在以前有個故事，是關于蛋白質學的。蛋白質是一種很復雜的化學分子，當細胞制造出蛋白質時，它會立即卷曲成特定形狀，，所以只有一部分會露在外面，而其他部分決定了其他蛋白質可以有什么樣的反應。如果我們能模擬出各種蛋白質的形狀，就可以利用化學知識進一步猜測，甚至設計特定的功能，比如增強免疫力，對抗癌細胞等等。但要計算蛋白質分子實在是太繁瑣，雖然數學公式就那些，但是怎么算都算不玩，得動用超級電腦日夜不停計算幾天幾夜，才能有一些成果。雖然實際工作很難進行，但科學家們采用了將一堆個人電腦拼湊出集群系統進行小規模計算，后來演變到通過網絡，將其他電腦限制的CPU拿來模擬蛋白質的折疊過程。此時有些科學家看著顯卡的強大性能，突然想到了GPU就是答案，但當時由于被幾個問題所限制，導致此成果無法快速普及。GPU的計算能力雖然是很強，但必須要對GPU的內部架構理解，才能安排數據以適當的方式進行處理，這就需要NVIDIA、ATI提供相關GPU架構資料，而且就算有了這些資料，但顯卡的驅動程式也是一個大問題。雖然當時有了OPEN GL規格，但采用OPEN GL來處理這種事情是相當麻煩的。為了做一些計算，必須要從GPU架構學起，一路學到怎么把你想的計算公式加入顯卡的驅動程式內才行，但最終的結果是比純CPU快20-40倍。
此事便促進了GPU+CPU異構架構在并行計算中的發展，目前市場上以NVIDIA的CUDA為主流，也有AMD的STREAM，以及即將入這個領域的INTEL Larrabee 。
在以前我們剛接觸計算機的時候，對于計算機的認識是從CPU開始的，當時認為只要CPU的主頻越快，計算機的性能越好。但隨著IT業的迅速發展，CPU主頻的反而是基本不變了，而是往多核的時代發展。回顧CPU歷史性的里程碑：1980年是“超標量架構”的誕生；1990年則是“流水線”的降臨；21世紀進入了多核時代，多個適當復雜度、低能耗的內核并行工作搭建了多核并行計算的硬件平臺。這預示著：未來的計算機硬件不會更寬，只會更快。
目前設計GPU+CPU架構平臺的思想是：讓CPU的更多資源用于緩存，GPU的更多資源用于數據計算。通過以下圖片對比，不難理解這一設計思想。
