GPU（Graphics Processing Unit，图形处理器）是一类拥有大量小型计算核心、擅长同时处理海量相同运算的芯片，如今是 AI 训练和推理的主力硬件。
它最早的任务是画图。屏幕上的每个像素颜色，都要经过相似的计算；一帧画面有上百万像素，逐個算太慢，于是硬件被设计成“很多小核心一起开工”。这和神经网络的需求很像：一次矩阵乘法，本质是成千上万个“乘加”同时进行，每个结果彼此独立，不需要复杂的判断和跳转。GPU 就把这些简单活分给大量小核心，用“人海战术”换吞吐量。
打个比方：CPU（Central Processing Unit，中央处理器）像几位经验丰富的老师傅，能处理复杂流程、做判断、协调全局，但人手少；GPU 像一整个车间的小工，每人只会做简单加减，可一声令下同时动手，搬砖效率极高。训练大模型，就是反复做超大规模的“搬砖”运算，GPU 因此占优。但 GPU 并不是“显卡只会打游戏”：显卡是包含 GPU 芯片、显存、供电和散热的整块板卡，GPU 是板卡上的核心计算芯片；游戏只是它早期最出名的用途。
和相邻概念的区别可以这样看：
| 对比项 | CPU | GPU | NPU/TPU 等专用加速器 |
|---|---|---|---|
| 核心特点 | 少而强，擅长复杂控制与串行逻辑 | 多而简单，擅长规则的大规模并行 | 为特定算子定制的计算单元 |
| 灵活性 | 高 | 较高，可编程 | 相对较低 |
| 典型角色 | 系统调度、数据预处理、控制流 | 图形渲染、模型训练与推理 | 端侧或云端特定推理加速 |
NPU（Neural Processing Unit，神经网络处理器）、TPU（Tensor Processing Unit，张量处理器）等专用芯片，把矩阵运算做得更专更省，但通用性和生态成熟度通常不如 GPU；实际系统里往往是 CPU 负责调度、GPU 负责重活、专用芯片负责特定环节。
对从业者，选 GPU 不能只看“算得快”，还要看显存容量与带宽、精度支持、并行方式和软件生态；模型太大装不下显存，再快也没用。对普通职场人，理解 GPU 有助于明白：AI 服务的成本很大一块来自这些芯片的算力与电力，端侧 AI 则受限于手机里的小型 GPU 或 NPU。具体型号与规格以厂商官方页面为准。