（1）計算密集型的程序。所謂計算密集型(Compute-intensive)的程序，就是其大部分運(yùn)行時間花在了寄存器運(yùn)算上，寄存器的速度和處理器的速度相當(dāng)，從寄存器讀寫數(shù)據(jù)幾乎沒有延時?？梢宰鲆幌聦Ρ?，讀內(nèi)存的延遲大概是幾百個時鐘周期；讀硬盤的速度就不說了，即便是SSD, 也實在是太慢了。

（2）易于并行的程序。GPU其實是一種SIMD(Single Instruction Multiple Data)架構(gòu)， 他有成百上千個核，每一個核在同一時間最好能做同樣的事情。

滿足以上兩點，就可以用GPU做運(yùn)算了。 不過你還得先用Open CL 把能在GPU上運(yùn)行的程序?qū)懗鰜恚?這也是很麻煩的，寫一下就知道了。 而且GPU的架構(gòu)比較特殊，要想寫出高效率的程序，要花很多很多時間。很久以前，大概2000年那時候，顯卡還被叫做圖形加速卡。一般叫做加速卡的都不是什么核心組件，和現(xiàn)在蘋果使用的M7協(xié)處理器地位差不多。這種東西就是有了更好，沒有也不是不行，只要有個基本的圖形輸出就可以接顯示器了。在那之前，只有一些高端工作站和家用游戲機(jī)上才能見到這種單獨的圖形處理器。后來隨著PC的普及，游戲的發(fā)展和Windows這樣的市場霸主出現(xiàn)，簡化了圖形硬件廠商的工作量，圖形處理器，或者說顯卡才逐漸普及起來。

想要理解GPU與CPU的區(qū)別，需要先明白GPU被設(shè)計用來做什么?，F(xiàn)代的GPU功能涵蓋了圖形顯示的方方面面，我們只取一個最簡單的方向作為例子。

大家可能都見過上面這張圖，這是老版本Direct X帶的一項測試，就是一個旋轉(zhuǎn)的立方體。顯示出一個這樣的立方體要經(jīng)過好多步驟，我們先考慮簡單的，想象一下他是個線框，沒有側(cè)面的“X”圖像。再簡化一點，連線都沒有，就是八個點（立方體有八個頂點的）。那么問題就簡化成如何讓這八個點轉(zhuǎn)起來。首先，你在創(chuàng)造這個立方體的時候，肯定有八個頂點的坐標(biāo)，坐標(biāo)都是用向量表示的，因而至少也是個三維向量。然后“旋轉(zhuǎn)”這個變換，在線性代數(shù)里面是用一個矩陣來表示的。向量旋轉(zhuǎn)，是用向量乘以這個矩陣。把這八個點轉(zhuǎn)一下，就是進(jìn)行八次向量與矩陣的乘法而已。這種計算并不復(fù)雜，拆開來看無非就是幾次乘積加一起，就是計算量比較大。八個點就要算八次，2000個點就要算2000次。這就是GPU工作的一部分，頂點變換，這也是最簡單的一部分。剩下還有一大堆比這更麻煩的就不說了。

GPU的工作大部分就是這樣，計算量大，但沒什么技術(shù)含量，而且要重復(fù)很多很多次。就像你有個工作需要算幾億次一百以內(nèi)加減乘除一樣，最好的辦法就是雇上幾十個小學(xué)生一起算，一人算一部分，反正這些計算也沒什么技術(shù)含量，純粹體力活而已。而CPU就像老教授，積分微分都會算，就是工資高，一個老教授資頂二十個小學(xué)生，你要是富士康你雇哪個？GPU就是這樣，用很多簡單的計算單元去完成大量的計算任務(wù)，純粹的人海戰(zhàn)術(shù)。這種策略基于一個前提，就是小學(xué)生A和小學(xué)生B的工作沒有什么依賴性，是互相獨立的。很多涉及到大量計算的問題基本都有這種特性，比如你說的破解密碼，挖礦和很多圖形學(xué)的計算。這些計算可以分解為多個相同的簡單小任務(wù)，每個任務(wù)就可以分給一個小學(xué)生去做。但還有一些任務(wù)涉及到“流”的問題。比如你去相親，雙方看著順眼才能繼續(xù)發(fā)展?？偛荒苣氵@邊還沒見面呢，那邊找人把證都給領(lǐng)了。這種比較復(fù)雜的問題都是CPU來做的。

總而言之，CPU和GPU因為最初用來處理的任務(wù)就不同，所以設(shè)計上有不小的區(qū)別。而某些任務(wù)和GPU最初用來解決的問題比較相似，所以用GPU來算了。GPU的運(yùn)算速度取決于雇了多少小學(xué)生，CPU的運(yùn)算速度取決于請了多么厲害的教授。教授處理復(fù)雜任務(wù)的能力是碾壓小學(xué)生的，但是對于沒那么復(fù)雜的任務(wù)，還是頂不住人多。當(dāng)然現(xiàn)在的GPU也能做一些稍微復(fù)雜的工作了，相當(dāng)于升級成初中生高中生的水平。但還需要CPU來把數(shù)據(jù)喂到嘴邊才能開始干活，究竟還是靠CPU來管的。

至于如何將挖礦和破解密碼這種事情分成小學(xué)生都能做的簡單任務(wù)，就是程序員的工作了。所以以后誰再跟你說程序員的工作就是體力活，你可以直接抽他。