CPU และ GPU แตกต่างกันอย่างไร? ควรจะเลือกใช้ยังไงดี?

            สวัสดีครับเพื่อน ๆ ชาว IT เราเขียนเรื่องเกี่ยวกับ Cloud กันมาเยอะแล้ว วันนี้เปลี่ยนแนวมาเป็นเรื่องของ Hardware กันบ้างนะครับ ซึ่งก็คือ CPU และ GPU นั่นเองครับ  หลายๆคนคงเคยได้ยินคำว่า GPU กันมาบ้างแล้วสำหรับสาย Gaming แต่อาจจะยังไม่ได้เจาะลึกเข้าไปใน Concept ว่าจริง ๆ แล้ว GPU คืออะไร? มีการใช้งานกับแค่อุตสาหกรรม Gaming อย่างเดียวหรือไม่ ? มาหาคำตอบกันใน Blog นี้นะครับ!!

 

 

            ก่อนที่เราจะเริ่มเปรียบเทียบกันระหว่าง GPU กับ CPU มาดูที่นิยามของแต่ละตัวกันก่อนนะครับ ว่าคืออะไรและใช้ทำอะไรได้บ้าง

 

 

               GPU (Graphics Processing Unit) – เป็น Microprocessor ชนิดพิเศษที่ใช้งานเป็นหลักในการออกแบบวิธีที่จะ Render รูปภาพให้ไวที่สุด GPU ทำหน้าที่รับผิดชอบในการประมวลผลจาก Application ที่มีการใช้งาน Graphic สูง ซึ่ง GPU ถูกสร้างมาเพื่อแก้ไขข้อจำกัดของ CPU และช่วยลดภาระของคอมพิวเตอร์ในการประมวลจาก Application เหล่านั้น แต่ในยุคสมัยปัจจุบัน GPU ไม่ได้เพียงแต่ประมวลผลได้ในเรื่องของ Graphic rendering เท่านั้น แต่ยังมีความสามารถมากพอที่จะคำนวณผลลัพธ์ทางคณิตศาสตร์เพื่อนำเอาไปใช้งานในด้านอื่นๆ นอกจากสายงานที่เกี่ยวข้องกับการใช้งาน Graphic ได้อีกด้วย

 

               สำหรับการทำงานพื้นฐานนั้น CPU และ GPU มีการทำงานที่แตกต่างกัน โดยถ้าจะให้เปรียบเทียบกับอวัยวะของมนุษย์นั้น CPU เปรียบเสมือน “สมอง” ซึ่งสามารถใช้ฟังก์ชั่นคำนวณได้ค่อนข้างหลากหลายแต่ทำงานได้แบบ 1-1 แต่สำหรับ GPU จะให้เปรียบเทียบก็คงคล้าย ๆ กับการทำงานร่วมกันของกล้ามเนื้อในร่างกาย โดย GPU จะ Focus การใช้งาน Compute ทั้งหมดไปที่ Task ที่เฉพาะเจาะจง (Compute ร่วมกันช่วยประมวลผลใน Task เดียว) เนื่องจาก CPU มีจำนวน Core น้อย (มากสุดประมาณ 24 Cores) ทำให้ CPU ถูกสร้างขึ้นมาให้ประมวลผลแบบลำดับอนุกรม เพื่อที่จะเพิ่มประสิทธิภาพการทำงานต่อ 1 Task งานให้ดีที่สุด (Compute แบ่งกันประมวลผลแยก Task งานกัน) ซึ่งก็จะใช้เวลาค่อนข้างนานถ้ามี Task เยอะ

 

               สำหรับ GPU เมื่อเทียบกับ CPU แล้วมีการใช้ Core ที่เล็กกว่าและมีจำนวนที่มากกว่าเป็นพัน ๆ ตัวในการช่วยประมวลผลแบบคู่ขนานที่สามารถทำงานได้หลาย ๆ ฟังก์ชั่นพร้อมกันได้ในเวลาเดียว ปัจจุบัน GPU ในยุคใหม่มีความสามารถสูงมากในเรื่องของการ Process มี Memory Bandwidth และประสิทธิภาพโดยรวมที่สูงกว่า CPU ในหลาย ๆ ด้าน ดีกว่าขนาดที่ว่าทำงานได้เร็วกว่า 50-100 เท่า ในการประมวลผลแบบคู่ขนาน ซึ่งนิยมใช้ในงานที่เกี่ยวข้องกับการทำ Machine Learning และ Big Data Analysis

 

               สามารถนำไปทำเป็น GPU Computing ซึ่งก็คือการใช้งาน GPU ร่วมกับ CPU ในการประมวลผลทางวิทยาศาสตร์, ด้าน Analytics, วิศวกรรม, ด้านการบริโภคและ Application ระดับองค์กร

               ในหลาย ๆ ปีที่ผ่านมา GPU ใช้งานในการประมวลผลเกี่ยวกับการแสดงรูปภาพบนหน้าจอและการแสดงภาพเคลื่อนไหวบนจอคอมพิวเตอร์ จากที่เห็นเป็นส่วนใหญ่ในอุตสาหกรรม Gaming แต่ในด้านเทคนิคแล้ว GPU สามารถทำได้มากกว่านั้น ในปัจจุบันใน 1 Task งานนึงต้องการ Process การคำนวณหลาย ๆ ชนิดและด้วยปริมาณที่มหาศาลของการคำนวณ จึงต้องมีอุปกรณ์ที่ทำหน้าที่ได้อย่างเหมาะสมในการรองรับการประมวลผล ทำให้ Graphic Processor โดนหยิบมาใช้งาน สำหรับตัวอย่าง Task งาน มีดังนี้

