只有几个内核，即使是服务器专用的CPU也不过几十个内核，与GPU动辄成百上千个内核相比完全不是一个数量级。

但这并不意味着CPU不够好，CPU内核虽然更少，但比数千个GPU内核更强大。例如同时处理操作系统、处理电子表格、播放高清视频、提取大型zip文件，这些是GPU根本无法完成的。

说到这里，你该明白GPU和CPU的区别了吧。总结一下，CPU最擅长按顺序处理单个更复杂的计算，而GPU更擅长并行处理多个但更简单的计算。

至于为什么AI需要的GPU，答案也很明显了，因为训练AI模型的过程需要同时对所有数据样本执行几乎相同的操作，而GPU的架构设计具有快速同时处理多个任务所需的并行处理能力。

过要注意的是，尽管GPU非常适合于AI模型算法，但并不意味着GPU在所有情况下都适用：

规模较小的训练：CPU完全可以执行训练AI模型所需的算法，特别是如果数据集规模相对较小，可以使用CPU避免高昂的前期成本。

非并行算法：本质上，GPU是为图形处理而设计的，因此当某个AI模型算法并不是并行算法时，CPU就是更好的选择。某些涉及逻辑或密集内存要求的AI算法也是CPU的强项。

  戴尔科技简化和加速AI部署

此外，有了GPU也并不意味着AI就可以顺利进行，具体到实施步骤，许多公司面临将AI解决方案与基础设施集成的障碍。Gartner的一项研究显示，30%的受访者认为复杂性是令人担忧的主要原因之一。

在这方面，戴尔科技与NVIDIA携手合作，使得VxRail超融合成为第一个获得适用于NVIDIA AI Enterprise的，NVIDIA认证系统资格认证的超融合平台。

用户无需猜测哪种VxRail和NVIDIA GPU配置是为其AI工作负载而优化，并可以从单个控制台无缝管理他们的基础设施和应用程序，让部署、扩展和管理AI基础设施和工作负载变得更加容易，从而更有效管理AI资源，并节省时间和金钱。

另外，戴尔科技还通过开源Omnia软件，加速和简化人工智能和计算密集型工作负载的部署和管理。

这一软件由戴尔科技、英特尔和亚利桑那州立大学联合开发，旨在自动化高性能计算、人工智能和数据分析工作负载的部署和管理，创建一个灵活的资源池，将各种融合工作负载（如HPC模拟、人工智能的神经网络或数据分析的内存图形处理）的部署时间从几天缩短到几分钟。