[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-gpgpu-graphics-chips-general-compute-engines-zh":3,"article-related-gpgpu-graphics-chips-general-compute-engines-zh":33,"series-industry-c02c3eac-077c-416c-9abe-f16ca7e87a98":80},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"c02c3eac-077c-416c-9abe-f16ca7e87a98","gpgpu-graphics-chips-general-compute-engines-zh","GPGPU 讓 GPU 變成通用算力引擎","\u003Cp data-speakable=\"summary\">GPGPU 讓 GPU 從繪圖晶片，變成能跑通用運算的算力引擎。\u003C\u002Fp>\u003Cp>這條路不是偶然。2006 年 \u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\" target=\"_blank\" rel=\"noopener\">CUDA\u003C\u002Fa> 上線，\u003Ca href=\"https:\u002F\u002Fwww.khronos.org\u002Fopencl\u002F\" target=\"_blank\" rel=\"noopener\">OpenCL\u003C\u002Fa> 走開放標準，\u003Ca href=\"https:\u002F\u002Frocm.docs.amd.com\u002Fen\u002Flatest\u002F\" target=\"_blank\" rel=\"noopener\">ROCm\u003C\u002Fa> 則補上 AMD 的開源路線。到今天，很多超級電腦都靠 GPU 跑核心工作，某些高度最佳化的程式，速度甚至比 CPU-only 版本快上數百倍。\u003C\u002Fp>\u003Cp>這篇文章要談的，就是 GPU 怎麼從畫圖，走到一般運算。重點很直接：當工作量夠平行，GPU 會比 CPU 更划算。問題只在於，你得先把程式寫對。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Milestone\u003C\u002Fth>\u003Cth>Year\u003C\u002Fth>\u003Cth>Why it mattered\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Conway's Game of Life on a blitter\u003C\u002Ftd>\u003Ctd>1987\u003C\u002Ftd>\u003Ctd>早期證明非繪圖運算可在圖形硬體上執行\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GPU compute becomes practical\u003C\u002Ftd>\u003Ctd>2001\u003C\u002Ftd>\u003Ctd>可程式化 shader 與浮點支援讓通用運算更可行\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GPU linear algebra breakthroughs\u003C\u002Ftd>\u003Ctd>2003\u003C\u002Ftd>\u003Ctd>研究團隊證明 GPU 可在部分矩陣問題上超越 CPU\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>CUDA launch\u003C\u002Ftd>\u003Ctd>2006\u003C\u002Ftd>\u003Ctd>讓 GPU 程式設計脫離純圖形概念\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>ROCm launch\u003C\u002Ftd>\u003Ctd>2016\u003C\u002Ftd>\u003Ctd>AMD 的開源替代方案正式登場\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>GPU 為什麼能跑通用運算\u003C\u002Fh2>\u003Cp>GPU 的設計邏輯很簡單。它把晶片面積，更多拿去放運算單元。CPU 則把資源放在快取、分支預測、低延遲控制流。兩者目標不同，所以適合的工作也不同。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784208782917-1mwg.png\" alt=\"GPGPU 讓 GPU 變成通用算力引擎\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>圖形運算本來就很像平行計算。每個像素、每個頂點、每個矩陣格子，都能同時處理。這種模式一旦搬到科學計算、影像處理、\u003Ca href=\"\u002Ftag\u002F機器學習\">機器學習\u003C\u002Fa>，效果就很明顯。\u003C\u002Fp>\u003Cp>早期 GPGPU 很麻煩。開發者得把數學問題硬翻成圖形 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 的語言，像 \u003Ca href=\"https:\u002F\u002Fwww.khronos.org\u002Fopengl\u002F\" target=\"_blank\" rel=\"noopener\">OpenGL\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwin32\u002Fdirect3d11\u002Fdirect3d-11-graphics\" target=\"_blank\" rel=\"noopener\">Direct3D\u003C\u002Fa>。