---
title: "04-显卡与 GPU：第二个处理器"
aliases:
  - 显卡与GPU
created: 2026-08-29
tags:
  - 基础与理论
  - 计算机速览
---

# 显卡与 GPU：第二个处理器

> 显卡在 [[01-计算机硬件速览|硬件速览]] 里只占"看分辨率"三个字，但 2026 年它是全行业最贵、也最缺的芯片。这篇讲清：为什么 CPU 之外还需要第二个处理器，它凭什么扛起了 AI 时代。

## 一、CPU 的困境：一类它干不了的活

渲染一帧 1080p 画面 = 1920×1080 ≈ **200 万个像素**，每个像素都走同样的几步小计算，而且**互相不依赖**。CPU 就算 16 核，也是"几个教授挨个做题"——这类活的特征是：**海量、简单、重复、天然并行**。

计算机世界的活分两种口味：

| | 串行复杂任务 | 海量并行任务 |
| --- | --- | --- |
| 例子 | 跑系统、数据库事务、复杂逻辑分支 | 渲染像素、矩阵乘法、图像滤镜 |
| 要求 | 低延迟、强控制、大缓存 | 高吞吐、无数个简单单元 |
| 适合 | CPU | GPU |

## 二、GPU：数以千计的小学生

**CPU**：少数超强核（教授）——主频高、缓存大、分支预测样样精通，为"快"而生。
**GPU**：数千个瘦小核（小学生）——主频低、逻辑简单，为"多"而生。

> 💡 经典比喻：CPU 是一位数学教授，能解微积分；GPU 是 4000 个只会加减法的小学生。现在出 4000 道加减法题——教授一题一题做，小学生们一人一题**同时**做。没有任何一个通吃，各司其职才是王道。

| | CPU | GPU |
| --- | --- | --- |
| 核心数 | 4~128（强核） | 数千~上万（瘦核） |
| 主频 | 高（4~6GHz） | 较低 |
| 缓存/控制逻辑 | 大而复杂 | 砍到最小 |
| 擅长 | 串行、分支多、低延迟 | 并行、吞吐量 |
| 编程方式 | 通用 | 并行框架（CUDA 等） |

两者其实一直在互相渗透：CPU 里塞了几十个 SIMD 小单元做向量运算，GPU 里也留了几个"聪明核"做调度——但分工的大格局没变。

## 三、一块显卡里有什么

**GPU 芯片 + 显存（VRAM）+ 供电 + 散热**，三个容易混的点：

- **显存不是内存**。GDDR6/HBM 显存焊在显卡板上，带宽几百 GB/s 起、数据中心卡 1TB/s+——是普通内存（几十 GB/s）的十倍以上。GPU 吃数据的量像消防栓，普通内存那根管子不够粗。
- **核显 vs 独显**。核显 = GPU 焊进 CPU，**共享内存**（省电省空间，性能一般）；独显 = 独立板卡 + 专用显存（性能强、耗电大）。轻薄本配核显、游戏本加独显，本质是功耗与性能的取舍。
- **功耗与散热不是玄学**。独显动辄两三百瓦，机箱风道、供电余量都是真实约束——笔记本里还有"功耗墙"：同一型号 GPU，笔记本版可能比台式版弱 30%。

## 四、从游戏到 AI：一场翻身仗

1. **游戏时代**（1990s 起）：GPU 生来就是渲染管线的专用电路，干的是天生的老本行
2. **通用化**（2007）：NVIDIA 推出 **CUDA**，程序员第一次能用类 C 语言把**任意并行问题**扔给 GPU——它不再只是"画图的"
3. **挖矿插曲**（2013–2022）：哈希计算也是海量并行 → 显卡被抢空三年，一句话历史
4. **AI 主场**（2016–今）：神经网络训练的本质是**矩阵乘法**——亿级别的乘加运算，天然并行，简直是为 GPU 量身定做。2012 年 AlexNet 用两块游戏显卡拿下 ImageNet，深度学习革命从这把火烧起；到 2026 年，训练大模型要几万张卡互联跑数周
5. **第三种处理器**：手机和 Apple 芯片里还长出了 **NPU**（神经处理单元）——比 GPU 更专用的推理电路，牺牲通用性换能效。手机相册能搜"猫"、输入法能离线联想，都是它在跑

> 🤔 所以"AI 算力"为什么贵？训练一次大模型 = 万亿级乘加运算，只能靠几万块 GPU 组网硬算。挖矿时代你听说过的"缺卡"，AI 时代升级成了"缺整个数据中心"。

## 五、买显卡看什么

| 看什么 | 为什么 |
| --- | --- |
| 显存大小 | AI 推理、高分辨率游戏最先爆的就是它 |
| 架构代数 | 新架构同功耗性能强得多，比"显存大"更重要 |
| AI 算力（TOPS）/ CUDA 生态 | 2026 年选卡先看 AI 性能和软件栈 |
| 功耗与散热 | 性能释放的上限；笔记本看功耗墙 |

## 六、盲点自测

1. **什么样的活适合 GPU？** ——海量、简单、重复、互相不依赖的并行计算（像素、矩阵、哈希）；反之强逻辑、多分支的活 CPU 干。
2. **GPU 核心为什么"瘦"？** ——砍掉分支预测、大缓存这些控制逻辑，晶体管全换成计算单元——赌你用不上它们。
3. **显存和内存什么关系？** ——两套独立系统。显存带宽高一个量级，因为 GPU 的数据吞吐远超 CPU。
4. **核显和独显的本质区别？** ——是否独占显存与供电：核显借内存（管细），独显自带宽管。
5. **深度学习为什么偏爱 GPU？** ——训练 = 矩阵乘法 = 海量并行乘加，正是 GPU 的主场。
6. **NPU 和 GPU 差在哪？** ——NPU 更专用（推理优化、低功耗），牺牲通用性换能效，跑在手机/笔记本本地。

## 七、动手玩一把

```bash
# macOS（Apple 芯片）：看 GPU 核心数与型号
system_profiler SPDisplaysDataType | grep -iE "cores|chipset"

# Linux（N 卡）：实时占用、显存、温度
nvidia-smi

# Linux：找显卡型号
lspci | grep -i vga
```

---

硬件的戏份到这就齐了。收尾来个轻松的：超市收银台那个黑白格子，是怎么把信息装进图案里的？→ [[05-关于二维码]]

⬅️ [[03-总线与接口|总线与接口]] 🏠 [[00-基础与理论|00-基础与理论]] ➡️ [[05-关于二维码|关于二维码]]