1樓：Peter Yin
cpu模擬成乙個會微積分的本科畢業生，gpu模擬成10000個小學生，你讓本科生計算10000道加減乘除的運算題消耗的時間肯定比10000個小學生一人算一題時間消耗久，但是本科生能做的微積分小學生解決起來就很困難，偏偏卷積神經網路的卷積就是這種大量的加減乘除的計算，所以用gpu比用cpu快。不知道這麼模擬能不能說清楚問題。
2樓：yhh
人工智慧的顯示系統一定是液晶顯示器，液晶的只能正常顯示15幀畫面。但是，標準的上限是240幀畫面。但是，機器cpu拖不動。
而且液晶也無法顯示。所以，在設定跳幀後。把240個畫面跳幀為15個畫面。
那麼cpu輕鬆了。液晶也能正常顯示。那時，gpu就效能過剩了。
所以，要想辦法把過剩的gpu效能利用起來。就把gpu的ai特性發展起來了。一切都是水到渠成的。
3樓：黃浴
問題本身提問的角度有些偏。計算力和資料吞吐量是平台的兩個主要指標，雲計算是分布式計算，可以由大量CPU構成計算平台，而強項是資料量多，但資料相關不大。GPU多半是資料不大、但計算量超大的情況下最好的選擇。
可是，目前AI計算，應該說是深度學習，其要求計算能力和資料量都很大，這樣雲計算不一定合適，特別是資料相關性也大。比如谷歌早期的深度學習平台DistBelief，其速度不如兩塊GPU卡。
當然將GPU放入雲計算，這是最早Amazon先做的，很遺憾谷歌開始不贊成，覺得雲計算不需要GPU。直到深度學習非常普及之後，Tensorflow出現，谷歌搞出來TPU，還是不想用GPU。
深度學習最適合的不是CPU也不是GPU，而是定製的晶元。人工智慧呢，AI晶元也不少提，大多數是對深度學習模型的訓練和推理進行加速而言。如果是以前的演算法，比如資料量大而計算相對輕的，還有資料相關性低的，雲計算的平台就能夠公升任，多核的伺服器也不會差多少，不需要GPU都可以。
一點拙見，僅供參考。
4樓：逐鹿者不顧兔
GPU適用於資料並行的任務， CPU適用於邏輯型序列任務。 而當前所謂的人工智慧，基於神經網路的，恰恰適合資料並行。 借用知友舉過的類似例子：
有一百萬道小學數學題和4道微積分待解決， 現在GPU就如同有一萬個小學生同時做題，CPU如同有4個大學生同時做題，小學生雖然不會微積分，但一百萬道題還是so easy的，給大學生做這任務量就懵逼了。
5樓：方覺閒
因為GPU為了實現影象處理功能，裡面設計有大量硬體實現的乘加器，而AI用的最多的卷積等基本演算法恰好需要乘加器來完成，這就大大降低了AI演算法的運算時間。GPU在AI上的應用可以說是歪打正著。後期推出的GPU為了更好滿足AI演算法的需要又做了一些改進，這是後話了。
從應用角度來講，為AI 專門研製的協處理器（TPU 或 NPU）處理AI演算法的效率更高，但是對於多數開發人員，用GPU做AI研究更方便，畢竟顯示卡到處都有
6樓：Tharvis
有文章說…也只是有文章說而已，人工智慧有多種演算法，演算法不同，所需的資源型別也不盡相同。GPU優勢是型別單
一、重複的運算，大規模用來挖礦就體現這一點。CPU更適合複雜度高的各項運算。如需大量重複單一運算的場景，還會用到GPU.
為什麼 CPU 的浮點運算能力比 GPU 差，為什麼不提高 CPU 的浮點運算能力？
以前CPU弱，要是搞個浮點數運算的協處理器，運算速度跑的飛起。當然了，如果真為了計算，CPU一樣可以把ALU搞的很強大，不過沒必要。畢竟術業有專攻嘛，CPU主要是流程控制，而不是計算，然而GPU在處理光線之類的渲染的時候，會做大量的計算工作。 chapman zhang CPU是大學生，乙個大學生一...
為什麼react比vue更適合大型應用？
前端361 1，vue的模板寫法在元件資料較多時，資料和模板強相關，模板不能動態抽離為函式，而在react中，jsx可以很方便的抽離為函式，雖然vue也可以在render中寫jsx，但在模板中無法使用this 2，高階元件的寫法上，react可以更好的使用，維護，vue中高階元件大部分情況下時使用m...
為什麼手機gpu的頻率沒有cpu那麼高？
16歲的殿下 按照我的想法也是這樣，手機是多核心CPU所以可以能保持良好發熱，但GPU只有乙個核心，熱就是真熱。多核心GPU就能解決這個問題，但手機體積太小還有就是除了個別幾台機器以外我還沒見過GPU有多核心設計的。 CPU和GPU是兩種不同計算結構的處理單元PE processing elemen...