在GPU的发展中，我们已经看了太多的潮起潮落和大风大浪。那么，有没有想过利用数学的方法将其量化，并借此以判断GPU发展的速度和未来的情况呢？我们刚好在国外的real world technologies网站上（数月之前）看到一篇通过数学统计方法来研究GPU性能发展的趣味文章，该作者先通过一些和GPU性能相关的参数建立一个公式并得到相关数据，然后用实例去验证。我们不能保证这种方法一定是正确的，因为它并不是业界公认的定律，更无法准确代表GPU发展的趋势。但它作为一种有依据的推导方式还是有一定借鉴意义的，因此我们翻译并整理了该文章，下面我们来看看GPU的性能发展究竟是如何被“预测”的。
预测GPU的性能发展的意义
从DirectX 10开始（图1），GPU硬件可编程性能大大提高。NVIDIA和AMD在设计中都开始注重GPU架构对可编程性的支持，而不再像早期的GPU那样：特定的硬件面向特定的功能。不过目前的软件尚不能很好地应用GPU的可编程特性，比如OpenCL依旧很难获得特别优秀的应用效率，在集成显卡中甚至刚刚才开始给予支持。即使如此，对于特定的计算，GPU仍拥有比CPU更优秀的峰值性能表现，特别是GPU的理论性能效率可以比CPU高2～4倍（以每瓦特性能或者每平方毫米性能计算）。当然，对于那些不适合的工作负载，比如较为复杂的分支预测、控制流、数据流等，GPU的性能和效率则不够理想。
DX 10是现代GPU发展的一个重要分水岭，G80是第一款支持DirectX 10的GPU。（图1）
然而，现代GPU的结构非常复杂，影响因素众多，其性能表现也很难以捉摸。比如AMD的Cayman和NVIDIA的Fermi，使用了完全不同的核心设计方案，且还有uncore（非核心部分）部分的设计，包括显存的带宽、显存访问总量、数据吞吐量等。当然还有核心内部的缓存设计方案， 是否可读、可写、只读， 以及是否连贯等。此外，还有相当重要的内部总线设计，包括是否采用Crossbar（交叉总线）、Ring bus（环路总线）以及Hierarchical（层级总线）设计等。对一些一直以来就存在的固定功能管线，比如着色调度、纹理性能等，两家厂商的设计思路也都有明显差异。最后则是软件层面，NVIDIA多次宣称它的软件开发人员大于硬件开发人员——实际上驱动程序（可以理解为转为某类硬件设计的实时优化编译器）对用户体验GPU产品时的最终影响极大。
因此，了解GPU的性能将如何发展，尝试用数学方法来解释GPU发展的线路以及作出预测是相当有趣的。这样的预测，对那些非常关注GPU性能的用户和玩家来说，也是相当重要的，还可以大致看到未来GPU应用发展的范围。
