GPU

CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理，这些都使得CPU的内部结构异常复杂。而GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。

当显示器的分辨率或显示屏的PPI（每英寸的像素数）足够大时，人眼将无法看清具体的像素点，但相邻像素之间的色彩差异也会产生明显的错落感，高分辨率/PPI由于像素变得非常细腻，可以同比缩小锯齿，但仍不能完全消除锯齿。

GPU图形处理，可以大致分成 5 个步骤：第一步，vertex shader。第二步，primitive processing。第三步，rasterisation。第四步，fragment shader。最后一步，testing and blending。

GPU渲染与传统的CPU渲染不同，GPU渲染的运算速度更快，传统的CPU渲染是利用CPU的运算部分进行渲染运算，但一颗CPU的运算单元只占CPU的小部分。但GPU就不同了，一颗GPU拥有上千个核心，所以进行渲染运算时，这上千个核心会全部进行并行计算。

所有渲染所需的数据都需要从硬盘(HDD)中加载到系统内存(RAM)中，然后，网格和纹理等数据又被加载到显卡上的存储空间–显存(VRAM)中。这是因为：显卡对于显存的访问速度更快，而且大多数显卡对于RAM没有直接的访问权利。

受架构所限，AI时代由CPU驱动的数据库在数据访问速度及处理速度上均不再适用，而这也恰是擅长规模化并行计算的GPU的优势。也因此，AI时代，GPU或将驱动数据库变革。

本文详细描述GPU是如何实现概念阶段的后两个阶段——几何阶段和光栅化阶段可以分成若干个更小的流水线阶段，这些流水线阶段由GPU来实现，每个阶段GPU提供了不同的可配置性或可编程性。

由于图形引擎的复杂性，瓶颈可能发生在CPU、GPU、，也可能发生在CPU与GPU的传输数据与交互之中。这里我们只假设瓶颈在GPU上，讨论GPU的优化方法。