Знающие CUDA, как параллельно запустить несколько ядер?

[Glaciuse]

Есть вопрос, мы запускаем ядро так:

kernel <<< numBlocks, numThreads>>> (args);
//(1)

при этом, когда CPU дойдет до точки (1) ядро еще не завершит свою работу, т.к. запуск ядра асинхронен, верно ли я понимаю?
Если да, то почему во всех примерах, что я встречал делается вот так:

kernel <<< numBlocks, numThreads>>> (args);

cudaMemcpy(dst, source, size, cudaMemcpyDeviceToHost);

Т.е. после вызова ядра сразу начинаем копировать данные?

Еще в литературе встречается такой способ:

kernel <<< numBlocks, numThreads>>> (args);

cudaEvent_t sync_event; 
cudaEventCreate(&sync_event); 
cudaEventRecord(sync_event, 0);       //(2)
cudaEventSynchronize(sync_event); 
// только теперь выполнение функции завершено 

cudaMemcpy(dst, source, size, cudaMemcpyDeviceToHost);

Опять же, sync_event срабатывает как только мы проходим через (2), а это происходит, в случае асинхронности, сразу после запуска ядра, какой в этом тогда смысл?

На случай если я чего-то не понимаю и вызвав ядро, CPU ждет его завершения, то как мне запустить несколько ядер параллельно:

kernel1 <<< numBlocks1, numThreads1>>> (args1);
kernel2 <<< numBlocks2, numThreads2>>> (args2);

Как это осуществить средствами CUDA ?
Спасибо.

[Glaciuse]

Будьте добры, удалите тему, нашел литературу, со всем разобрался.