這種做法能跑，但很卡。你不是在寫運算程式，你是在繞路。\u003C\u002Fp>\u003Cul>\u003Cli>GPU 擅長大量相同操作。\u003C\u002Fli>\u003Cli>CPU 擅長分支多、邏輯雜的程式。\u003C\u002Fli>\u003Cli>資料搬移成本常決定成敗。\u003C\u002Fli>\u003Cli>科學計算和影像工作最吃香。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>軟體堆疊才是關鍵\u003C\u002Fh2>\u003Cp>硬體夠強只是起點。真正讓 GPGPU 變實用的，是軟體工具鏈成熟了。\u003Ca href=\"https:\u002F\u002Fwww.khronos.org\u002Fopencl\u002F\" target=\"_blank\" rel=\"noopener\">OpenCL\u003C\u002Fa> 提供跨平台 API，\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fcuda-zone\" target=\"_blank\" rel=\"noopener\">CUDA\u003C\u002Fa> 則把 \u003Ca href=\"\u002Ftag\u002Fnvidia\">Nvidia\u003C\u002Fa> 的生態系做得很完整。文件、編譯器、函式庫、除錯工具，全都一起到位。\u003C\u002Fp>\u003Cp>這個差異到今天還很現實。\u003Ca href=\"\u002Ftag\u002Fcuda\">CUDA\u003C\u002Fa> 仍是很多 AI 與科學計算團隊的預設選項。原因很俗氣，也很真實：好用。你不一定愛它，但你很難忽略它。\u003C\u002Fp>\u003Cp>AMD 的 \u003Ca href=\"https:\u002F\u002Frocm.docs.amd.com\u002Fen\u002Flatest\u002F\" target=\"_blank\" rel=\"noopener\">ROCm\u003C\u002Fa> 提供開源路線，對研究與伺服器部署很有吸引力。只是生態完整度仍常被拿來跟 CUDA 比。這也是為什麼很多團隊選 GPU 時，先看軟體，再看晶片規格。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“CUDA is a general purpose parallel computing language and programming model that leverages the parallel compute engine in Nvidia GPUs to solve many complex computational problems in a more efficient way than on a CPU.” — \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fabout-nvidia\u002Fcuda-zone\u002F\" target=\"_blank\" rel=\"noopener\">Nvidia\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話講得很直白。CUDA 的核心賣點，不是畫圖更快，而是把 GPU 變成通用平行運算平台。這也是它能吃下大批 HPC 和 AI 工作的原因。\u003C\u002Fp>\u003Cp>其他平台也各有路線。\u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwin32\u002Fdirect3d11\u002Fdirectcompute-intro\" target=\"_blank\" rel=\"noopener\">DirectCompute\u003C\u002Fa> 跟著 Direct3D 11 來，\u003Ca href=\"https:\u002F\u002Fdeveloper.apple.com\u002Fmetal\u002F\" target=\"_blank\" rel=\"noopener\">Metal\u003C\u002Fa> 把 \u003Ca href=\"\u002Ftag\u002Fapple\">Apple\u003C\u002Fa> 生態系的 GPU 計算整合進去，Android 也曾試過 RenderScript，後來逐步轉向 compute shader 與 Vulkan Compute。路線很多，但方向一致。\u003C\u002Fp>\u003Ch2>哪些工作適合丟給 GPU\u003C\u002Fh2>\u003Cp>GPU 不是萬能。它只是在某些工作上很猛。只要問題能拆成很多相似的小任務，GPU 就很有機會贏。像矩陣運算、影像濾鏡、模擬、基因比對，都是典型案例。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784208781271-0ao0.png\" alt=\"GPGPU 讓 GPU 變成通用算力引擎\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>相反地，分支很多、流程很亂、資料很小的工作，CPU 通常更省事。因為 GPU 的強項是吞吐量，不是單一任務延遲。你把一個小程式硬塞進 GPU，常常只是浪費搬資料的時間。\u003C\u002Fp>\u003Cp>所以實務上，GPGPU 的判斷很像選工具。不是看到 GPU 就上，也不是看到 CPU 就保守。你要先算資料量，再算平行度，最後才看傳輸成本。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>適合：\u003C\u002Fstrong>矩陣乘法、影像處理、AI 訓練、物理模擬。\u003C\u002Fli>\u003Cli>\u003Cstrong>不太適合：\u003C\u002Fstrong>大量分支、短任務、低延遲控制流程。