为什么人工智能用的是GPU
通常在我们的映像中，计算机处理运算的，都是cpu，但人工智能的运算使用的是gpu，图形处理器(英语：GraphicsProcessingUnit，缩写：GPU)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。
在GPU设计之初，并非针对深度学习，而是图形加速，在NVIDIA推出CUDA架构之前，GPU并无太强对深度学习运算能力的支持。而如今，NVIDIA可以提供基于其GPU的从后端模型训练到前端推理应用的全套深度学习解决方案，一般的开发人员都可以非常容易地上手使用GPU进行深度学习开发，或者高性能运算。而CUDA架构的开发，耗费了NVIDIA巨大的人力物力。可以说，是CUDA这个中间层(computingframework)的优化，才使得开发者真正爱上了GPU，NVIDIA胜在软件。而CUDA还不能称之为算法，它只是计算硬件与算法之间的桥梁。
对于人工智能计算架构来说，一般可以归结为三类模式：CPU+GPU，CPU+FPGA，CPU+ASIC(专用集成电路)。其中，应用于图形、图像处理领域的GPU可以并行处理大量数据，非常适合深度学习的高并行、高本地化数据场景，是目前主流的人工智能计算架构。
如果把科技产业划分为三个时代：PC时代、移动互联网时代和AI时代。目前，我们处于移动互联网时代的末期和下一个时代的早期，即以深度学习、无人驾驶为主的AI时代。时代转变会引起一系列的变化。