使用GPU跑程序的主要原因包括以下几点：
并行计算能力：
GPU拥有大量的处理核心，能够同时处理大量的任务，这使得它在处理计算密集型应用时，如机器学习、深度学习、图像处理等领域，能够显著提高程序的运行速度和效率。
图形处理能力：
GPU最初是为了图形渲染而设计的，它在处理图像、视频等方面表现出色。在计算机图形学和游戏开发中，GPU可以快速处理大量的图像数据。
大规模数据处理：
随着大数据时代的到来，需要处理的数据量急剧增加。GPU在并行计算和大规模数据处理方面的优势使其成为高性能计算和数据分析的重要工具。
人工智能与深度学习：
AI和深度学习任务需要处理大规模的神经网络和复杂的计算模型。GPU的并行计算和高速缓存能力使其非常适合用于加速神经网络的训练和推理过程，从而大大提高了深度学习的效率和速度。
矩阵运算高效性：
GPU在矩阵乘法和卷积等运算上表现出色，这些运算是神经网络训练中的主要操作，因此GPU在这些领域的应用能够显著提高训练速度。
跨平台和可移植性：
GPU编程计算框架提供了统一的编程接口和开发工具，简化了GPU编程的复杂性，并具备良好的跨平台和可移植性，使得同一套程序可以在不同的GPU平台上运行。
丰富的生态系统和支持社区：
由于GPU编程计算框架的广泛应用和快速发展，涌现了大量的第三方库、工具和资源，形成了丰富的生态系统和支持社区，便于开发人员进行高性能计算和功能适配。
综上所述，GPU在并行计算、图形处理、大规模数据处理以及人工智能和深度学习方面的优势，使其成为编程中不可或缺的重要工具。通过充分利用GPU的特殊硬件加速，可以提高编程的效率、加速计算过程，并且应用于更多领域的开发和创新。