1. 总体能耗对比：
CPU通常设计复杂且运行速度较快，因此每个核心的功耗较高。例如，ATOM CPU在不同频率下的功耗从240 mW到3240 mW不等。
相比之下，GPU虽然拥有更多的计算单元，但在某些情况下，其整体能耗可能更低。例如，在执行大规模计算任务时，GPU的能耗远低于CPU。
在特定任务中，如BFS任务，使用CUDA方法的GPU能耗仅为CPU的约16%。
2. 特定应用场景下的能耗差异：
在高性能计算（HPC）领域，GPU在处理并行计算任务时表现出更高的能效。例如，在大数据集和高变量计数的情况下，GPU的能耗仅为CPU的2.6倍。
在AI训练任务中，英伟达的A100 GPU在相同性能水平下比仅使用CPU的系统每月节省588兆瓦时的能源。
3. 能效优化技术：
GPU通过动态电压/频率缩放（DVFS）技术、工作负载划分技术等方法可以显著提高能效。
FPGA作为一种新型处理器，在能效方面表现更佳，尤其是在大规模并行计算中，其能耗仅为GPU的20%。
4. 实际应用中的能耗表现：
在某些实际应用中，GPU的能耗优势明显。例如，在神经外科医生的任务中，Wi-Fi环境下的GPU能耗最低。
在机器学习模型训练中，使用GPU加速系统比仅使用CPU的系统更节能。
5. 未来发展趋势：
随着技术的进步，GPU的能效有望进一步提升。例如，3D GPU架构通过堆叠芯片和优化内存带宽，能够显著降低每访问的能量消耗。
高通的Adreno GPU在实现相同性能时比x86架构集成GPU减少了74%的功耗。
CPU和GPU在能耗方面各有优劣。CPU在处理复杂、顺序执行的任务时能耗较高，而GPU在并行计算任务中表现出更高的能效。通过优化技术和新型架构的发展，GPU的能效优势有望进一步扩大。
