1、。这个成功本应属于微软。早在 0 年前，微软就已经拿出平板电脑的样机了。今天回顾起来，人们在佩服比尔盖茨的技术远见之余也难免深感不解。 幸运之神并不总是眷顾跑在最前面的。不仅微软，柯达、摩托罗拉甚至苹果都有过这方面的教训。苹果是个人电脑革命先驱，却在革命的第一个浪头中被打得死去活来；柯达是最早研制出数码相机的公司，却因数码相机对胶片相机的快速取代而惨遭劫难；在手机领域，摩托罗拉也有类似经历。 早起的鸟儿不仅有吃到虫子的好机会，也有最早被枪打死的危险，如何权衡利弊其实相当艺术。有管理学者指出，纵观其发展历程，微软其实擅长进入成熟市场，而非开拓新市场。从文字处理到网页浏览等，微软无不是看到了机会，
2、然后依靠强大财力，通过降低定位把先行者打败，鸠夺鹊巢。换言之，它依靠的并不单是技术实力，而是对市场时机的准确判断。 那么，为什么今天的微软却会在时机判断上屡屡失误？一些管理学者将其归咎于微软的管理问题。他们指出，从个人方面来说，鲍尔默缺乏技术或战略眼光。他善于从现有业务中实现微软利润的最大化，却未能在技术或战略上推动微软前进。在整体上，微软则存在内部无序竞争、缺乏合作与协调等问题。一名微软员工表示，盖茨没有离开微软时，公司还有坦诚对话，有许多制衡，而现在鲍尔默的管理就如同独裁。一些业内人士则批评微软如同恐龙般行动迟缓，无法及时满足客户需求。个别人甚至还大胆预言，微软的辉煌日子已经结束，微软的整
3、个业务迟早会崩溃。 实事求是而言，微软还没有麻木到坐以待毙的地步。它在改变自己。 鲍尔默承认了微软在智能手机市场的失误。他说：“我们曾在游戏中领先，现在却排在第五。我们整整差了一圈。 ”鲍尔默很生气，后果很严重。紧随败仗而来的是严厉整肃。5 月份，微软进行一次重大重组，娱乐与设备业务部总裁罗比巴赫离开公司。不久之后，曾在早期率领微软进入平板电脑的副总裁比尔迈克也提前退休。鲍尔默加强了对包括 Xbox、 Zune、Windows Mobile 等在内的娱乐和设备部的控制。 对于开源软件的“宽宏大量”最能体现微软的改变。多年来，二者水火不容，微软从来不吝于对开源软件的口诛笔伐。然而，此一时彼一时，
4、Google 的搅局让微软意识到，开源软件已不再是随时可能熄灭的星星之火。与其拒之，不如纳之。微软一名高管 8 月 24 日如是说：“我们喜欢开源软件。 ” 微软似乎已经找到针对“开源之毒”的有效解药。它觉得已经能够按自己的意愿对其进行掌控。微软转变态度的另一重要原因在于，云计算是大势所趋。今年 5 月，鲍尔默说：“这是公司的赌注。对于云计算，我们倾力投入了。 ” 在云计算时代， “开源”拥有了特别的意义。对于云计算用户来说，他们并不关心软件来自哪里，而只是关心软件是否好用。据鲍尔默表示，现在大约 70%的微软员工从事与云计算有关的项目，该比例还将进一步提高到 90%。该公司一名高管表示，云计
5、算将使微软不仅能吃到 4000 亿美元的软件市场蛋糕，而且能进入整个 IT 市场。为此，微软正在努力将其传统应用软件和平台转移到云计算上来。今年年初，微软开始在 2 个国家销售云软件和服务。 鲍尔默进入微软已经 30 年。年初的微软全球销售大会上，员工们给他送上了一份礼物。面对上万名员工，53 岁的鲍尔默感动涕零。他把青春献给了微软，换来了上百亿的身家以及满脸沧桑。但是，他仍坚信明天会更好。他很乐观地说：“我们正在从一个基本上有利于我们的世界转到一个对我们更有利的世界。 ” 作为全世界成立较早和目前仍然具备绝对影响力的图形芯片生产厂商，ATI 一直在探索图形芯片发展的方向，并在这 25 年发展
