数据并行 vs 任务并行 + Amdahl 定律
一、为什么先学这个？不理解会踩什么坑
新手容易把"并行"当成一个笼统的概念， 一提并行就是"多线程同时跑"，不区分具体是哪一种并行方式。 问题是： 数据并行 和 任务并行 需要的硬件结构、编程模型完全不同， GPU（尤其CUDA）天生是为数据并行设计的， 如果拿一个任务并行的问题硬套到GPU上，会发现怎么写都别扭、 性能也上不去——因为问题本身的"形状"就不适合GPU这套硬件。 另外，"加了并行就一定能线性加速"是最常见的错误预期， Amdahl定律直接给出了这种预期错在哪、上限在哪， 不理解这个定律，很容易在GPU优化上做无用功 （比如拼命优化一段已经占比很小的代码）。
二、数据并行（Data Parallelism）
2.1 定义
数据并行：把同一份操作/逻辑，同时应用到一大批不同的数据上， 各份数据的处理过程彼此独立，互不依赖。 关键特征： "做什么"是一样的（同一段逻辑/同一条指令流） "对谁做"是不一样的（每个线程/每个处理单元拿到不同的数据）
2.2 例子
向量加法：C[i] = A[i] + B[i] 对每一个下标 i，做的都是"取A[i]、取B[i]、相加、写回C[i]"这同一件事， 不同 i 之间互不依赖，谁先算完谁后算完都不影响结果 → 典型的数据并行问题 图像处理中的灰度化： 每个像素都做"根据RGB算出灰度值"这同一个公式， 像素与像素之间互不依赖 → 同样是数据并行 矩阵乘法中的
