越来越多的企业需要处理越来越多的数据，这推动了对高级分析和机器学习工具的需求，以帮助他们充分理解所有这些信息。

反过来，这对IT基础设施提出了新的要求，以满足此类技术的计算需求。

“大数据”的概念成为企业IT中首席信息官和业务决策者的热门话题已经过去了大约十年，但许多公司仍在尝试实施成功的战略，以充分利用他们拥有的数据，变得更有洞察力。

数据来自许多来源，例如来自物联网(IoT)和其他嵌入式系统的机器生成或传感器数据，来自企业系统的交易数据或来自社交媒体和网站的数据。

因此，企业工作负载已经超越了围绕结构化数据集和事务处理的传统工作负载，开始集成分析和其他技术，如人工智能(AI)。

根据IT市场观察机构IDC的调查，到2024年，人工智能将成为企业工作负载的核心组成部分。它认为，对于四分之三的企业来说，20%的工作负载将基于或支持AI，而IT部门15%的人工智能将加速基础设施建设。

然而，组织发现，将高级分析和人工智能技术(包括机器学习)集成到工作负载中会给他们的IT基础设施带来压力。

画平行线

特别是对于其中的一些技术，传统的中央处理器(CPU)架构已经被证明是不能令人满意的，这往往需要高度的并行性。

我很快了解到，这是图形处理单元(GPU)可以解决的问题。GPU旨在减轻游戏中CPU的图形处理负担。它拥有许多相对简单的处理器内核，可以并行处理大量计算。

其他硬件加速器也加入了这一组合，如现场可编程门阵列(FPGA)和专用集成电路(ASIC)，它们在加速工作负载时都有自己的优势。