默皱着眉头想了想：“主要就是神经网络的层级计算，里面全是大规模的矩阵乘法。”
“对，问题就出在这里。”
夏冬停止敲击桌面，“CPU的架构设计初衷是什么？是处理复杂的控制逻辑，它里面有大量的分支预测、指令调度单元。”
“打个比方，CPU就像是一个精通微积分的大学老教授。你让他解多复杂的数学题他都会。”
为了让非纯技术的苏晚晴也能听懂，夏冬顿了顿，摊开双手继续说道：“但是，我们推荐算法需要的，是极其海量、极其枯燥的简单矩阵乘法。”
“这等于你雇了一万个大学老教授，每天让他们坐在办公室里算一加一等于几。”
陈默和吴泽明愣了一下。
“他们能算，”夏冬一针见血地指出，“但是效率极低，而且成本高得离谱。大炮打蚊子，从根源上就错了。”
两位顶尖的技术大拿对视了一眼，脑子里仿佛劈过一道闪电。
陈默喃喃自语：“所以……通用的CPU，从硬件物理架构上就不适合跑我们的算法？”
“没错。”夏冬顺势抛出一个引导性的问题，“既然一个精通微积分的老教授算得慢，那我们找一万个只会算乘法的小学生来并行计算呢？”
“我们需要的是高并发、低逻辑复杂度、海量的浮点运算单元……”
吴泽明推了推眼镜，眉头微皱，大脑在疯狂检索现有的硬件架构：“夏冬，你说的这种硬件特征，听起来怎么那么像电脑里的显卡？”
“确切地说，是GPU。”夏冬打了个响指，“泽明抓住了盲点。”
夏冬表情淡定，内心其实正在快速梳理之前用豆包查阅的资料。
早在2007年，英伟达就推出了CUDA架构，让GPU不仅仅能打游戏渲染图像，还能进行通用计算。
现在这个时间节点，多伦多大学的Hinton团队、斯坦福大学的吴恩达，其实已经开始尝试用GPU加速神经网络训练了。
效率足足比CPU高出了几十倍。
到了2011年，吴恩达更是用12块GPU，生生跑出了相当于2000个CPU的深度学习算力。
这就是降维打击。