GPU在现在的应用中越来越重要，对于GPU，我们都具备些许了解，因为不论是手机中、还是电脑里面，都有GPU的身影。
为增进大家对GPU的认识程度，本文将探讨一下GPU和CPU，看看谁的优势更大。
一、GPU与CPU孰强孰弱?
GPU是替代不了CPU的，同样，CPU也替代不了GPU。如果形象点理解，GPU就像一群蚂蚁，这些蚂蚁都做着同样的事，而CPU就像一只猴子，这只猴子做着各种不同的事。
从根本上说CPU和GPU它们的目的不同，且有不同侧重点，也有着不同的性能特性，在某些工作中CPU执行得更快，另一工作中或许GPU能更好。
当你需要对大量数据做同样的事情时，GPU更合适，当你需要对同一数据做很多事情时，CPU正好。
然而在实际应用中，后一种情形更多，也就是CPU更为灵活能胜任更多的任务。
GPU能做什么？关于图形方面的以及大型矩阵运算，如机器学习算法、挖矿、暴力破解密码等，GPU会有所帮助。
简单地说，CPU擅长分支预测等复杂操作，GPU擅长对大量数据进行简单操作。一个是复杂的劳动，一个是大量并行的工作。
其实GPU可以看作是一种专用的CPU，专为单指令在大块数据上工作而设计，这些数据都是进行相同的操作。
要知道处理一大块数据比处理一个一个数据更有效，执行指令开销也会大大降低，因为要处理大块数据，意味着需要更多的晶体管来并行工作，现在旗舰级显卡都是百亿以上的晶体管。
CPU呢，它的目的是尽可能快地在单个数据上执行单个指令。由于它只需要使用单个数据单条指令，因此所需的晶体管数量要少得多。
目前主流桌面CPU晶体管都是十亿以下，和顶级GPU相差十倍以上，但它需要更大的指令集，更复杂的ALU(算术逻辑单元)，更好的分支预测，更好的虚拟化架构、更低的延迟等等。
另外，像我们的操作系统Windows，它是为x86处理器编写的，它需要做的任务执行的进程，在CPU上肯定更为高效，你想每个线程的任务并不相同，基本上难以并行化，完全发挥不了GPU的长处。
那么，可以预见在未来，随着CPU进一步强化处理数据块的能力，我们将看到CPU和GPU架构之间的融合，而且随着制造技术的进步和芯片的缩小，GPU也可以承担更复杂的指令。
二、GPU加速原理
GPU一推出就包含了比CPU更多的处理单元，更大的带宽，使得其在多媒体处理过程中能够发挥更大的效能。
例如：当前最顶级的CPU只有4核或者6核，模拟出8个或者12个处理线程来进行运算，但是普通级别的GPU就包含了成百上千个处理单元，高端的甚至更多，这对于多媒体计算中大量的重复处理过程有着天生的优势。
下图展示了CPU和GPU架构的对比。
从硬件设计上来讲，CPU由专为顺序串行处理而优化的几个核心组成。另一方面，GPU则由数以千计的更小、更高效的核心组成，这些核心专为同时处理多任务而设计。
通过上图我们可以较为容易地理解串行运算和并行运算之间的区别。
传统的串行编写软件具备以下几个特点：
1) 要运行在一个单一的具有单一中央处理器(CPU)的计算机上；
2) 一个问题分解成一系列离散的指令；
3) 指令必须一个接着一个执行；
4) 只有一条指令可以在任何时刻执行。
而并行计算则改进了很多重要细节：
1) 要使用多个处理器运行；
2) 一个问题可以分解成可同时解决的离散指令；
3) 每个部分进一步细分为一系列指示；
4) 每个部分的问题可以同时在不同处理器上执行。
举个生活中的例子来说，你要点一份餐馆的外卖，CPU型餐馆用一辆大货车送货，每次可以拉很多外卖，但是送完一家才能到下一家送货，每个人收到外卖的时间必然很长；
而GPU型餐馆用十辆小摩托车送货，每辆车送出去的不多，但是并行处理的效率高，点餐之后收货就会比大货车快很多。
