GPU（Graphics Processing Unit）は、もともと画像描画向けの並列演算に強いプロセッサです。現代のディープラーニングでは大量の行列演算を高速化するために広く使われます。本記事はチップの世代比較ではなく、試験で問われるCPU/GPU/TPUの役割・DLとの関係に焦点を当てます。
試験で問われる見方
○：GPUは多数の単純演算を並列処理でき、DLの行列演算に利用される（TF-055）。
×：DLは計算量が少なくGPUと無関係（TF-335）。第三次AIブームではデータ・GPU・アルゴリズムが重要（TF-323）。
TPUは機械学習向けに最適化されたプロセッサ（TF-056）。
演習で確認する
なぜDLにGPUか
ニューラルネットの学習は、同じ形の演算を大量のデータ・パラメータに対して繰り返します。GPUは数千のコアで並列に処理でき、この「同じ計算の繰り返し」に向いています。CPUは複雑な分岐処理に強い一方、大規模な行列積ではGPUが有利なことが多いです。
CPU・GPU・TPU
| プロセッサ | 強み | AIでの用途 |
|---|---|---|
| CPU | 汎用・分岐処理 | 前処理、小規模モデル、推論の一部 |
| GPU | 大規模並列 | DLの学習・推論の主流 |
| TPU | ML向けASIC | Google等の大規模学習基盤 |
学習と推論
学習は特に計算量が大きくGPUがほぼ必須級です。推論はモデル規模次第でCPUでも動きますが、大規模LLMはGPUや専用チップが使われます。電力・コストの観点も試験で触れられることがあります（TF-287）。
よくある質問
GPUがないとDLはできない？
小規模ならCPUでも可能ですが、実用的な深層学習ではGPUまたは同等の計算資源が事実上必要です。
AlexNetとGPUの関係は？
AlexNetはGPU活用がDL実用化の象徴的出来事の一つとして語られます（TF-330）。