 

GPU ที่ใช้ต้องเร็ว Render Graphic ที่มีปริมาณมหาศาลได้ แล้ว Render อะไรบ้าง? เช่น Special Effect, รูปร่าง 3 มิติ ซึ่งทั้งหมดทำแบบ Real-time แน่นอนว่าต้องใช้ Computer ที่มี Performance  สูง ๆ ในการประมวลผล โดยเกมในยุคสมัยปัจจุบันไม่เหมาะที่จะใช้ CPU ในการประมวลผลเรื่องของ Graphic แล้ว เนื่องจากจะทำให้ CPU ทำงานหนักเกินไปแล้วไปกระทบกับ Process อื่น ๆ ของเครื่องคอมพิวเตอร์ ยิ่งถ้าเป็นเกมแนว VR (Virtual Reality) GPU ยิ่งเข้ามามีบทบาทในการ Render Graphic และทำให้ภาพที่มองเห็นคล้ายกับโลกความเป็นจริงมากที่สุดด้วยแสงและเงาที่สมบูรณ์แบบ

GPU ทำให้การใช้งาน Application ที่ใช้จำลองการแสดงภาพ 3 มิติ เช่น Computer-aided design (CAD) มีประสิทธิภาพดีขึ้น โดย Software ดังกล่าวช่วยให้คุณจำลอง Object แบบ 3 มิติได้ โดยใช้ GPU ในการแสดงผลรูปร่างที่คุณออกแบบขึ้นมาแบบ Real-time โดยคุณสามารถหมุนเมื่อดูหลาย ๆ มุม หรือจะขยับชิ้นส่วนก็ย่อมได้

GPU มีความสามารถในการประมวลหลายล้านรูปแบบเพื่อที่จะหาว่าแตกต่างกันตรงไหน เหมือนกันตรงไหนบ้าง ซึ่งเป็นความสามารถที่เจ๋งจนถูกเอาไปใช้ในอตุสาหกรรมมากมาย เช่น

                        – ขอบชายแดน เพื่อตรวจจับการลักลอบเข้าเมือง

                        – Security เพื่อตรวจจับความผิดปกติต่าง ๆ

                        – X-ray ทางการแพทย์ เพื่อตรวจหาความผิดปกติ เช่น มะเร็ง หรือ

                          ความผิดปกติของระบบร่างกาย เช่น กระดูกและฟัน

ด้วยปริมาณมหาศาลของ GPU Core และความสามารถในการประมวลผลที่เร็วกว่า CPU 10-100 เท่า GPU จึงเป็นตัวเลือกในการใช้ Process Big Data สำหรับนักวิทยาศาสตร์หรือนักวิจัยที่ศึกษาจากข้อมูลปริมาณมหาศาล หลักการทำงานคือการจำลองข้อมูลขึ้นมาโดยสามารถนำไปใช้งานร่วมกับการจำลองข้อมูลชุดอื่น ๆ ได้ สมมติว่าเราจะจับคู่ยีนส์ในสัตว์เพื่อจะดัดแปลงพันธุกรรม สามารถใช้ Process ข้อมูลแล้ววิเคราะห์สร้างสูตรหรือหาตัวแปรที่เหมาะสมเพื่อหาความแตกต่างของยีนส์แล้วนำมาพัฒนาสายพันธุ์ต่อได้

ได้ยินกันมานานแล้วเกี่ยวกับเรื่อง Machine Learning แต่การมาของ GPU ช่วยยกระดับไปอีกขั้น สำหรับ Deep learning ที่มีการใช้ Neutral networks ที่มีความซับซ้อนในการสร้างระบบที่สามารถตรวจสอบปริมาณของข้อมูลที่ยังไม่ได้มีการแปะป้ายว่า Learning ได้ โดย GPU สามารถ Process ข้อมูลจำพวก Training Data และ Training neutral networks ที่มีปริมาณมหาศาลได้ เช่น การวิเคราะห์จากรูปภาพและวิดีโอ, การจดจำเสียงและภาษากาย, รถยนต์ขับเองได้ และอื่น ๆ อีกมากมาย

 

               สรุปก็คือ GPU ไม่ได้ถูกสร้างมาเพื่อแทนที่ CPU แต่สร้างมาเพื่อเพิ่มความสามารถของ Infrastructure ให้ดียิ่งขึ้น โดยใช้หลักการที่ว่า GPU จะดึงเอางานที่มี Process การใช้ Compute หนัก ๆ ที่เป็นส่วนหนึ่งของ Application เอาไปทำแทน แล้วเหลือส่วนที่เป็น Code ให้ทำงานบน CPU โดยจากมุมมองของผู้ใช้งาน Application ที่มีโครงสร้างหลังบ้านเป็นแบบที่กล่าวมาพบว่าหลังจากที่ User ใช้งาน ได้รับ Feedback ที่บอกว่าดีขึ้นและเร็วขึ้น

 

 

เป็นอย่างไรกันบ้างครับ หวังว่า Blog นี้จะเป็นประโยชน์ต่อท่านผู้อ่านที่กำลังสนใจที่จะปรับปรุงระบบหลังบ้านของท่าน และหวังว่าจะเป็นประโยชน์กับทุกท่านนะครับ ขอบคุณครับ

 

หมายเหตุ: Blog นี้เป็นเพียงความคิดเห็นส่วนตัว  อาจมีข้อผิดพลาด หรือการเปลี่ยนแปลงได้ตามความเหมาะสมครับ

 

 

— Cloud HM