\u003C\u002Fli>\u003Cli>\u003Cstrong>常見瓶頸：\u003C\u002Fstrong>CPU 與 GPU 之間的資料搬移。\u003C\u002Fli>\u003Cli>\u003Cstrong>實戰重點：\u003C\u002Fstrong>把工作拆成可平行的批次。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>很多人第一次碰 GPU 加速，都會犯同一個錯。只看算力，不看資料路徑。結果就是理論很漂亮，實測很慘。這也是為什麼 profiling 比想像力重要。\u003C\u002Fp>\u003Ch2>數字比較才看得出差距\u003C\u002Fh2>\u003Cp>GPGPU 的變化，最好用數字看。2006 年 CUDA 出現後，開發者不必再一直繞著圖形 API 寫怪程式。2016 年 ROCm 登場，AMD 才有比較完整的開源替代方案。這些年份本身，就能看出產業節奏。\u003C\u002Fp>\u003Cp>更重要的是效能落差。文章提到，有些最佳化工作在 GPU 上可達到 CPU-only 版本的數百倍速度。這種差距通常出現在高度平行、資料密集、而且能把記憶體存取安排好的場景。\u003C\u002Fp>\u003Cp>但別把這個數字當萬用答案。GPU 的優勢很吃工作型態。你如果只是跑一般網站後端，硬上 GPU 通常不會比較省。你如果在做大規模矩陣、影像或模型訓練，GPU 才像正確解法。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>1987：\u003C\u002Fstrong>早期就有人把非繪圖運算塞進圖形硬體。\u003C\u002Fli>\u003Cli>\u003Cstrong>2001：\u003C\u002Fstrong>可程式化 shader 讓通用運算更容易。\u003C\u002Fli>\u003Cli>\u003Cstrong>2003：\u003C\u002Fstrong>部分矩陣問題已能看到 GPU 優勢。\u003C\u002Fli>\u003Cli>\u003Cstrong>2006：\u003C\u002Fstrong>CUDA 讓 GPU 程式化門檻下降。\u003C\u002Fli>\u003Cli>\u003Cstrong>2016：\u003C\u002Fstrong>ROCm 讓 AMD 生態開始補位。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些節點串起來，就會看到一件事。GPGPU 不是某個神奇理論突然出現，而是硬體、API、編譯器、函式庫，一起慢慢成熟。每一層都到位，才輪得到開發者真的拿來用。\u003C\u002Fp>\u003Ch2>台灣開發者該怎麼看這件事\u003C\u002Fh2>\u003Cp>如果你在台灣做軟體，GPGPU 不該只存在於 AI 新聞裡。它跟資料處理、影像服務、工業視覺、醫療分析都有關。很多\u003Ca href=\"\u002Fnews\u002Fai-companies-london-office-demand-zh\">公司\u003C\u002Fa>現在買 GPU，不是為了遊戲，而是為了伺服器吞吐量。\u003C\u002Fp>\u003Cp>產業上也很現實。Nvidia 的 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fdata-center\u002F\" target=\"_blank\" rel=\"noopener\">資料中心產品\u003C\u002Fa>、AMD 的 \u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Faccelerators\u002Finstinct.html\" target=\"_blank\" rel=\"noopener\">Instinct\u003C\u002Fa>，再加上 \u003Ca href=\"https:\u002F\u002Fwww.khronos.org\u002Fsycl\u002F\" target=\"_blank\" rel=\"noopener\">SYCL\u003C\u002Fa> 這類高階抽象，正在把 GPU 計算推進更多工作流程。你不用\u003Ca href=\"\u002Fnews\u002F2027-ai-ml-internship-jobs-daily-zh\">每天\u003C\u002Fa>寫 CUDA，但你很可能會碰到 GPU 加速過的服務。\u003C\u002Fp>\u003Cp>我的看法很直接。未來幾年，懂得判斷「這個工作該不該上 GPU」的人，會比只會喊 AI 的人更有價值。因為真正的成本，不在模型名稱，而在算力配置和資料流設計。\u003C\u002Fp>\u003Cp>如果你現在要開始評估，先問三個問題。資料夠不夠大。任務夠不夠平行。搬資料的成本高不高。這三題答完，八成就知道要不要碰 GPU。\u003C\u002Fp>\u003Ch2>結論很簡單：先算資料，再選算力\u003C\u002Fh2>\u003Cp>GPGPU 已經不是冷門技巧。它是現代高效能運算的一部分，也是 AI、模擬、影像處理常見的底層做法。真正的差別，不在於 GPU 能不能算，而在於你有沒有把問題寫成它擅長的樣子。\u003C\u002Fp>\u003Cp>如果你手上的工作是大量平行、資料密集、流程固定，GPU 幾乎一定值得試。反過來，如果你的瓶頸在分支、延遲，或資料太小，CPU \u003Ca href=\"\u002Fnews\u002Fanthropic-counterintuitive-playbook-makes-money-zh\">反而更\u003C\u002Fa>乾淨。下一次做架構決策時，先把 profiling 跑完，再決定要不要上 GPU。