計算效率對比分析實踐

本頁把「計算效率對比」落實到一次可重現的實踐上：在同一個演化任務上，比較傳統 CPU 串行個體巡訪與 EvoX GPU 張量批次處理的端到端效率。目標不是記住「GPU 更快」這個結論，而是理解張量化並行帶來的加速究竟來自哪裡、代價是什麼、邊界在何處。

兩條基準線，同一任務

• CPU 串行基準：以迴圈逐個個體呼叫評價函式，每代需要 N 次獨立排程、狀態更新與結果彙總。迴圈控制、直譯器開銷和分散的記憶體存取會稀釋有效算力，個體越多，這些「非運算」成本佔比越高。
• GPU 張量對比實作：EvoX 把族群、評價輸入與執行狀態組織為張量，在 GPU 上批次執行評價與算子，一次呼叫即涵蓋整個候選集，從而大幅減少串行迴圈與排程次數。

量測協定：讓對比可重現

可重現的對比必須固定問題、族群規模、迭代代數與隨機種子，然後記錄：每代 wall-clock、總耗時、吞吐量（評估／秒）、加速比，以及 GPU 使用率與顯示記憶體佔用。計時前需要預熱以排除首次編譯與顯示記憶體配置的影響，並在計時點進行裝置同步，同時把運算耗時與主機—裝置資料傳輸耗時分開統計。缺少任一環節，得到的加速比都可能失真。

差異從何而來，又受什麼限制

• 收益來源：批次並行、張量化算子以及裝置內並行，使一次呼叫即處理整個候選集，單位時間內完成更多評價。
• 限制條件：批次大小、問題維度、評價函式的可向量化程度、主機—裝置複製開銷與核心啟動開銷都會影響最終加速。批次過小會被啟動開銷吃掉收益；評價函式若無法向量化，批次處理幾乎無從發揮。

實踐結論

正確的順序是：先驗證評價函式能否批次化，再對比 CPU 與 GPU 實作。效率優勢最終應落實到「在相同運算預算下獲得更多代或更多候選方案」上，並據此決定部署方式與實驗設計，而不是單純追求一個漂亮的加速比數字。