Список проголосовавших за комментарий "Михаил Михалев, <p>Да, с ветвлениями на GPU согласен. Поэтому я и не говорю про наивный брутфорс всего пространства на GPU. GPU хорошо работает, когда задача уже приведена к плотному однотипному batch-у: сигналы подготовлены, ветки отсечены, данные лежат в памяти, и дальше надо массово прогнать PM-варианты.</p><p> </p><p>Но тогда важно уточнить, что означает “200 000 комбинаций/сек”. Это один PM? одна стратегия? одна структура правил? уже подготовленные сигналы? включены ли разные PM-семейства, stop/take/trailing, pruning, комиссии, сохранение метрик и правая сторона? Без этого это скорость конкретного backend-слоя, а не скорость полного исследования.</p><p> </p><p>В статье пример специально идет на старом компьютере: i5 750, 16 GB RAM, AMD R9 200 2 GB. На таком железе задача как раз показать не рекорд скорости, а роль архитектуры: что сначала нужно отсечь, что переиспользовать, что не считать вообще и как собрать расчетный план.</p><p> </p><p>Если перенести ARANEA на сервер уровня AMD EPYC 9554 64C/128T, 128-256 GB RAM и добавить 2-4 GPU уровня RTX 4090 / RTX 6000 Ada / L40S, то плотный PM-batch можно вынести на GPU и получить уже не сотни тысяч, а сотни миллионов PM-оценок в секунду на подходящих задачах. Но полный pipeline ускорится меньше, потому что вокруг PM остаются entry-prep, группировка, pruning, winners, артефакты и правая сторона.</p><p> </p><p>Поэтому я не спорю, что GPU может быстро считать. Мой тезис другой: скорость backend-а не равна качеству исследования. 200 000 комбинаций/сек — это хорошая скорость исполнительного слоя. Но если нет карты гипотез, отсечения, проверки правой стороны и понимания, какие ветки вообще живые, то это больше похоже на быстрый перебор, чем на управляемое исследование стратегии.</p>"