GPGPU就在我们的身边
依靠上述优势，GPGPU在图形运算之外，能完成一些原本由CPU来处理的工作，以实现更高的处理速度和效率。
GPGPU模拟风在城市环境下（纽约时代广场）的流动情况
GPGPU模拟烟雾的扩散效果。在纽约大学30颗GPGPU的集群上，它也只能在480×480分辨率下达到每秒80帧的绘制速度，勉强达到实时性的要求，由此可见流体物理所需要的计算能力有多高。
GPGPU看上去很遥远，但它实际上就在我们的身边。视频的编解码原本是CPU在负责处理，但由于高清视频的盛行，庞大的数据运算量让CPU不堪重负。而在播放高清视频时，GPU本来是不参与处理的，强大的性能基本处于闲置状态。因此NVIDIA和AMD分别开发了PureVideo和Avivo技术，利用GeForce 6/7系列和Radeon X1000系列GPU的像素着色器来加速视频编解码，包括视频编码过程中的4∶2∶2至4∶2∶0转换、噪声消除、逆3∶2PD矫正、反交错，还包括视频回放过程中的反交错、格式转换、块消除和后期处理等等。随着DirectX 10时代的到来，会有越来越多的视频处理可以由GPU来完成。这可以说是目前GPGPU最成熟、最广泛的一种应用，也是我们最常接触到的广义GPGPU。
既然GPGPU可以应用到视频处理上，那么GPGPU是否可以应用到音频处理上呢？答案是肯定的。英国剑桥大学的一个小组曾经宣布它们的音频视频交换（Audio Video Exchange）技术可以把音频数据转换成图形数据交由GPU处理，然后再将GPU处理的数据读出，并解释成音频数据播放出来。NVIDIA也表示过这一应用是可行的。但由于种种原因，该项目似乎没有了下文，进度不明。
既然GPGPU能够从CPU那里夺来视频处理的任务，目前正渐入佳境的物理加速当然也少不了GPGPU。发布首款PhysX物理处理器（PPU）的AGEIA公司认为，GPU和PPU应该各自独立负责图形运算和物理加速。不过NVIDIA和AMD显然不这样看，PPU和GPU相互独立，在3D渲染计算量大的时候，PPU就会浪费；碰到物理计算量大的时候，GPU就浪费了。因此完全可以在对GPU做少量改动的情况下，让GPU来完成PPU的工作，并且可以实时负载动态调整，达到性能的最优化。AMD在去年的台北Computex上就展示了基于CrossFire系统的物理加速方案，当一个系统中有三块显卡时，可以使用其中一块显卡专门负责物理计算，而另外两块显卡负责图形渲染，即“2＋1”模式；如果系统中有两块显卡，则一块负责物理计算，一块负责图形渲染，即“1＋1”模式。NVIDIA同样也在SLI平台上实现了“1＋1”模式的物理加速方案，而且两家公司都声称GPU加速物理运算的速度远超PPU。在DirectX 10时代，统一着色构架的采用，完全可以让GPU进一步加入物理计算引擎，让物理处理和顶点处理、像素处理、几何处理共享统一着色器。事实上，NVIDIA宣称G80中已经加入了Quantum Effects技术来进行物理加速，究竟效果如何，让我们拭目以待。
当然，除了上述这些我们能看得到的应用，科学计算才是GPGPU真正的目标。它强大的浮点运算能力，很适合用来加速通用的矩阵计算，早期发表的GPGPU论文中，也大多是这种类型。其中，最引人注目的就是对流体力学的模拟。众所周知，流体力学的模拟十分复杂而且计算量大得惊人，用CPU来处理，既费时又费力，要达到实时绘制更是天方夜谭。为了提供足够的模拟计算能力，纽约一所大学的研究所使用了30颗GPGPU的集群，终于基本实现了流体物理现象的实时模拟和绘制。
执行相同的半线性查询，GPU只需要CPU的十分之一时间就够了；而执行范围查询，GPU也只需要CPU的五分之一时间而已，可见GPGPU应用于数据库领域的优势
