Это может быть только теоретическим, но есть ли преимущества использования того или иного термина с точки зрения:
Решение с использованием QPI выглядит лучше для меня. Есть ли какие-либо преимущества использования PCIe-P2P Tesla перед QPI Xeon Phi?
Многие сравнительные тесты и тесты, опубликованные в Интернете, говорят, что Tesla работает быстрее в научных приложениях, но я не эксперт в HPC и не могу сказать, не помогают ли тестовые процедуры, используемые в этих сравнениях, Nvidia. Особенно сравнение опубликовано Nvidia :)
Я думаю, что Nvidia CUDA - это зрелая технология, и я думаю, что существует большое сообщество разработчиков CUDA, поэтому использование Tesla может ускорить разработку вашего проекта, если вы работаете над некоторым программным обеспечением.
Я не знаю, является ли Intel MKL зрелой технологией, но для меня - это что-то очень экзотическое, и я думаю, что найти некоторую помощь / поддержку может быть сложнее, чем при разработке CUDA. С другой стороны - я считаю, что вы можете получить высококачественную поддержку клиентов от Intel.
Вы также должны учитывать, что Nvidia сейчас в 28-нм "возрасте", Intel - в 22-нм (я имею в виду продукты, доступные на рынке). Таким образом, теоретически мы можем ожидать подобную энергоэффективность сегодня, но Intel скоро перейдет на 14-нм техпроцесс, а это означает, что следующая серия Phi будет намного более эффективной.
Тесла быстрее для числовых параллельных вычислений. Однако вы должны знать, что графические процессоры ограничены выполнением параллельных вычислений и не подходят для обработки широкого спектра различных задач из-за явления, называемого расхождением по ветвям. Следовательно, сравнение CUDA и Xeon Phi похоже на сравнение яблок с апельсинами. Если вам нужны числовые вычисления с параллельными данными, Tesla все еще быстрее. Если вам нужно запустить какую-то параллельную программу x86, вам нужна Xeon Phi. (И да, хотя это x86, вам все равно придется перекомпилировать.)
