Qual è la differenza tra GPU di gioco e GPU di programmazione grafica professionale?

Mi piace la risposta di Daniele perché dà una prospettiva globale.

Vorrei rispondere dal punto di vista dell'architettura delle schede nVidia.

nVidia ha 3 serie di schede - Tesla, Quadro e GeForce. L'architettura Tesla (come viene chiamata la serie GPU Computing) è stata progettata dal punto di vista del solo calcolo, e non della grafica. Sono per lo più utilizzate nelle comunità scientifiche e negli istituti di ricerca e nelle applicazioni commerciali dove si desiderano alte prestazioni e precisione. La serie Quadro è progettata per la modellazione come la progettazione di aerei/auto, la modellazione grafica 3D, le aziende di rendering dell'animazione, le grandi aziende VFX per i loro effetti speciali, e così via. Rispetto a questo, la serie GeForce è progettata solo per l'uso consumer, soprattutto per il gioco. Detto questo, le schede Tesla e Quadro sono circa 4-5 volte più costose delle schede GeForce, in quanto aiutano a risolvere alcuni dei problemi più grandi del mondo.

Queste sono le principali differenze tra le serie Tesla e GeForce (in tutti questi punti sto assumendo l'ultimo modello di GeForce - Titan 1080 vs Pascal P100 a cui mi riferisco come Tesla):

1. Prestazioni in singola o doppia precisione: Anche se le schede GeForce sono veloci in SP, mancano di incisività nelle prestazioni DP. Qui è dove le schede Tesla prendono la torta. Mentre le schede GeForce vanno fino a 0,3 TFLOPS (Tera FLOPS), le schede Tesla (P100) possono andare fino a 5,3 TFLOPS. Questo è un enorme vantaggio dato che la maggior parte della comunità di ricerca usa DP per il calcolo in quanto possono ottenere una maggiore precisione.
2. Correzione degli errori: La correzione degli errori è difficilmente un problema per le schede GeForce, dato che all'utente non interessa che un colore di pixel vada storto qua e là in un frame. Ma questo non è accettabile nei progetti di ricerca e nelle applicazioni commerciali (immaginate un errore nella scansione di un paziente che si propaga e porta a una falsa diagnosi da parte del radiologo). Quindi le schede Tesla hanno un hardware incorporato per gestire la correzione degli errori per i calcoli SP e danno un avviso per i calcoli DP. La gestione avviene a diversi livelli di calcolo e memorizzazione dei dati.
3. Memoria: Alcune applicazioni commerciali richiedono un'enorme quantità di memoria (come una tipica TAC può avere 20 set, ciascuno di circa 0,7GB). Per la ricostruzione di questo, la GPU deve avere circa 15GB di memoria altrimenti le prestazioni ne risentiranno. Per questo motivo, le schede Tesla sono costruite con una memoria molto più alta - circa 24GB (per P100). Questo porta le aziende ad usarle per prodotti mainstream, mentre le GeForce hanno circa 8-12GB di memoria. Non piccola, ma comunque Tesla ha ciò che serve.
4. Bandwidth: i trasferimenti di dati PCI-E sono lenti (circa 16GB/s). Questo non è sufficiente per i calcoli in cui è necessario trasferire grandi dati abbastanza velocemente, specialmente se si ha una configurazione multigpu. Quindi Tesla ha NVLINK, che è il trasferimento dati intergpu che può andare fino a 80GB/s. Se questo non c'è, le schede dovranno trasferire i dati attraverso la CPU, che è più lenta. Anche all'interno della GPU, mentre le schede GeForce possono andare fino a 480GB/s, le schede Tesla possono andare oltre 700GB/s per i trasferimenti intragpu).
5. Power: la serie Tesla è progettata per i server, e quindi il potere è una parte importante del design dal momento che hanno eseguito continuamente per mesi insieme. Sono schede headless, significa che non supportano la visualizzazione dell'output su un monitor esterno. Il consumo energetico di una scheda Tesla è di 300W massimo, che è un risultato considerando che queste sono schede server. In confronto, GeForce 1080Ti consuma circa 250W.

Ci sono anche molte altre differenze minori, che differenziano entrambe le serie. In breve, le persone che desiderano fare una seria programmazione di calcolo dovrebbero andare per la serie Tesla. Quelli che non hanno seri requisiti di precisione (come i compiti universitari, ecc.) possono optare per la GeForce, dato che anche questa supporta pienamente CUDA.