很长一段时间以来，啥还中央处理器（CPU）和图形处理单元（GPU）一直“统治”着数据中心
。啥还然而，啥还近几年 ，啥还数据处理单元（DPU）越来越多地出现在大家面前，啥还并号称性能更强大
、啥还更专用、啥还更异构，啥还能够处理CPU做不好，啥还GPU做不了的啥还任务 
，那事实究竟如何 
，啥还一起看下去吧。啥还

CPU—— Central Processing Unit,啥还 中央处理器 ，CPU之于计算机、啥还服务器 
，啥还也就相当于大脑对于人类的香港云服务器作用。

计算、控制、存储是CPU“大脑”布局谋略 、发号施令
、控制行动的主要表现形式。

CPU 是对计算机的所有硬件资源（如存储器 、输入输出单元） 进行控制调配 
、执行通用运算的核心硬件单元 ，是计算机的源码下载运算和控制核心
。

CPU主要包括了运算器（ALU, Arithmetic and Logic Unit）、控制单元（CU, Control Unit）、寄存器（Register） 、高速缓存器（Cache）和它们之间通讯的数据、控制及状态的总线 。

总的来说也就是计算单元、控制单元和存储单元 。

相对于控制单元和存储单元 ，CPU的计算单元在整个结构中占比较少，故而相对于大规模并行计算能力，CPU更擅长于逻辑控制、串行运算 。

下图展示了一个基础的CPU架构
。以个人电脑的CPU为例，CPU 往往与内存 (RAM)、硬盘驱动器和 NIC（网络接口控制器）相连 ，如果你想要打游戏或者处理图像/视频  ，亿华云那就需要添加GPU；如果想要更快地访问内存
，那可以选择添加 SSD 。

​

普通个人电脑中的 CPU往往在4到8核，频率在2到3GHz 。数据中心的 CPU 往往有更多的核心和更高的时钟速度。CPU 的核心较少但功能强大，而GPU可以有很多核心，但在时钟速度方面的能力更弱 。

GPU——Graphics Processing Unit，图形处理器，跟它的名字一样 ，GPU最初是用在个人电脑 、游戏机和一些移动设备上运行绘图运算工作的微处理器 。

理解 GPU 和 CPU 之间区别的一种简单方式是比较它们如何处理任务 。

CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计的更小、更高效的核心组成的大规模并行计算架构。

GPU的构成相对简单
，有数量众多的计算单元和超长的流水线，特别适合处理大量的类型统一的数据。​

GPU微架构示意图
，来源：网络

当涉及算术运算和逻辑运算等常规计算时
，通常是CPU更快
，但是当涉及到大型矩阵乘法和并行算法时，GPU 排在第一位
。GPU 拥有数千个内核并行进行运算，这些内核的时钟速度较低或内核较弱，但在并行计算中效率很高，并且每个核心都有自己的 ALU
。

不过GPU不能单独工作，需要CPU的协同处理 。

GPU的工作大部分计算量庞大，但没什么技术含量，而且要重复很多很多次。当CPU需要大量的处理类型统一的数据时，就可以调用GPU进行并行计算。

尽管GPU叫图形处理器
，但它并不是只能处理图像 。

GPU虽然是为了图像处理而生 ，但在结构上并没有专门为图像服务的部件，只对CPU的结构进行了优化与调整。

GPU基于大吞吐量设计 ，拥有更多的ALU，适合对密集数据进行并行处理，擅长大规模并发计算
，因此GPU也被应用于深度学习、神经网络和人工智能等需要大规模并发计算场景 。

GPU可以被认为是一种较通用的芯片。

FPGA——Field Programmable Gate Array，现场可编程门阵列 ，本质上它是一种硬件，可以根据用户的需要进行多次编程。

简单地说，FPGA可以用来实现任何逻辑功能。与GPU或 ASIC（Application Specific Integrated Circuit，专用集成电路）不同，FPGA 芯片内部的电路不是硬蚀刻的——它可以根据需要重新编程。这种能力使 FPGA 成为 ASIC 的绝佳替代品 ，不过ASIC 通常需要较长的开发时间和大量的设计和制造投资 。

与 GPU 相比  ，FPGA 可以在需要低延迟的深度学习应用中提供卓越的性能 。可以对 FPGA 进行微调 ，以平衡功率效率和性能要求 。当应用程序需要低延迟和小批量时 ，FPGA 可以提供优于 GPU 的性能优势。

DPU—— Data Processing Unit ，数据处理单元
，DPU是面向数据中心的专用处理器 。

在计算架构中，CPU 具有多重职责 ，例如运行应用程序、执行计算，同时它还扮演着数据流量控制器的角色，在 GPU、存储、FPGA和其他设备之间移动数据 ，因此 CPU 更加以计算为中心。

随着数据中心建设、网络带宽和数据量急剧增长，由于CPU性能增长速度放缓 ，为了寻求效率更高的计算芯片，DPU由此产生。

DPU解决的是大流量网络数据包处理占用CPU问题 。

有人说，DPU正在取代CPU
，建立以数据为中心的计算架构 。

CPU用于通用计算，GPU用于加速计算，而DPU则进行数据处理。

DPU和CPU最大的区别是，CPU擅长一般的计算任务，而DPU更擅长基础层应用任务，比如网络协议处理
、交换路由计算、加密解密、数据压缩等等 。

简单来说，CPU做不好，GPU做不了的那些任务，交给DPU就完事儿了 。

DPU并非单一芯片，而是一块SoC（System On Chip ，片上系统）芯片，一个DPU一般包含一个CPU 、NIC和可编程数据加速引擎 
。这使得 DPU 具有CPU的通用性和可编程性
，同时专门针对网络数据包、存储请求或分析请求进行高效处理
。

一个高性能 、软件可编程的多核 CPU，通常基于广泛使用的 Arm 架构，与其他 SoC 组件紧密耦合。

一种高性能网络接口 
，能够解析、处理数据，并有效地将数据传输到GPU和CPU 。

一组丰富的灵活、可编程的加速引擎 ，可以卸载和提高人工智能和机器学习、零信任安全、网络和存储等应用程序的性能。

DPU 可以是基于 ASIC 的、基于FPGA 的或基于SoC 的。由于以数据为中心的计算的使用增加 ，DPU 越来越多地用于数据中心 、大数据、安全和人工智能/机器学习/深度学习等场景。

如果说CPU是计算生态的底座
、主力芯片的基石
，GPU是从图形处理到数据处理芯片的蜕变 ，那么DPU则是因数据中心而生的芯片。

DPU能够助力数据中心更高效的应对多元化的算力需求 。

未来DPU也将与 CPU  、 GPU 形成新的“铁三角”
，彻底颠覆数据中心的运算模式 。