в CUDA тоже проблем нет (с соблюдением ограничений на индексы, ну можно трехмерный массив аллоцировать).

В-общем, это оказалось прямое требование спеков OpenCL (на 34-й странице 1.0.48).

У меня пока есть одна идея, почему это так. В теории мы можем иметь три *независимых* (аж от разных процессов, друг о друге не знающих) процесса
- копирование результатов (предыдущего) расчета с устройства
- (текущий) расчет
- копирование данных (следующего) расчета.