除了物理现象的模拟之外，GPGPU同样在数据库处理领域取得了很好的进展。数据库中最重要的一个操作就是对已有记录进行查询，它包括关系查询（Relational Query）、合取查询（Conjunction Query）和范围查询（Range Query）等。在GPGPU中，我们可以把一个个像素当作是数据项，而用纹理来表示数据项的各个属性，通过像素着色程序就可以对数据项的各种属性进行访问和操作。美国北卡罗莱纳大学曾经做过数据库查询操作的对比实验，一组是在NVIDIA GeForce 5900上，另一组是在Intel双路Xeon系统上。结果在几乎所有的实验中，都是GeForce 5900的运行性能远远优于双路Xeon系统，可见两者的数据库查询性能与它们的价格成反比。
HMM搜索计算的性能对比
蛋白质折叠计算的性能对比
AMD、NVIDIA加速研发GPGPU
由于巨大的商业价值，目前AMD和NVIDIA等巨头都在加速研发GPGPU。
在2006年底的超级计算机大会上，AMD发布了业界首款“流处理器”（Stream Processor），专为工作站和服务器等纯计算系统而设计，适用于金融分析、地震偏移分析、生命科学等应用领域。这款“流处理器”其实就是基于Radeon X1900显卡（R580）开发设计的。在实际性能方面，尽管它具有375Gflops的浮点运算能力和64GB/s的存储带宽，但运行Folding@Home分布式通用运算时，它的速度只比AMD Opteron 180双核处理器快50％左右，同时耗电量也更大。可以说这只是一款GPGPU“雏形”，还远未发挥出GPGPU的真正威力。
在运行Folding@Home分布式通用运算时，Radeon X1900比Opteron 180快50％
NVIDIA则在G80上使用了CUDA（Compute Unified Device Architecture，统一计算设备架构），并在G80上集成了为通用计算而设计的缓存，让128个统一着色器能够协同进行复杂的计算，同时还加入C编译器，使GPU如虎添翼。此外，NVIDIA也联合Adobe宣布，Adobe Acrobat 8和Adobe Reader 8软件可以使用GPU来进行2D加速，能大幅度加快PDF文档的浏览速度，今后在打开和翻页大容量PDF文件时就不会像现在这么慢了。
当然，GPGPU的研发也并非一帆风顺。除了GPU本身在发展时要解决耗电量过大和提高频率的瓶颈问题，GPGPU在体系结构的设计上还有什么特殊要求呢？首先在在动态流控制设计和实现方面，通用计算毕竟与图形运算不同，如果GPU针对图形运算在动态流控制上做了过多的优化，就会降低通用计算的灵活性，可谓鱼与熊掌不可兼得。此外，GPGPU要同时处理多种类型的任务时，就会存在GPU资源的竞争问题，在任务之间如何仲裁非常关键，处理不好就会适得其反。例如当GeForce 8800要同时处理3D渲染和物理计算时，如何仲裁和分配资源才能达到最好的性能？这个问题肯定需要软硬件工程师的共同努力才能找到较好的平衡点。
随着GPU的日渐强大，GPGPU也开始获得越来越广泛的应用。那么，会不会有一天GPGPU的计算能力和灵活性都超越了CPU，届时CPU何去何从？其实，早在2004年的SIGGRAPH图形大会上，就有科研人员在GPGPU论坛上预测，六年之内就会出现CPU和GPU整合在一起的产品。这在当时来说无疑太过惊人，不过在AMD收购ATI之后，情况则发生了大逆转。AMD已经计划提供完整的计算平台，并打算在其制程转向45nm的时候，实现CPU和GPU的整合，两者不需要再单独存在。因此最终的情形可能不是谁会取代谁，而将诞生兼有图形计算和通用计算的统一处理器。也许，它会被称为无所不能的XPU（X处理器）。
