当CPU的串行计算方式成为高性能计算中所强调的并行计算性能提升的瓶颈，专门为大规模并行计算而设计的GPU理所当然的浮出水面，开辟高性能计算的新天地。GPU所具备的卓越浮点性能可为众多科学应用程序带来显著的性能提升，在GPU计算模型中，在一个异构计算模型中同时使用CPU和GPU，应用程序的顺序部分在CPU上运行，计算密集型部分在GPU上运行，这样实现了计算资源的最大化利用，在科学计算中，GPU的强大并行处理能力能体现出更大的优势。在高性能计算需求最大的生物科学领域，GPU计算将引领计算的新方向。
NVIDIA宣布推出Tesla生物工作台，这是一个新的计划，汇集运行GPU加速生物科学应用程序所需的计算组件，利用GPU的强大性能，降低HPC应用的门槛，为生命科学研究人员和科学家提供一个以GPU为核心的工作台。
Tesla生物工作台
简单的说，Tesla生物工作台包含一系列GPU可处理的生物科学代码、一个Web社区站点提供代码的下载、一个论坛用来交流信息，当然，还包括装备Tesla GPU的工作站和集群。这个计划所做的实际就是告诉生物科学研究人员，所需的应用程序和硬件就在这里，并可以和更多的专业人员进行交流。
在过去的两年中，GPU能处理的生物学应用显著增加，这要归功于CUDA接口的增加，让很多分子动力学和量子化学的软件包可以运行在NVIDIA的GPU上，比如AMBER、GROMACS、NAMD、TeraChem、VMD的代码，还包括一些复杂的生物学代码如CUDA-SW++、GPU-HMMER和MUMmerGPU等。所有的这些代码都可以通过Tesla工作台从相应的站点来下载，其中一部分是免费的，特别是如果用于学术研究。
这一切背后的动机是NVIDIA认识到生物学计算是GPU加速最容易获取的果实之一，相比单纯的CPU计算，生物科学计算应用GPU可以获得10到100倍的性能提升，这对NV而言是不会注意不到的。“生物科学计算可能会是GPU计算应用最大的领域。”NVIDIA Tesla部门高级产品经理Sumit Gupta这样认为，原因是很多小型和中型生物研究项目中，成本和复杂的高性能计算是最大痛点。
在AMBER中不同平台的对比(点击放大）
例如，基于CUDA的GPU加快了AMBER中Generalized Born和PMEMD的模拟速度。当采用基于CUDA架构的Tesla GPU计算解决方案时，AMBER能够实现7至8倍的速度提升。
GPU计算引领生物科学计算新方向(2)
生命科学已经成为高性能计算最大的市场之一，在2008年，29%的TeraGrid超级计算周期被应用于生物科学应用，另外19%被用于化学和材料科学研究。在商业领域，医药公司和新兴的基因组科学对更好的药物和治疗方法的需求也在推动着HPC的需求。市场调研机构IDC预计生物领域将为HPC制造商带来15亿美金的收入，并提升2.6%的复合年均增长率。
特别在药品的研究方面，HPC可以同时降低研究的费用并加速研究的速度，当前，药物化合物的物理综合和药物筛选非常昂贵并费时，通常需要5年的R&D周期。而应用现代的HPC系统，大部分工作可以采用分子动力学和量子化学代码来模拟，用更便宜的CPU周期取代了昂贵的人力成本和材料花费。
NVIDIA 的Tesla工作台的特点是利用GPU，将生物科学计算变得更加廉价，得益于当前显示芯片强大的数据并行计算能力，在很多科学应用中一台采用GPU的工作站可以代替一个小型的CPU集群，一个中型规模的GPU集群可以取代一台高端的超级计算机。采用GPU计算可以显著的节省硬件成本、系统生命周期中的能耗以及数据中心的空间。
例如，采用NAMD烟草花叶病毒（STMV）的一个小型仿真，用分子动力学代码进行生物分子仿真，可以用16颗x86四核处理器的CPU集群来进行，通过NV测试，采用CUDA版本NAMD的4个GPU的工作站就可以比CPU集群做得好，而仅仅需要很少的能耗。据测试人员表示：“工作站上一切都运行的很好。”
GPU计算和单纯CPU计算的对比
当然，更为大型的仿真计算就不是一台工作站能够承担的了，但是这些代码也很容易扩展，建立一个GPU集群并不会造成多大的困难。应用GPU计算同样可以仿真较大型的项目，Gupta认为，生物研究人员不需要在超级计算机上耗费时间，因为有太多的限制。对于个药物公司而言，这意味着每个研究人员都可以拥有一台GPU工作站，并且在需要进行大型项目的时候可以组建GPU集群来进行计算。
GPU驱动的生物科学计算目前还没有商业产品，并且采用GPU计算进行医药研究的药物公司还是很少，但Gupta认为不超过5年就可以听到GPU计算在医药领域的成功故事。对于NVIDIA而言，目前最大的挑战就是如何让生物产业相信其GPU计算工具和平台已经完备，能够切实的推动生物科学的发展。