GPU计算的发展策略分析

    考察GPU计算的前景，与推广思路。我们来思考一下高性能计算的商业化应用。也就是哪里需要用到高性能计算。即我们的市场究竟多大。

    科研工作——院校、企业，再有就是计算密集型服务。院校上讲，由于CUDA的学习周期较长，相对于其他并行方法如MPI，openMP。因为它的cache小，存储和调用方式对其优化效果有决定性影响。学生需要熟悉更多内容才可进行实质性的软件性能优化。而拥有更多学习时间的博士主要从事算法设计，不会有很多会来花时间学习GPU。对于学校用户，我们需要针对性的学习平台，比如集中授课，中文讲义等等，以缩短学生学习周期。

    企业的科研工作可以较好地利用到GPU计算，因为企业员工有着较长的可学习时间。

    计算密集型服务主要有：搜索引擎，数据挖掘，网络游戏，门户网站（欢迎补充）。因为GPU对随机性的内存访问支持并不十分理想，如何优化程序将是未来的努力方向。

    这两年，GPU计算的宣传做上去了，但是用户拿到产品是否能真正对他们有所帮助，才是决定现在的形式是否为泡沫的关键。

    作为企业用户（不含设备提供商），会以利润和风险为导向。他们是否采用GPU代替原有设备的驱动力是他们可以从GPU计算中得到的业务利润提升，而代价是培训与设备转换与维护成本。对于那些计算设备占据了企业成本中重要份额的公司，采用GPU计算将带来显著的利润，他们会首先对此项技术感兴趣。而对于那些计算设备仅仅占据边缘份额的公司，可能吸引力就没那么大。我们的首要目标应该是前面提到的这些公司。每个企业的实际需要不同，这些公司需要专为其定制的高性能计算方案。从软件到硬件的针对性垂直服务，可将他们的利润最大化。NVIDIA公司可尝试ARM公司的策略，向设备制造商提供广泛而深入的服务器组建技术支持，或者直接服务企业用户。

    总结起来，针对研究机构与校园用户，可以开展直接的培训与准备高质量高针对性的的配套学习材料。对于有需求的企业用户，可针对性地定制软件与硬件，提供完善的技术支持。