\u003C\u002Fp>","GPGPU 讓 GPU 跑起非繪圖工作，CUDA、OpenCL 與 ROCm 讓這件事變成主流工具鏈。","en.wikipedia.org","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGeneral-purpose_computing_on_graphics_processing_units",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784208782917-1mwg.png","industry","zh","b998330a-abd3-48a8-9a49-d9e247832cd4",[17,18,19,20,21,22,23,24],"GPGPU","GPU","CUDA","OpenCL","ROCm","通用運算","平行計算","高效能運算",[26,27,28],"GPU 之所以能跑通用運算，是因為它擅長大量平行工作，CPU 則強在分支與低延遲控制流。","CUDA、OpenCL、ROCm 把 GPGPU 變成可用工具鏈，軟體成熟比硬體規格更關鍵。","GPGPU 的效能差距很大，但只在資料密集、可平行、搬移成本低的工作上才會明顯。",0,"2026-07-16T13:32:36.435097+00:00","2026-07-16T13:32:36.406+00:00","4ac9bb97-f26d-4eb4-bc22-d9a30a37a21d",{"tags":34,"relatedLang":39,"relatedPosts":43},[35,37],{"name":18,"slug":36},"gpu",{"name":19,"slug":38},"cuda",{"id":15,"slug":40,"title":41,"language":42},"gpgpu-graphics-chips-general-compute-engines-en","GPGPU turned graphics chips into general compute engines","en",[44,50,56,62,68,74],{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"db1f678a-df3d-427a-862c-affd2a2ca98d","xai-lawsuit-right-response-ai-abuse-zh","xAI 提告是對 AI 濫用的正確回應","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784230377369-6ys2.png","2026-07-16T19:32:28.304724+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"ebd6db8f-56c1-4cb2-9be4-3d6fe1447103","anthropic-eerie-new-ad-sparks-backlash-zh","Anthropic新廣告翻車了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784228579784-xvw9.png","2026-07-16T19:02:33.096307+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"27e909f9-503f-404b-ba94-237199520f59","openai-hires-google-cloud-channel-chief-philip-larson-zh","OpenAI 挖角 Google Cloud 通路主管","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784226772032-dlya.png","2026-07-16T18:32:27.422601+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"6256dbab-b56e-4289-8f65-00821144f271","openai-partner-network-clear-path-for-partners-zh","OpenAI 合作夥伴網路的 5 個關鍵變化","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784224968487-wwzz.png","2026-07-16T18:02:21.776299+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"3234e583-8157-496b-bcc4-d0212348c65f","ai-companies-london-office-demand-zh","4 家 AI 公司先把伦敦好楼层抢紧了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784205183020-auxi.png","2026-07-16T12:32:31.028328+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":13},"6050aa0d-4131-40f5-9940-32b6471a5676","anthropic-counterintuitive-playbook-makes-money-zh","Anthropic 反著做，反而更會賺","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784203442106-2f8e.png","2026-07-16T12:03:36.750418+00:00",[81,86,91,96,101,106,111,116,121,126],{"id":82,"slug":83,"title":84,"created_at":85},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":87,"slug":88,"title":89,"created_at":90},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]