讨论探讨了 AI 和其他大规模计算是否能在 CPU 上比 GPU 上执行得更高效。评论者指出，GPU 擅长高度并行的矩阵运算，但紧密耦合的硬件和 CUDA 软件生态会促使开发者手动优化代码，降低灵活性，并可能妨碍采用稀疏计算或更高抽象层次的编程方法。CPU 可能具有更大的内存容量，也更易于编程，但传统上同时执行的操作较少。 其他人还提到了英特尔的 Larrabee 项目以及后来推出的 AVX/AVX-512 向量指令集，认为这些项目试图让 CPU 具备类似 GPU 的能力，并指出矩阵计算领域仍有许多潜力未被探索。 苹果的统一内存架构被强调为一项重大优势：CPU 和 GPU 共享内存，从而避免了通过 PCIe 传输数据时开销高昂的复制。这得益于苹果对硬件、操作系统、缓存、互连以及整个软件栈的掌控。英伟达的 Grace Hopper 也提供了类似的集成方案，但牺牲了模块化能力。最后的问题在于，采用一种开放且更高速的标准互连，是否能让传统 CPU/GPU 系统获得类似优势，而无需由单一厂商控制整个平台。