NVIDIA Tesla: GPU G80 per elaborazioni GPGPU

Considerazioni

In questo articolo abbiamo cercato di spiegare le basi che spingono verso l'utilizzo delle GPU in contesti di elaborazione general purpose, e quali benefici queste possano avere rispetto all'adozione di una tradizionale CPU. E' un ambito nel quale NVIDIA sta investendo in modo massiccio con la serie di prodotti Tesla, intravedendo potenzialità di business molto elevate per i prossimi anni oltre ad uno sbocco complementare del proprio lavoro di ricerca tecnologico alla base di ogni famiglia di GPU.

Le statistiche di elaborazione del client Folding@Home, uno dei pochi esempi alla portata di tutti gli utenti di applicazione che può essere eseguita su varie piattaforme di CPU e su GPU, evidenziano come sia ancora molto ridotto il numero di sistemi per i quali si utilizzano GPU, in questo caso ATI Radeon, per l'elaborazione di pacchetti di dati Folding. Confrontando i valori in TeraFLOPS emerge chiaramente come siano proprio le GPU la risorsa di elaborazione più potente tra quelle a disposizione degli utenti, distanziando di gran lunga tutte le altre architetture. E' questo un esempio di nicchia ma concreto di quelle che possono essere le potenzialità dell'elaborazione parallela via GPU, nel momento in cui viene implementato un client ottimizzato.

Il futuro delle architettue CPU si sposta sempre più rapidamente verso soluzioni multicore, aprendo scenari interessanti su quale sarà l'approccio potenzalmente vincente tra gli attuali aprcci sviluppati da Intel e AMD. Quest'ultima in particolare spinge verso architetture che abbinino core general purpose con acceleratori dedicati: di fatto una GPU, nell'ottica delle elaborazioni GPGPU, può essere vista proprio in questo modo. Intel, invece, sta sviluppando Larrabee, GPU che mira a proporsi proprio nel mercato GPGPU e non in quello della grafica 3D, puntando sulla compatibilità con codice x86.

NVIDIA crede fortemente nell'utilizzo delle proprie GPU per elaborazioni general purpose, e i primi esempi pratici di clienti che hanno convertito programmi e dataset per l'elaborazione su GPU confermano come sia possibile beneficiare grandemente di queste architetture. Non è tutto oro quello che luccica, tuttavia: migrare un'applicazione da CPU a GPU richiede un lavoro di programmazione non di poco conto, soprattutto se si ricerca la massima efficienza possibile dell'elaborazione. Non c'è da tralasciare anche il fattore culturale: NVIDIA sta operando attivamente con il mondo accademico affinché le GPU vengano attivamente utilizzate nella ricerca come strumento di calcolo general purpose, sostituendo le CPU in quegli ambiti nei quali si dimostrano più efficienti.

L'approccio NVIDIA con CUDA è, in termini sia teorici che pratici, sicuramente più accessibile di Close To Metal o CTM , l'approccio corrispondente di AMD per la programmazione con GPU della famiglia R580. CTM permette di interagire con l'hardware ad un livello ancor più dettagliato di CUDA, di fatto con un linguaggio assembler, benché questo a prezzo di una superiore complessità e di tempi di sviluppo ben più lunghi. CTM, inoltre, è specifico per una famiglia di GPU, mentre CUDA ha dalla sua la flessibilità di poter spostare applicazioni svilupate ora su future generazioni di GPU NVIDIA.

Quando le GPU potranno venir utilizzate per elaborazioni parallele anche in ambiente domestico, o comunque al di fuori di applicazioni specialistiche? E' complesso dare una risposta a questa domanda, anche se riteniamo difficile che i tempi siano maturi, o lo possano essere nel giro di alcuni anni, perché questo possa avvenire. Indubbiamente le potenzialità delle elaborazioni GPGPU sono molto ampie in ambienti professionali: se il software può essere adattato efficientemente all'elaborazione su GPU i benefici prestazionali e di riduzione dei costi che se ne derivano sono una spinta troppo forte per non pensare ad una migrazione.