6、历程中长期领跑 GPU 性能增长。自从统一渲染架构提出以来，ATI 一直在寻求对这款架构的完善，我们看到继 Xenos 之后的在 PC 市场 ATI 设计了 R600 到 R800一系列性耗比和性价比广受好评的架构。全面支持 OpenCL .的 ATI Stream 软件开发包(SDK)2.2 版 不同厂商对于未来计算环境的考虑是有很大差异的，NVIDIA 正在借助 G80 架构以来的特性不断加强 GPU 的通用性和编程易用性，其 GPU 内部大量单元用于逻辑控制和存储，而 AMD 则主要倾向于用最少的晶体管开销用于流处理器阵列的构建，用线程规模来掩盖延迟。总体来说，NVIDIA 坚持的TLP
7、（线程并行度）考验线程能力和并性能力， AMD 坚持的 ILP（指令并行度）则考验指令处理。 今天我们希望总结我们之前获得的大量资料，借助这篇文章对 AMD 并行计算技术做比较详细的特性分析。在文章的不同章节，我们将各有侧重地分析 GPU 并行计算的原理、发展历程、运算单元细节和目前我们能够找到的 GPU 通用计算实例。同时我们对Fermi 架构、Fusion 概念和 Larrabee 架构的特性做简单分析和预测，希望能让用户通过这些业界最为前瞻的产品找到未来 GPU 发展路径。第一章：GPU 工作原理与并行计算 我们将以 2 世纪视觉需求与 GPU 变化为开端回忆 GPU 从诞生以来的应用领
8、域变革，通过 GPU渲染流水线全面转向可编程浮点单元，GPU 已经走向了并行应用，同时成为超级计算机不可或缺的部件。在目前备受关注的云计算领域，GPU 同样可以发挥自己运算密度和并发线程数极高的特色，更多无法采购大型设备而急需计算资源的用户，将享受到 GPU 云计算带来的便利。第二章：GPU 结构与 ATI 芯片发展 我们将从 R300 架构开始回顾 ATI GPU 发展历程，同时和读者一起探讨不同结构流处理器指令细节，同时关注 ATI 第一代统一渲染架构 Xenos 对未来发展的影响。第三章：GPU 通用计算发展与细节 这一章我们参考大量基础性资料来讲解 CPU 和 GPU 内部功能单元的异
9、同，通过这些异同和它们的适用环境，我们了解到 AMD 提出的 CPU+GPU 异构计算平台能够借助更好的编程接口获得更好的加速比。这种方式比单纯给 GPU 增加调度能力或者给 CPU 增加并行度要更为实际，易用性也会得到解决。第四章：GPU 内部的计算实现细节 这一部分我们关注 CPU 主要计算单元分布和职能，GPU 内部通用计算代码运算过程，同时我们对浮点和整数能力做了进一步分析。这一章的亮点在 GPU 流处理器结构与性能分析部分，我们使用了较为专业的底层软件来对比不同架构的性能差异，对前文的分析做了数据佐证。第五章：ATI GPU 通用计算实例分析 本章我们首先分析了 Open CL 接口
10、对于 ATI GPU 未来发展的影响，然后列举了一些普通用户能够找到并且参与计算的分布式并行计算项目。文章最后的蒙特卡洛算法、N-body 仿真和基于 GPU 的计算机病毒特征匹配来自GPU 精粹 3实例分析，我们希望这种具有普遍意义的项目和算法能够拓展未来的 GPU 应用深度和广度。 濮元恺所写过的技术分析类文章索引（持续更新） 、NVIDIA/ATI 命运转折 GPU 十年发展回顾 7、 显卡只能玩游戏? 0 年 GPU 通用计算回顾 2、改变翻天覆地 最全 Fermi 架构解读 8、 通用计算对决 四代 N 卡激战 CUDA-Z 3、从裸奔到全身武装 CPU 功能集成之路探秘 9、 浅析
