在今年NVIDIA
GTC大会上，Nvidia创始人黄仁勋表示，设计人员无法再创造出可以实现更高指令级并行性的CPU架构，晶体管数每年增长50%，但CPU的性能每年仅增长10%，数据增长速度达40%，并在不断加快。
数据增长速度超过CPU性能提升速度带来的后果是：人们不得不利用各种技巧来避免计算性能瓶颈，比如降采样、索引（indexing），或者采用昂贵的scale-out（向外扩张）战术来避免长时间等待系统回应。
我们现在面对的数据单位是EB
（EB=1024PB,PB=1024TB,TB=1024GB），并正在迈向ZB(ZB=1024EB)。而曾经显得无比庞大的TB，在消费者领域已经十分常见。企业级TB存储的定价已降到个位数（美元）。
GPU的架构与CPU很不一样。首先，GPU并不具备多功能性。其次，与 消费级CPU个位数的核心数目不同，消费级的GPU通常有上千个核心——特别适合处理大型数据集。由于GPU在设计之初有且只有一个目的：最大化并行计算。——目前来看，它们尚能跟上数据大爆炸的脚步。
GPU（GraphicsProcessing Unit）也即图形处理器，是显卡的核心单元。
GPU不仅能实现数据库的许多功能，而且其强大的计算能力，能实现实时分析。深度学习需要较高的计算能力，所以对GPU的选择会极大地影响使用者体验。在GPU出现之前，一个实验可能需要等几个月，或者跑了一天才发现某个试验的参数不好。好的GPU可以在深度学习网络上快速迭代，几天跑完几个月的试验，或者几小时代替几天，几分钟代替几小时。
CPU+GPU是高性能计算架构发展方向。CPU与GPU二者的侧重点不同，决定了其应用的环境和主要领域不同。在高性能计算这个GPU重点应用领域，CPU+GPU架构是未来高性能计算架构的发展方向。同样的成本，GPU的计算效率可能获得10-100倍的增长。
采用GPU架构兼具低成本与高性能，应用前景广阔。采用GPU新架构的PC，兼具低成本与高性能的特点。在医疗成像、分子动力学、基因比对、金融模拟、动漫渲染、电影编辑、新型材料开发等领域具有广阔的应用前景，使得这些领域的用户拥有万亿次的高性能设备成为现实。人工智能（图像语音识别、无人驾驶等）、视频处理、VR、生命化学、金融证券数据分析等将是GPU运用的优先爆发领域。
