平行演算法隨著電腦運算廣度的需求日增而越來越重要，特別是在高階科學計算、高畫質影像處理、醫學顯影與基因分析、地質探測、以及工業用圖形設計領域，高速運算處理的需求越來越高。資料平行運算（data-parallel computing）模式該如何創新整合，順應未來多核心圖形運算以及大量資料計算處理的繁雜架構，符合節能簡碳並有效運用空間，已成為重要課題。

圖為NVIDIA Telsa與GPU運算部門總經理Andy Keane。（Source：HDC）

NVIDIA Telsa與GPU運算部門總經理Andy Keane表示，對於高速資料運算，一般x86叢集平行運算架構採用多核心CPU模式，IBM也有多核處理器運作平行計算。超過90％的使用者或許熟悉傳統x86叢集系統在高性能運算（High Performance Computing；HPC）領域的使用模式，不過多核心運算模式已經衍生繁複的資料處理叢集伺服器架構，高耗能負擔也成為高效能資料處理中心亟待解決的課題。現今美國高速運算中心所耗費電力已經佔整體美國使用電力的7％，其中3.5％是運用在散熱方面，提升百倍運算意味著CPU預算的暴增，更不符經濟效益。

Andy Keane指出，以工作站或資料中心高速運算應用為主的繪圖處理器GPU平台，在平行運算效能專精度和叢集電腦網路多重應用上，往往比x86架構更具優勢。NVIDIA的GPU平行運算架構，電晶體密度高、多核擴充性強、具備高效能平行運算處理能力，且可帶動影像解析軟體發展，更為廣泛的經濟效益正在浮現。

Andy Keane深入分享表示，可擴充的GPU平行運算架構，能夠運作異質（heterogeneous）序列化平行運算，同時可使用C語言編程，進一步提升運算效能。此外NVIDIA針對GPU所設計的平行編程環境CUDA，可用於Windows及Linux，能讓應用程式在GPU上順暢運行。Andy Keane強調，CPU有60％的效能處理暫存記憶體，同時處理許多作業讓CPU運算效能降低，GPU架構可迅速處理單一深度問題，可專門滿足高速運算處理中心對於百倍以上的處理效能需求。GPU運算架構整合並行核心GPU和多核CPU，速度亦可大幅超越多核心系統，也能符合節能運作模式，4核心朝向240顆核心的高速運算架構也不是夢想，落實個人超級電腦（super-computing）以及高速運算工作站的條件也越來越成熟。

Andy Keane進一步表示， NVIDIA結合CUDA平行編程的GPU晶片，目前已出貨超過一億顆，其中運用在高速運算的Tesla晶片系列，在醫學顯影、分子動力學、視訊轉碼、天體物理、金融財務、3D超音波、量子化學、基因排序、地質能源探勘等應用領域，分別達到17～149倍不等的運算性能。針對HPC的平行運算Telsa 10晶片，電晶體數達14億顆，具有240個處理核心，浮點運算次數可達每秒10億次，加上4GB的記憶體容量，處理效能為Tesla 8的一倍以上，可滿足工作站、資料處理中心以及伺服器中心在百倍高速運算處理的需求。

Andy Keane談及GPU應用時表示，NVIDIA正積極深化GPU平行運算架構在台灣繪圖分析和資料處理的市場影響力，將協助開拓台灣高階物理分子動力學、建築地質偵測以及氣候模擬等高速運算應用領域，並與台灣國家高速網路與計算中心（NCHC），強化固網中心高速電腦運算能力。NVIDIA同時密切與台大交大等校學術院校合作，進一步全面擴大台灣使用GPU平台架構的生態體系。