Nu de Wet van Moore steeds meer een afgesloten hoofdstuk in de chipgeschiedenis blijkt, groeit het belang van parallel rekenwerk sneller dan ooit. Vroeger was de processorkern en de bijhorende kloksnelheid de doorslaggevende factor in de prestaties van het gros van de toepassingen. Rekenwerk vandaag vertrouwt steeds meer op enorme hoeveelheden van gelijktijdige maar iets eenvoudigere berekeningen. Voor de ontluikende domeinen van big data analytics, kunstmatige intelligentie en machine learning is die parallelle rekenkracht van het grootste belang.
Die domeinen zijn al lang geen niche meer. Zowat ieder bedrijf kan dezer dagen de vruchten plukken van de evoluties met dank aan de publieke cloud voor eenvoudig toegankelijke rekeninfrastructuur, en kant-en-klare Software-as-a-Service-oplossingen om er zelf mee aan de slag te gaan. De complexe algoritmes en neurale netwerken die dergelijke innovaties aandrijven, maken echter gretig gebruik van gpu-kracht. Dat wil zeggen dat de cpu-accelerator-tandem, die vroeger vooral synoniem stond met supercomputers, vandaag relatief talrijk is in menig serverkast binnen datacenters, publiek en on-premise.