卸載模型（offload model）

當 CPU 與像 GPU 這樣的加速器搭檔時，誰當家，工作又是怎麼真正送到加速器上的？卸載模型就是標準答案：CPU（主機）仍是老大、執行主程式，並把選定的繁重、平行的區塊卸載給裝置（GPU 或其他加速器），由它做數字運算再把結果交回。主機統籌；裝置加速。

具體而言，一次卸載有一個一再出現的形狀，而每一步都由主機驅動。首先主機在裝置上配置記憶體（裝置通常有自己獨立的記憶體）。接著它把輸入資料從主機記憶體跨越連接匯流排複製到裝置記憶體。然後它啟動核心——告訴裝置跨越許多執行緒去執行那段平行運算。裝置執行，主機通常等待或做其他工作，最後主機把結果從裝置記憶體複製回主機記憶體。想像把一大批表格寄到一個快速處理中心：你得把它們打包寄過去（複製進），他們平行地處理整批，再把結果寄回來（複製出）。關鍵在於主機與裝置往往不共用一個定址空間，所以一個主機指標在裝置上毫無意義、反之亦然——這些複製並非可有可無的瑣事，它們正是資料跨越鴻溝的方式。

它之所以重要，是因為這趟來回是異質運算的主導成本模型，也解釋了一個恆久的實務教訓：相對於運算，傳輸是慢的。一個只跑幾微秒的核心，若你花了好幾毫秒把它的資料經匯流排寄過去，就毫無意義；所以卸載模型只在那塊工作夠大、夠平行、夠被重複使用以攤平複製成本時才划算——或者當你讓資料常駐在裝置上、跨越許多核心都不必複製時。「統一」或「共享」記憶體方案試圖藉由讓兩邊看見同一個定址空間來隱藏複製，但資料終究得實際搬移，所以它們減輕的是程式設計，而非頻寬的定律。