另外，Tesla P100的半精度浮點運算性能達到了每秒21萬億次 —— 比插入現代PCI-E插槽的GPU高出大約14%，這樣的處理能力對訓練深度神經網絡的重要性不言而喻。

　　IBM還做了個縱向對比，和老款Power S822LC服務器的Tesla K80 GPU加速器相比，新款服務器的加速能力提升了兩倍多。

　　預計明年問世的IBM Power9會延續對CPU+GPU組優化。

　　為何是“CPU+GPU”?

　　眾所周知，在人工智能人工智能和深度學習等計算任務上，CPU早已不堪重任。因此，不少企業紛紛推出人工智能專用芯片概念，例如谷歌的TPU(Tensor Processing Unit);還有業內人士力挺FPGA更適合深度學習的算法，這也是英特爾以高價收購Altera的主要原因。

　　不過，上述兩個替代CPU的方案都還未成熟，目前大多數企業采用的依然是“CPU+GPU”的組合，或者稱為異構服務器。通常來說，在這種異構模式下，應用程序的串行部分在CPU上運行，而GPU作為協處理器，主要負責計算任務繁重的部分。

　　因為和CPU相比，GPU的優勢非常明顯：

　　1.CPU主要為串行指令而優化，而GPU則是為大規模的并行運算而優化。所以，后者在大規模并行運算的速度更快;

　　2.同等面積下，GPU上擁有更多的運算單元(整數、浮點的乘加單元，特殊運算單元等等);

　　3.一般情況下，GPU擁有更大帶寬的 Memory，因此在大吞吐量的應用中也會有很好的性能。

　　4.GPU對能源的需求遠遠低于CPU。

　　當然，這并不代表人工智能服務器對CPU沒有需求，CPU依然是計算任務不可或缺的一部分，在深度學習算法處理任務中還需要高性能的CPU來執行指令并且和GPU進行數據傳輸，同時發揮CPU的通用性和GPU的復雜任務處理能力，才能達到最好的效果，通俗點說就是實現CPU和GPU的協同計算。

　　雖然NVIDIA和Intel等芯片商正在為GPU和CPU孰強孰弱陷入了口水戰，但實際上這些企業已經開始在異構計算上加大了研發力度，至少在近期內，CPU和GPU的結合將繼續成為人工智能領域最有效的方案。