# 4.9 结束语
<!-- source: p0385 -->

各种流行应用凸显了音频、视频和游戏在个人移动设备上的重要地位，数据级并行性（DLP）对这些设备也因而变得日益重要。再加上 DLP 的编程模型<!-- source: p0386 -->比任务级并行性更容易使用，并且可能拥有更好的能效，就不难理解为什么 DLP 在这十年中迎来了复兴。

我们正在看到，系统处理器越来越多地具备 GPU 的特征，反之亦然。传统处理器与 GPU 之间最大的性能差异之一，来自聚集／散布寻址。传统向量体系结构已经展示了如何为 SIMD 指令加入这种寻址方式；我们预计，随着时间推移，SIMD 扩展还会吸收更多来自成熟向量体系结构的思想。

正如 4.4 节开头所说，GPU 面临的问题并不只是“哪一种体系结构最好”，而是：既然已经为高效处理图形投入了硬件，应该如何增强它，使其支持更通用的计算？虽然向量体系结构在理论分析中有许多优势，但它能否像 GPU 一样，成为图形处理的良好基础，仍有待证明。RISC-V 选择了向量体系结构而非 SIMD。如同过去的体系结构之争，市场将帮助判定这两种数据并行体系结构的优势和弱点究竟有多重要。到目前为止，DNN 越来越普及，且依赖 NVIDIA GPU 与 CUDA 进行训练——第 7 章将介绍这一点——已使 DLP 的天平向 GPU 倾斜。