11、 DirectX技术 带给图形业界的改变 4、AMD 统一渲染架构 历程回顾与评测 0、摩尔定律全靠它 CPU 光刻技术分析 5、A/N 谁占上风 4 款显卡底层性能揭秘 GPU 通用计算 6、别浪费你的电脑 分布式计算在中国 2、Computex 独家泄密 解析 AMD 下代 GPU 产品：ATI Mobility Radeon HD 4850 显示芯片 前言：通过 GPU 见证行业变革 前言：通过 GPU并行计算见证行业最大变革 从 999 年到现在从第一个显卡 GPU 产生到现在只有短短十年的时间。在这短短十年当中我们已经看到了 GPU 的运算能力呈几何级数提升，这个世界在GPU 的虚拟
12、之下更快更真，而更重要的一点是 GPU 已经将它的应用范围不断拓展。 从图形领域虚拟现实的角度来说，只要有显示终端的地方就需要一颗 GPU。借助于 GPU 可以让医学家观察到更细微的分子；借助于 GPU 可以让军事演习的拟真度更强；借助于 GPU可以让专业工作站的效率翻倍提升；借助于 GPU 可以让电影的特效骗过你的眼睛。 最近几年中当我们发现 GPU 的硬件结构能够适应极高并行度与大量浮点吞吐的运算环境，更多的科学研究领域已经开始大量采购 GPU 设备应用于电脑辅助工程、油气勘探、金融安全评估等领域。至此，GPU 存在的意义已远远不是为图形运算服务这么简单。 高性能并行计算已经成为国家竞争力
13、的重要标志之一，对科学技术进步、经济社会发展、生态环境保护和国家与公共安全的作用日益显著。但是，在超级计算机的峰值突飞猛进的同时，其投资大、运行维护成本高、使用效率低等问题也日渐突出，成为制约超算能力提升的瓶颈。 以低廉的成本和现成的网络设施实现高效的 GPU 超级计算技术越来越受到很多企业及科研单位的关注。GPU 运算今天已经在产业界占有一席之地，尤其在科学模型模拟的运算上，都需仰赖 Intensive) Internet 的发展，为我们提供了大量的数据资源，但有效地利用这些资源，需要进行大量地处理，且对计算机的要求也相当高，这些应用包括数字图书馆、数据仓库、数据挖掘、计算可视化。 3、网络
14、密集型 (Network-Intensive) 通过网络进行远距离信息交互，来完成用传统方法不同的一些应用问题。如协同工作、遥控与远程医疗诊断等。 并行度极高的 RV870 拥有 600 个流处理器 GPU 所擅长应对的并行计算问题，正是我们之前提到的计算密集型（Compute-Intensive）问题。因为 GPU 内部大量充斥着 ALU 运算单元阵列，这种单元应对并行度高运算密度大的问题比 CPU 获取的加速比要高很多倍。GPU 执行，动辄比一般中央处理器（CPU）还快出数十倍，甚至数百倍的复杂数学模型运算。 通过 Shader 单元的可编程性将 GPU 运用于图形运算之外的应用领域，是本世纪初计算机行业最大的变革，它标志着一种可大规模生产的高性能芯片正在渗透传统 CPU 掌控的高性能计算领域。借助 GPU 这种运算单元密集的芯片，各行业可以获取性价比和性耗比更高的运算解决方案。 曾今很多无法想象和耗费巨大的科学命题如全球气候变化、人类基因组工程等等问题如今可以借助 GPU 的运算能力以更快更经济的途径实现。作为这场变革的见证和
