儘管深度學習與AI應用的竄紅，開始讓GPU重要性跟以往截然不同，靠著GPU在AI應用的高CP值，越來越多企業與AI新創都有意採用。不過即便GPU在一些AI設備的重要性與日俱增，甚至受重視程度還高過於CPU，但還是不能因此就認為GPU可以無所不能，GPU本身還是有其局限的存在。
像是GPU缺乏處理大量不同性質運算能力的特性，就是最常被人拿來凸顯GPU不足的其中一個例子。因為GPU原本就被設計成專門處理大量高同質性的資料運算工作，是只能專心做相同事情的專才。
所以，當面對需要依據大量資料的不同特徵而做決策的運算時，GPU就顯得不太在行，這方面則是CPU的強項，因為CPU晶片內的每一顆核心，都是獨立運作可以負責處理各自不同的任務，CPU是能處理不同事情的通才，而不像GPU，雖然擁有遠超過CPU的核心數量，但這些核心的作事方式都是每個核心都只做同一件事。
臺灣大學資工系副教授洪士灝則是以更簡單易懂的方式，來說明GPU和CPU兩者角色的差別。他形容，GPU就像是工廠雇用的一群作業人員，這些作業員每日只需負責處理大量同類型的工作，例如產品檢測、組裝等，反觀CPU則較像是獨立運作的廠房專業人員，專門處理主管交付下來的不同各別任務，例如調度產線機臺或加派人力支援等。
洪士灝過去在效能調校、平行運算與異質系統方面很有經驗，今年他也一路全程參與GTC大會。他觀察，儘管GPU的高度運算能力在AI應用方面今年獲得高度的關注，但以目前來說，GPU要就此要取代CPU的角色仍有難度。他解釋，GPU在進行深度學習這類特殊的運算時，效率雖然比CPU高很多，但在面對處理一些運算後還需進一步決策或判斷的運算工作時， GPU的執行效率就比不上CPU，所以這方面還是需要CPU來完成。
在平行運算略占下風的CPU廠商近年來也開始提高CPU的運算能力，例如處理器大廠英特爾在新一代CPU處理器內，就陸續特別增加晶片內的核心數量，所以現在，可以看到越來越多的x86伺服器內配置的CPU核心數量，至少都超過10個以上。不僅如此，洪士灝更進一步指出，將來甚至有機會看到一些特殊版本的伺服器推出，這些伺服器至少具備有60至70顆以上的核心數，就是要用來拉近和GPU之間的距離。
GPU面臨的2個難處
而當CPU正逐步縮短與GPU之間的差距時，洪士灝明白點出，GPU至今仍有兩大瓶頸尚未解決。其中一個即是GPU目前還無法在系統內單獨使用，使得GPU取得資料的速度比CPU還慢。
洪士灝表示，截至目前，GPU還是以一種加速器或加速卡的方式存在系統，只能從旁擔任CPU的輔助角色。所以，不像CPU可以直接存取硬碟上的資料，GPU必須得靠CPU的幫忙，從檔案系統中將資料拿出並餵給GPU後，GPU才能進行後續的運算處理工作，使得GPU通常比CPU得花更多的時間才能拿到資料來計算。
GPU不只是取用資料得仰賴CPU的幫忙，洪士灝也指出，這也衍生出了GPU目前遭遇到的另一個困境，就是距離資料取得的地方太遠，使得GPU得經過好幾手的傳遞後才能取得資料。以大數據分析來舉例的話，GPU要取用資料就得經過GPU來聯繫，中間還得通過好幾層關卡，才能讓位在系統後端的GPU收取資料，所以當然距離資料就遠。
洪士灝表示，當GPU要借助記憶體內運算技術時，也同樣會遇到資料傳不夠快的問題。
GPU要從記憶體拿取資料，目前必需經由I/O 匯流排介面當作傳輸通道，但問題是，目前伺服器所用的I/O 匯流排，普遍都是PCIe這個傳輸介面，其傳輸速度仍遠低於作為CPU和記憶體之間資料傳輸的記憶體匯流排（Memory Bus）的速度。如果只是少量運算還好，但當需要運用大量記憶體內運算的時候，GPU拿資料的速度就會變慢，而影響了GPU的利用率。
不過至今，GPU所存在的這2大難題，還是遲遲未能獲得有效改善。洪士灝也坦言，這並非是單靠一家GPU廠商就能處理得了的事，而是得要有CPU和其他系統廠商的共同合作，才有辦法共同坐下來一起解決。所以，Nvidia再挑戰要讓更多企業在AI與深度學習都能用GPU的同時，接下來也得要想辦法解決GPU目前所面臨到的種種局限才行。
臺灣大學資工系副教授洪士灝表示，GPU至今仍有兩大瓶頸尚未解決，其中一個是GPU目前還無法在系統內單獨使用，只能擔任輔助角色使得GPU取得資料的速度比CPU還慢；另一個目前所遭遇到的困境則是GPU距離資料取得的位置太遠，因此當需要處理大量資料運算時，就很容易影響了GPU的利用率。
【相關報導請參考「GPU靠AI直攻運算龍頭」專題】