几十年来，计算机CPU芯片一直按照摩尔定律飞速发展，每隔十八个月，单位芯片面积上的晶体管数量就增加一倍，性能提高一倍。由于物理极限的限制，单纯依靠制造工艺的提升已经无法满足计算需求，X86传统计算平台陷入了技术发展的瓶颈。内存延时长、频率低导致缓存面积越来越大，逻辑控制越来越复杂。缓存消耗了70%以上的芯片面积，同时也消耗了70%以上的电能，真正有效的运算部件面积比重很小。芯片上的晶体管密度越来越大，使得单位面积上功耗持续增加，散热问题日益严重。
由于CPU的性能提升并不是无止境的，这也就催生出计算技术向多样化发展，而不仅仅依赖于传统的计算平台。当计算技术进一步细化，GPU作为一种独立的计算单元，以其优异的运算性能脱颖而出，为计算技术的革新带来了一种新的思路。
GPU计算是指利用图形卡来进行一般意义上的计算，而不是传统意义上的图形绘制。时至今日，GPU已发展成为一种高度并行化、多线程、多核的处理器，具有杰出的计算功率和极高的存储器带宽，如图所示
1. 计算比例，通常应用程序的执行需要GPU与CPU协同完成，可根据GPU计算部分所占比重，配置节点GPU卡密度;
2. 计算规模，根据不同应用数据规模及计算类型，可以选择单机单GPU卡、单机多GPU卡和GPU集群应用模式;
3. 数据通信，在GPU集群模式下，可根据应用程序对集群通信带宽及延迟的需求，选择高速Infiniband网络或万兆网络;
4. 存储系统：单节点应用模式下一般数据量比较小，对存储系统性能要求不高，一般采用本地存储;集群环境下，应用数据量比较大，一般配置大容量、统一、高速的并行文件系统，另外对一些特殊应用，如石油、天然气应用，可以在每个GPU计算节点内部配置SSD硬盘，作为分级存储使用，加速节点内部数据交换;
5. 管理调度，合理选择GPU集群的作业调度和监控系统，可以提升集群的使用效率，降低维护成本。
