GPU（Graphics Processing Unit、画像処理装置）は、もともと3Dグラフィックスを高速に描画するために生まれた専用プロセッサです。1999年にNVIDIAが「GPU」という言葉を提唱して以来、ゲーム性能の向上を主目的に進化してきましたが、2010年代以降は深層学習・暗号資産マイニング・科学計算など並列計算が必要な分野の主役へと役割が広がりました。本記事ではGPUの仕組み、CPUとの違い、AI時代の使われ方を整理します。
この記事の目次
- GPUがCPUより並列に強い理由
- GPUがAI時代の主役になった経緯
- 用途別のGPU選び
- CPUとGPUの役割分担
- まとめ
GPUがCPUより並列に強い理由
GPUは1つのチップに数千〜1万を超えるシンプルなコアを詰め込んだ構造をしています。CPUが「少数の賢いコア」とすると、GPUは「大量のシンプルなコア」。個々のコアの能力はCPUより低いですが、同じ計算を大量データに適用するような処理では桁違いに速くなります。
もうひとつの強みが広いメモリ帯域です。現代のハイエンドGPUはHBM（High Bandwidth Memory）と呼ばれる超高速メモリを搭載し、1秒あたり数百GB〜TB級のデータを動かせます。「大量のデータを大量のコアで並列に処理する」のが得意なのはこの構造のためです。
GPUがAI時代の主役になった経緯
GPUがAIの主役になった転換点は、2007年にNVIDIAが公開した汎用計算用APIのCUDAです。「画像専用」だったGPUを科学計算や任意のアルゴリズムに使えるようにしたことで、深層学習研究者たちがGPUで大規模モデルを学習させ始め、ImageNetのブレイクスルーへつながりました。
2022年末以降の生成AIブームで、GPUはさらに需要が爆発。NVIDIAのデータセンタ向けGPU（H100/H200/B200など）は供給が追いつかず、クラウド各社が数百億円規模で買い付ける状況が続いています。結果としてNVIDIAの株価が世界最大級に膨らんだのは、GPU=AIの時代を象徴する出来事です。
用途別のGPU選び
GPUは用途で選ぶ製品が分かれます。ゲームやコンテンツ制作にはNVIDIA GeForce RTX（コンシューマ向け）、開発・小規模AI学習にも同じくRTXの上位機種が選択肢になります。業務向けはNVIDIA Aシリーズ（A40、A100など）、データセンター用の最大級学習はH100やH200、B100/B200シリーズです。
AMDのRadeonシリーズ、IntelのArc、Apple SiliconのGPU（M3/M4内蔵）も無視できない選択肢になりました。AI研究現場ではNVIDIA一強の構図が続いていますが、推論やローカルLLM実行ではApple Siliconの「ユニファイドメモリ」が再評価されています。
CPUとGPUの役割分担
CPUとGPUは協調して使うのが本来の姿です。アプリ全体の流れを制御し、入出力やネットワーク、複雑なロジックはCPUが担い、「同じ計算を大量並列で繰り返す」重い部分だけをGPUに丸投げする、というのが現代的な分業モデル。
深層学習でいうと、データの前処理やバッチ生成はCPU、ニューラルネット内部の行列積はGPU、というように作業を分けます。両者を上手に使い分けることが、現代の高性能コンピューティングの基本です。
まとめ
GPUは「画像処理屋」から「並列演算の汎用基盤」へと変身を遂げ、現在ではAI・科学・暗号・グラフィックスの各分野で欠かせない存在になりました。CPUと並ぶ計算インフラの双璧として、その動向は今後もテック業界の中心トピックであり続けるでしょう。
※本記事はIT用語辞典の手書きドラフトです。公開前に最新情報・出典を確認のうえ加筆修正してください。
コメント